XiaoMi-AI文件搜索系统
World File Search System能量的
海洋能量的网格价值主张
本报告是作为由美国政府机构赞助的工作的帐户准备的。美国政府或其任何机构，也不是巴特尔纪念研究所，或其任何雇员，对任何信息，设备，产物或程序披露或代表其使用的任何法律责任或责任都没有任何法律责任或责任，或者对其使用的准确性，完整性或有用性都不会侵犯私人权利。以此处参考任何特定的商业产品，流程或服务，商标，制造商或以其他方式不一定构成或暗示其认可，建议或受到美国政府或其任何机构或Battelle Memorial Institute的认可，建议或赞成。本文所表达的作者的观点和观点不一定陈述或反映美国政府或其任何机构的观点和意见。
呋喃香豆素类化合物激发能量的迁移
由于其灵敏度，荧光光谱法（Weber 等，2020；Keuler 等，2021）已成为生物医学研究中最常用的方法之一。基于香豆素的传感器在检测体内重金属残留量方面具有巨大的前景（Wei 等，2018）。目前，人们正在积极寻找抗癌药物（Shen 等，2019；Spreckelmeyer 等，2018）。由于肿瘤细胞的活性和选择性不佳，抑制剂的数量非常有限，其作用仍然未知。该工作的作者介绍了一种基于香豆素支架和低分子量酚类化合物的抗癌抑制剂（Bai 等，2021）的研究，并展示了其通过破坏微管蛋白聚合在癌症治疗中的治疗效果。人们越来越关注对氧化还原电位有反应的癌细胞的化疗。化疗分子通过自破坏接头附着在荧光团上（Odyniec 等人，2019 年）。人们正在积极寻找一种既可以作为诊断剂又可以作为治疗剂的“荧光接头”。这种治疗诊断前药可以在自破坏香豆素接头的基础上制造出来。利用虚拟组合化学和分光光度法合成各种香豆素衍生物的可能性非常大，这使得作者（Rauhamäki 等人，2018 年）能够基于 3-苯基香豆素制造出一种强效的低分子量癌症抑制剂。发现新化合物在浓度为100 nM至1 μ M时可引起> 70％的抑制，而6-甲氧基-3-（4-（三氟甲基）苯基）-2H-色满-2-酮在浓度约为56 nM时可引起抑制。同时，没有任何取代基，3-苯基香豆素没有生物学效应。在（Ibrar等，2018）中，显示在阿尔茨海默病的治疗中，香豆素噻唑和恶二唑的有效作用是抑制胆碱能神经元中乙酰胆碱的水解
Ali Abu - Nada* 有限资源下氢分子基态能量的量子计算模拟
摘要：本文采用基于量子变分原理的算法计算了氢分子基态能量。由于本研究的系统（即氢分子）相对较小，因此使用模拟器可以有效地经典模拟该分子的基态能量，因此通过模拟器计算得到了氢分子基态能量。本文阐述了该算法的完整细节。为此，本文给出了费米子 - 量子比特和分子哈密顿量 - 量子比特哈密顿量变换的完整描述。作者寻找产生系统最小能量的量子比特系统参数（θ 0 和 θ 1 ），并研究了基态能量与分子键长的关系。与 Kandala 等人的电路相比，本文提出的电路很简单，不包含很多参数，作者只控制两个参数（θ 0 和 θ 1 ）。
固体的总能量的快速准确预测...
摘要我们使用图形卷积神经网络（GCNN）来快速准确地预测固体溶液二元合金的总能量。gcnns允许我们抽象固体物质的晶格结构作为图，从而将原子建模为节点和金属键作为边缘。此表示自然结合了有关材料结构的信息，从而消除了对标准神经网络（NN）方法所需的计算昂贵数据预处理的需求。我们在Ab-Initio密度功能理论（DFT）上训练GCNN，用于铜金（CuAU）和铁铂（FEPT）数据，这些数据是通过运行LSMS-3代码而生成的，该数据实现了OLCF SuperCutisters titan and Immit的LSMS-3代码，该代码实现了本地自称的多重散射方法。gcnn在计算时间方面，按数量级胜过Ab-Initio dft模拟，以产生给定的原子结构的总能量的估计。我们通过使用根平方的误差来量化深度学习（DL）模型的预测质量，将GCNN模型与标准NN的预测性能进行比较。我们发现，GCNN的可达到的准确性至少比MLP的数量级好。
迁徙成年大西洋鲑鱼的通行延迟对能量的影响
这篇开放获取论文由 DigitalCommons@UMaine 免费提供给您，供您开放获取。它已被 DigitalCommons@UMaine 的授权管理员接受并纳入电子论文和学位论文。如需更多信息，请联系 um.library.technical.services@maine.edu。
储能量的排放效应频率调节
摘要：随着美国可再生能源产生的增加，越来越多的频率调节以确保电网的稳定性。快速升起的天然气植物通常用于频率调节，但这会导致与化石燃料燃烧有关的排放。储能系统（ESS），例如电池和飞轮，提供了替代的频率调节服务。但是，充电和排放存储系统的效率损失会导致额外的发电要求和相关排放。在文献中收取和排放ESS的这些间接排放没有很好的了解，大多数消息来源都表明，用于频率调节的ESS的排放较低，而没有量化这些排放。我们创建了一个模型，以估算提供频率调节的ESS的三种排放（CO 2，NO X和SO 2），并将它们与提供相同服务的天然气厂的排放。当天然气厂以
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。
核反应网络揭示基于恒星能量的新型反应模式
摘要 尽管在发现新原子核、建模微观原子核结构、核反应堆和恒星核合成方面取得了进展，但我们仍然缺乏系统工具（例如网络方法）来了解 JINA REACLIB 中编译的 7 万多种反应的结构和动力学。为此，我们开发了一个分析框架，通过计算进入和离开任何目标核的中子和质子数，可以很容易地知道哪些反应通常是可能的，哪些是不可能的。具体而言，我们在此组装一个核反应网络，其中节点代表核素，链接代表核素之间的直接反应。有趣的是，核网络的度分布呈现双峰分布，与无标度网络的常见幂律分布和随机网络的泊松分布明显不同。基于 REACLIB 中截面参数化的动力学，我们意外地发现，对于速率低于阈值 λ < e − T γ 的反应，该分布具有普遍性，其中 T 是温度，γ ≈ 1.05。此外，我们发现了三条控制核反应网络结构模式的规则：（i）反应类型由链接选择决定，（ii）在核素 Z vs N 的二维网格上，反应核素之间的网络距离很短，（iii）每个节点的入度和出度都彼此接近。通过结合这三个规则，无论核素图如何扩展，我们的模型都可以普遍揭示隐藏在大型密集核反应网络中的底层核反应模式。它使我们能够预测代表尚未发现的可能的新核反应的缺失环节。
电动车能量的概率深度学习 -
电动汽车的持续传播为支持数字基础设施带来了新的挑战。例如，此类车辆的长途路线计划依赖于预期的旅行时间和能源使用的预测。我们设想一个两层体系结构来产生此类预测。首先，路由和旅行时间预测子系统生成了建议的路线，并预测速度沿路线的变化。接下来，预期的能源使用将从速度轮廓和其他上下文特征（例如天气信息和坡度）中预测。为此，本文提出了通过电动汽车跟踪数据构建的深度学习模型。首先，由于路线的速度轮廓是能源使用的主要预测指标之一，因此探索了构建速度配置文件的不同简单方法。接下来，提出了八个不同的能量使用预测模型。四个模型是概率的，因为它们预测了单点估计值，而是该路线上能量使用的概率分布的参数。在预测EV能量使用时，这特别相关，这对许多输入特征非常敏感，因此几乎无法准确地预测。具有两个现实世界EV跟踪数据集的广泛实验验证了所提出的方法。本研究的代码已在GitHub上提供。