XiaoMi-AI文件搜索系统
World File Search System网格点
计算物理学杂志
这项研究研究了物理知识神经网络的潜在准确性边界，将其方法与以前的类似作品和传统数值方法进行了对比。我们发现，选择改进的优化算法显着提高了结果的准确性。对损失功能的简单调节也可以提高精度，从而增加增强途径。尽管优化算法对收敛的影响要比调整损失功能更大，但实际上考虑因素通常会由于易于实施而倾向于调整后者。在全球范围内，增强的优化器和略微调整的损失函数的集成使损失函数在各种物理问题上的数量级减少了几个数量级。因此，我们使用紧凑网络（通常包括20-30个神经元的2或3层）获得的结果实现了与使用数千个网格点的有限差异方案相当的精确度。这项研究鼓励针对各个领域的更广泛应用的PINN和相关优化技术的持续发展。
基于量子计算的半导体量子限制问题求解方法
摘要——半导体器件的计算机辅助设计 (TCAD) 技术依赖于器件中微分方程的数值解。量子计算的最新进展为在量子计算机上执行 TCAD 模拟提供了新的机会。基于变分量子算法，我们开发了一种基于量子计算的方法来解决半导体纳米结构中的量子限制问题。随着求解薛定谔方程的数值离散化网格点数量的增加，所需的量子比特数量仅以对数方式增加，∼ O [ log(N) ] 。该方法适用于解决所有维度的量子限制问题，这些问题与量子阱、半导体纳米线和半导体量子点结构中的限制有关。该方法可以处理半导体纳米结构中的各向异性能带结构和静电势。我们进一步表明，假设的设计对该方法在解决精度方面的性能起着重要作用。基于量子计算的方法可以高精度地计算基态和激发态的能量和波函数。
基于快速行进方法和深度强化学习的自主船的新颖道路遵循方法
路径以下是自动船只的必不可少的工具之一，它确保自动船能够充分能够在指定的无碰撞水中导航。这项研究提出了一种新的路径，遵循基于快速行进方法（FM）方法和深入增强学习（DRL）的自主船的方法。所提出的方法能够控制船以遵循不同的路径，并确保路径跟踪误差始终在设定范围内。借助FM方法，基于网格的路径偏差图是专门生成的，以指示网格点和路径之间的最小差异。此外，特定设计的路径偏差感知器是为了模拟基于路径偏差图的设定路径偏差边界的范围传感器。之后，培训了一个基于DRL的圆形路径来控制船舶。尤其是通过模拟对该方法进行验证和评估。获得的结果表明，所提出的方法始终能够维持较高的总体效率，并具有相同的层次，以遵循不同的路径。此外，这种方法的能力对自主船的发展表现出显着的贡献。
支持农作物和牲畜系统的农业气象
大气数值模型和再分析为各种应用生成了宝贵的天气和气候信息。其中，农业从所提供的数据中获得了相当大的附加值。这些数据允许创建情景和/或集合，以评估源自气候和植物生产方面的复合不确定性。在这项工作中，我们使用两种大气产品和 AquaCrop 模型来研究 2015 年夏季波河谷农业生产对气候条件以及作物类型和灌溉方法的影响和敏感性。这两个产品是一组使用天气研究和预报 (WRF-ARW) 模型的 3 公里分辨率免费模拟，用作灌溉用水需求的情景，以及 6 公里 COSMO-REA6 再分析，提供大气参考数据集。AquaCrop 模型仅强制使用波河谷的农田网格点，我们测试了作物模型对初始土壤水分、灌溉管理、土壤和作物类型等参数的敏感性。初步结果表明，对于小麦而言，产量反应取决于气象输入数据，COSMO-REA6 产量高于 WRF-ARW 产量，并且取决于土壤中的粘土含量。此外，AquaCrop 输出的物理集合（每日水通量、土壤水分和作物产量）将与哥白尼 2015 年的季节性预报产品进行比较
论量子玻尔兹曼方法中数据编码的重要性
摘要 近年来，量子玻尔兹曼方法越来越受到人们的关注，因为一旦这种新兴计算技术成熟并且容错多量子比特系统可用，它们可能为在量子计算机上解决流体动力学问题提供一条可行的途径。开发玻尔兹曼方程的从头到尾量子算法的主要挑战在于将相关数据有效地编码为量子比特（量子位），并将流式传输、碰撞和反射步骤公式化为一个综合的幺正操作。目前关于量子玻尔兹曼方法的文献大多为管道的各个阶段提出数据编码和量子原语，假设它们可以组合成一个完整的算法。在本文中，我们通过展示文献中常讨论的编码，无论是碰撞还是流式传输步骤都不能是幺正的，从而推翻了这一假设。基于这一里程碑式的结果，我们提出了一种新颖的编码，其中用于编码速度的量子比特数取决于想要模拟的时间步数，上限取决于网格点的总数。鉴于现有编码所建立的非幺正性结果，据我们所知，我们的编码方法是目前已知的唯一一种可用于从头到尾量子玻尔兹曼求解器的方法，其中碰撞和流动步骤都作为幺正操作实现。
2024年9月1091-1098
摘要 - 智能电网是一种电力传输系统，它使用数字技术来控制所有一代来源的电力，以满足最终用户的电力波动。它通过部署技术和智能电网等技术来实现这一目标，这对于提高电源供应效率，可靠性和可持续性至关重要。分散的智能电网控制（DSGC）是一个系统，其中控制和决策功能分布在不同的网格点而不是在一个中心位置。此范式对于电网的断层阻力和效率至关重要，因为它使当地区域能够继续进行，管理电力流动，对变化做出响应并成功整合了许多能源。通过DSGC监视网格频率，以确保动态网格稳定性估计。从用户到能源生产者的各方都可以利用与电网频率相关的电力价格。DSGC是这项研究的重要组成部分，收集了有关客户消费的信息，并使用了几个假设来预测消费者的行为。它建立了一种评估当前供应情况以及由此结果建议的定价信息的方法。本研究提出了一个长期的短期记忆（LSTM）模型，以分析收集的有关智能电网特征的数据并预测网格稳定性。结果显示了LSTM模型的强大能力，精度达到96.73％，损失仅为7.44％。该模型的精度为96.70％，召回98.18％，F1得分为97.43％。
Quantum Boltzmann方法中数据编码的重要性
摘要近年来，量子玻尔兹曼的方法越来越兴趣，因为一旦这种新兴的计算技术已经成熟且容易耐断层的多位系统，它们可能会为解决量子计算机上的流动动力学问题提供可行的途径。为Boltzmann方程开发一种开始端量量子算法的主要挑战包括在量子位（Qubits）中足够编码相关的数据以及将流，碰撞和重新跨度步骤制定为一个全面的不稳定操作。当前有关量子Boltzmann方法的文献主要提出了有关管道各个阶段的数据编码和量子原始，假设它们可以将其合并到完整的算法中。在本文中，我们通过证明文献中常见的编码来反驳这一假设，无论是碰撞还是流动步骤都不是统一的。在这个里程碑式的结果上构建，我们提出了一种新颖的编码，其中用来编码速度的量子数的数量取决于人们希望模拟的时间步骤的数量，其上限取决于网格点的总数。鉴于为现有编码建立的非非军事结果，我们的编码方法是我们所知的最好的方法，目前唯一可用于启动量子boltzmann求解器的唯一已知方法，碰撞和流步骤均以单一操作实现。鉴于为现有编码建立的非非军事结果，我们的编码方法是我们所知的最好的方法，目前唯一可用于启动量子boltzmann求解器的唯一已知方法，碰撞和流步骤均以单一操作实现。
数据驱动参数化中的数据不平衡，不确定性定量和转移学习：WACCM中重力波动量传输的经验教训
抽象的神经网络（NNS）越来越多地用于天气和气候模型中数据驱动的亚网格尺度参数化。虽然NNS是从数据中学习复杂的非线性关系的强大工具，但将它们用于参数化存在一些挑战。这些挑战中的三个是（a）与学习稀有（通常是大振幅）样本有关的数据失衡； （b）预测的不确定性定量（UQ）提供精确指标； （c）对其他气候的概括，例如那些具有不同辐射的刺激的气候。在这里，我们使用基于整个大气的社区气候模型（WACCM）物理学的重力波（GW）参数化来解决这些挑战的方法的性能。WACCM具有地讲，对流和前驱动的GWS的复杂状态，对对流和前驱动的GWS。对流和地形驱动的GWS由于在大多数网格点缺乏对流或地球而具有显着的数据失衡。我们使用重采样和/或加权损失功能来解决数据不平衡，从而成功地模仿了所有三个来源的参数化。我们证明了三种UQ方法（贝叶斯NN，变异自动编码器和辍学器）提供了与测试过程中准确性相对应的集合差，提供标准，用于识别NN何时给出不准确的预测。最后，我们表明这些NN的准确性降低了温暖的气候（4×CO 2）。但是，通过应用转移学习，仅使用约1％的新数据从温暖的气候中重新训练一层，从而显着提高了它们的性能。这项研究的结果为开发可靠且可推广的数据驱动参数的各种过程（包括（但不限于）GWS）提供了见解。
HBM.25224.pdf -orca -Cardiff University
图1亚素纤维样组件的分辨率以及随后对相关的颜色编码方向分布函数（ODF）的估计。（a）R 2 -d分布，用于包含CSF和两个交叉WM种群的体素。5D P（r 2，d）据报道为R 2的3D对数散射图D，各向同性扩散性D ISO和轴向 - 径向 - 径向扩散率D K / D d r，其圆面积与通用r 2- d分量的重量成比例。颜色编码定义为：[r，g，b] = [cosφsinθ，sin ϕsinθ，cosθ] j d k -d⊥ /max /max（d，d，d，d，d，d，d，d，d，d，d，d，d，d，），其中（θ，ϕ）给出了每个轴对称d的方向。r 2 -d空间分为三个粗垃圾箱，称为“大”（蓝色体积），“薄”（红色体积）和“厚”（绿色体积）。落入“薄”箱中的成分被单打并解释为纤维。（b）每箱信号贡献的空间分布。中间地图显示了“大”（蓝色），“薄”（红色）和“厚”（绿色）垃圾箱中的分数种群，作为颜色编码的复合图像。最右图的重点是来自“薄”子集中的组件的信号贡献，f薄，（1- f thin）的补充给出了来自所有不用于ODF计算的所有组件的信号分数。交叉位置位置的体素，其分布在面板（a）中显示。（c）计算颜色编码的ODF的方案。r 2颜色的圆圈表示来自面板中信号的体素溶液的“薄”组件（b）。圆面积与W成正比，而[x，y，z]圆坐标被定义为[cos ϕsinθ，sin ϕsinθ，cosθ]（左）或[cos ϕsinθ，sin ϕsinθ，cos cos cos ϕ] w（中和右）。在左图中，离散的r 2 -d组件显示在以1,000点（θ，ϕ）网格表示的单位球体上。首先通过公式（6）将P（r 2，d）组件的权重映射到网格，从而形成一个ODF字形，其半径沿r 2 -d概率密度沿给定（θ，ϕ）方向（中间）。按照ODF估计，方程（9）用于为每个网格点分配r 2，d ISO或dδ的平均值，并定义颜色ODF glyph（右）
在 IBM 量子计算机上实现一种用于估计有限方阱势中粒子能量的量子算法
通过 QASM 语言，这是 IBM Q Experience 团队发明的一种用于创建量子电路的语言。另一方面，第二种方法是编写 Python 代码并使用名为 QISKit [32] 的 Python 软件开发工具包 (SDK) 运行它们，它适用于所有类型的算法。因此，我们在本文中展示的工作是使用 QISKit 进行的。可通过云端公开访问的量子设备分别由 IBM Q 5 Yorktown (ibmqx2) 、IBM Q Burlington 、IBM Q 5 London 、IBM Q Essex 、IBM Q Vigo 和 IBM Q Ourense（六个 5 量子比特设备）以及 IBM Q 16 Melbourne 和 IBM Q Armonk（16 量子比特和 1 量子比特设备）表示。用于模拟的经典后端称为 IBMQ QASM 模拟器。所有后端都与一组由单量子比特旋转和相移门组成的量子门一起工作。所有其他单量子比特门（如 X、S、R z 等）一般都是由这三个门的序列构成的，它们与 CNOT 一起构成量子门的通用集。除了量子比特的数量之外，所提到的量子设备在量子比特连接或拓扑方面也有所不同，IBM Q Experience 将其称为设备的耦合图 [33]。在本文中，我们修改并在 IBM 量子计算机上实现了参考文献 [34] 中研究的量子算法，使用相位估计技术找到有限方阱势一维薛定谔方程的基态和第一激发态的能量特征值。我们使用试验波函数作为初始状态，并在位置和动量空间中将其离散化。我们还在希尔伯特空间中构建了时间演化矩阵，其中定义了计算基向量（即量子比特态）。然后，我们将时间演化电路应用于最初准备的寄存器，并使用相位估计方法获得包含能量的相位。我们表明，所提出的算法可以以合理的误差实现预期结果。除了众所周知的量子相位估计方案外，我们还讨论了迭代相位估计方法的实现，以减少电路尺寸和量子比特数，从而有效利用 IBM 量子计算资源。最重要的是，为了充分利用 5 量子比特 IBM 后端，我们通过选择迭代相位估计技术将电路尺寸从文献 [34] 中使用的 8 个量子比特缩短到 5 个。本文组织如下。第 3 节描述了基于相位估计方法的量子算法的步骤。要执行数字量子模拟，我们需要设计时间演化算子来找到系统的能量特征值。此外，坐标应该离散化，初始波函数在网格点上近似。我们还解释了本文使用的两种相位估计算法。在第 4 部分中，我们解释了如何为时间演化算符中的动能和势能项构造量子门。第 5 节给出了结果和讨论，第 6 节讨论了最后的评论。