CN108761310B - 一种量子芯片的测试方法 - Google Patents
一种量子芯片的测试方法 Download PDFInfo
- Publication number
- CN108761310B CN108761310B CN201810513833.6A CN201810513833A CN108761310B CN 108761310 B CN108761310 B CN 108761310B CN 201810513833 A CN201810513833 A CN 201810513833A CN 108761310 B CN108761310 B CN 108761310B
- Authority
- CN
- China
- Prior art keywords
- point
- random
- value
- quantum chip
- valley
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2851—Testing of integrated circuits [IC]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种量子芯片的测试方法,属于量子芯片测试领域。目前阶段量子芯片测试时候,寻峰谷的效率极其低下,这种方法根本无法应用于大规模集成化的量子芯片测试上,本发明提供了一种量子芯片的测试方法,在测试中,针对于测试的震荡波形图中需要找出震荡波形的峰值或谷值,根据获取的数据自动识别波峰谷,并自动标示出峰谷值所在位置,并且能够自动保存数据。结合了随机游走算法和模拟退火算法的思想,并将其应用于量子芯片测试领域中。量子芯片测试时候振荡频率高,且波形较不稳定;需要有精确的方法进行相应的测试。本方案通过自动化方法准确对峰值或谷值进行寻找和统计,效率高,准确率高。
Description
技术领域
本发明提供了一种量子芯片的测试方法,属于量子芯片测试领域。
背景技术
量子计算机因其具有相对普通计算机更高效的处理数学问题的能力,例如能将破解RSA密钥的时间从数百年加速到数小时,故成为一种正在研究中的关键技术。然而,现阶段的量子计算机的原型机的量子位数量较少,实际处理速度还没有经典计算机快。为了解决这个问题,人们用量子虚拟机对量子计算机的行为进行预测,这种方法通常用来验证量子算法或者量子计算机行为的正确性,对量子算法和量子计算机设计进行指导。而量子虚拟机是人们使用经典计算机语言实现的对代表量子逻辑门的幺正变换矩阵和代表量子态的复数矢量之积的模拟,人们可使用量子指令集编写的量子程序在经典计算机上操控量子虚拟机对了量子态的变化进行分析与仿真。
在量子芯片的制造中,需要对芯片进行测试,其中需要在测试的震荡波形图中需要找出震荡波形的峰值或谷值,来查看量子芯片的性能,需要对峰/谷进行寻找定位。目前在此领域中还没有一种能够高效定位峰/谷值的方法,大多数的寻峰谷技术都存在定位不准和效率低下这两个方面问题,而且在包含有严重重叠的峰谷时还出现寻峰谷太多或定位不准的问题。
目前,在现阶段的量子芯片测控中主要使用的是手动定位查找峰谷技术,因为人们的眼睛才是最好的寻峰工具,手动寻峰是比较准确的一种方法寻峰谷的方法,手动寻峰需要鼠标把数据导入到图像界面中,在局部或全部衍射角度范围内进行,程序弹出图形放大窗口,并显示出该局部的放大图形。从图形放大窗口的任务菜单中用鼠标选择峰谷项,手动定位寻峰目前来说是量子芯片测试中寻峰谷最精确的一种方法。
使用手动寻峰前需要把这些数据导入到图像中,并依据这些离散型数据点画出一条曲线,在图1中我们可以看到一个多峰谷图像,该图像是利用网络分析仪表征一组特定谐振腔的S21参数随频率的变化,横坐标代表频率,纵坐标代表网络分析仪的S21参数,即振幅,图中一共可以看到三个明显的谷值1,2,3。我们的所做的工作内容就是找出这三个谷值。手动定位只需用鼠标点击左上角的数据游标,把需要定位的峰谷值用眼睛就可以很快的找出,然后只需点击鼠标左键即可成功点位,定位成功后此谷值的数据就会显示在图像中(图1中的3,x=6.532e+09,y=-41.33),我们把此数据记录保存下来即可,图1中一共有三个这样的谷值所以需要点击和记录三次,如果有N个点则需要点击记录N次,这样就耗费了大量的时间和精力,因此在高速量子芯片测量中很显然不能使用这种方法。这种方法根本无法应用于大规模集成化的量子芯片测试上。
现有技术中还有一些二阶导数和零卷积等寻峰谷方法,但是也存在对肩膀峰不敏感、计算过于复杂等问题。为此我们希望有一种能够使得计算效率更快,数据准确性更高的一种测量寻峰谷的方法,用于满足我们在量子芯片测试中的要求。
发明内容
1、要解决的问题
目前阶段量子芯片测试时候,寻峰谷的效率极其低下,这种方法根本无法应用于大规模集成化的量子芯片测试上,本发明提供了一种量子芯片的测试方法。可以自动化获得芯片测试的震荡波形图的峰谷数据,计算效率快,数据准确性高。
2、技术方案
为解决上述问题,本发明采用如下的技术方案。
我们需要设计一种使程序能够具备自动寻峰的能力,就是根据获取的数据自动识别波峰谷,并自动标示出峰谷值所在位置,并且能够自动保存数据。本次设计自动寻峰谷算法结合了随机游走算法和模拟退火算法的思想,并将其应用于量子芯片测试领域中。量子芯片测试时候振荡频率高,且波形较不稳定;需要有精确的方法进行相应的测试。
下面分别介绍随机行走算法原理和模拟退火算法原理。
随机行走算法原理:
(1)设f(x)是一个含有n个变量的多元函数,x=(x1,x2,…,xn)为n维向量。n>1;
(2)给定初始迭代点x,初次行走步长λ,控制精度∈,∈是一个非常小的正数,用于控制结束算法。∈<1,λ<1。
(3)给定迭代控制次数N,k为当前迭代次数,置k=1。N>1;
(5)计算函数值,如果f(x1)<f(x),即找到了一个比初始值好的点,那么k重新置为1,将x1变为x,回到第2步;否则k=k+1,回到第3步。
模拟退火算法原理:
模拟退火算法可以分解为解空间、目标函数和初始解三部分。
模拟退火的基本思想:
(1)初始化:初始温度T,初始解状态S,每个T值的迭代次数L;L>1;
(2)对k=1,…,L做第(3)至第6步:
(3)产生新解S′;
(4)计算增量ΔT=C(S′)-C(S),其中C(S)为评价函数;
(5)若ΔT<0则接受S′作为新的当前解,否则以概率exp(-ΔT/T)接受S′作为新的当前解;
(6)如果满足终止条件则输出当前解作为最优解,结束程序;
终止条件通常取为连续若干个新解都没有被接受时终止算法,若干个可以设置>1的自然数;
(7)T逐渐减少,且T≥0,然后转第2步。
结合上述方法,本发明完整的技术方案如图2、3所示。
通过随机行走算法和模拟退火算法,设定阈值,获得量子芯片测试的震荡波形图谷底数据。具体的,通过先产生一组0~1之间的随机小数random1,和一组随机整数random2,然后开始随机行走的整个测试方法的随机行走方式,并通过模拟退火算法,设定合适的阈值,获得量子芯片测试的震荡波形图谷底数据。先产生一组0~1之间的随机小数random1,和一组随机整数random2。然后开始随机行走的整个过程,波形都是由一组具有横纵坐标的点序列构成的,量子芯片测试的震荡波形图开始随机行走时候从横纵坐标的点序列的任一点开始行走,行走方向为向前或向后任一方向。更好的选择,我们从该序列的第一点开始行走,即当前位置等于该序列的第一点,行走方向为第二点所在方向。
(1)若当前位置不是震荡波形序列的末尾,则转入(2),否则转入(11);
(2)从当前位置开始往后随机行走,行走的步数为随机值,从随机整数random2中取值,进入(3);
(3)若exp(-(更新后的点的振幅-上一点的振幅)/特征值T0)>随机概率(0~1),随机概率从随机小数random1中取值,则转入(4),否则转入(5);
(4)接受更新后的点为下一点,即随机行走的下一点是更新后的点;
(5)不接受更新后的点,即随机行走的下一点仍然是上一点,在该点停留,计数值count加1,count用来统计当前位置在该点停留的次数,进入(9);
(6)若随机行走的下一点和上一点不是同一点,则转入(7),否则转入(8);
(7)将计数值count置为0,count用来统计当前位置在该点停留的次数;将标志位booler置为1,booler用来标记当前位置是否是第一次来到该点,进入(9);
(8)计数值count加1,进入(9);
(9)若随机行走的下一点和上一点是同一点,并且count>NUM,NUM为自己定义的10的数量级的整数,并且判断标志位booler是否等于1,是则转入(10),否则转入(11);
(10)认为该点为近似谷底数据,把该点的下标和幅值分别存入容器中,标志位booler=0,计数值count=0,转入(11);
(11)从当前开始位置往后走step个点,即当前开始位置+step=新的位置,step为自己定义的100数量级的整数,回到(1);
(12)获得了找出来的所有的近似谷底的数据。
更进一步的,找出所有近似谷底的数据后,对近似谷底数据进行验证,更新谷底数据。找出来的所有的谷底的数据后,开始遍历所有的谷底数据,对每个谷底数据,分别在它前面centerSpan个点和后面centerSpan个点中,centerSpan为自己定义的查找范围,一般为10的数量级的整数,比较该范围所有点的纵坐标值,找到其中最小的纵坐标值的点更新为新的谷点,更新该点的谷底数据;
更进一步的,在步骤(12)后还包括如下步骤,(13)对更新后的所有谷底数据进行去重处理,获得所有精确的谷底数据。
更进一步的,所述的T0值设置,根据公式exp(-(更新后的点的振幅-上一点的振幅)/特征值T0)>随机概率(0~1),保证大部分噪声点求得的值处于0~1之间,特征值T0的设置和相邻两点的振幅差同一量级水平的值。
3、有益效果
相比于现有技术,本发明的有益效果为:
本发明提供了一种量子芯片的测试方法,在测试中,针对于测试的震荡波形图中需要找出震荡波形的峰值或谷值,根据获取的数据自动识别波峰谷,并自动标示出峰谷值所在位置,并且能够自动保存数据。结合了随机游走算法和模拟退火算法的思想,并将其应用于量子芯片测试领域中。量子芯片测试时候振荡频率高,且波形较不稳定;需要有精确的方法进行相应的测试。本方案通过自动化方法准确对峰值或谷值进行寻找和统计,效率高,准确率高。
附图说明
图1为手动寻峰示意图;
图2为量子芯片测试寻峰谷流程图一;
图3为量子芯片测试寻峰谷流程图二。
具体实施方式
实施例1
结合上述方法,本发明完整的技术方案如图2、3所示。
本方案结合随机行走算法和模拟退火算法,设定阈值,来对整体的量子芯片测试的震荡波形图谷底数据进行数据采集和确认,先产生一组0~1之间的随机小数random1,和一组随机整数random2,然后开始随机行走,并通过模拟退火算法,设定阈值,获得量子芯片测试的震荡波形图谷底数据,具体方式如下:
先产生一组0~1之间的随机小数random1,和一组随机整数random2。然后开始随机行走的整个过程,波形都是由一组具有横纵坐标的点序列构成的,量子芯片测试的震荡波形图开始随机行走时候从横纵坐标的点序列的任一点开始行走,行走方向为向前或向后任一方向。更好的选择,本实施例中,我们从该序列的第一点开始行走,即当前位置等于该序列的第一点,行走方向为第二点所在方向。
(1)若当前位置不是震荡波形序列的末尾,则转入(2),否则转入(11);
(2)从当前位置开始往后随机行走,行走的步数为随机值,从随机整数random2中取值,进入(3);
(3)若exp(-(更新后的点的振幅-上一点的振幅)/特征值T0)>随机概率(0~1),随机概率从随机小数random1中取值,则转入(4),否则转入(5);
(4)接受更新后的点为下一点,即随机行走的下一点是更新后的点;
(5)不接受更新后的点,即随机行走的下一点仍然是上一点,在该点停留,计数值count加1,count用来统计当前位置在该点停留的次数,进入(9);
(6)若随机行走的下一点和上一点不是同一点,则转入(7),否则转入(8);
(7)将计数值count置为0,count用来统计当前位置在该点停留的次数;将标志位booler置为1,booler用来标记当前位置是否是第一次来到该点,进入(9);
(8)计数值count加1,进入(9);
(9)若随机行走的下一点和上一点是同一点,并且count>NUM,NUM为自己定义的10的数量级的整数,并且判断标志位booler是否等于1,是则转入(10),否则转入(11);
(10)认为该点为近似谷底数据,把该点的下标和幅值分别存入容器中,标志位booler=0,计数值count=0,转入(11);
(11)从当前开始位置往后走step个点,即当前开始位置+step=新的位置,step为自己定义的100数量级的整数,回到(1);
(12)获得了找出来的所有的近似谷底的数据,下面开始遍历所有的近似谷底数据,对每个谷底数据,分别在它前面centerSpan个点和后面centerSpan个点中,centerSpan为自己定义的查找范围,一般为10的数量级的整数,比较该范围所有点的纵坐标值,找到其中最小的纵坐标值的点更新为新的谷点,更新该点的谷底数据,转到(13);
(13)对更新后的所有谷底数据进行去重处理,获得所有精确的谷底数据。
在本发明方案中,我们综合模拟退火算法的思想,设定对应的阈值,通过判断exp(-(更新后的点的振幅-上一点的振幅)/特征值T0)是否大于随机概率(0~1),即判断exp(-ΔT/T)的概率是否比一个随机0~1内的概率大,来决定是否接受更新后的点;同时借助了随机行走算法的思想,当连续在某个点停留了NUM(NUM为自己定义的10的数量级的整数)次后,则认为该点为我们要找的谷点,我们称这种情况的谷点为近似谷点,然后开始新一轮的游走;同时在找出来的所有的谷点附近找一定范围的点进行重新比较,从而可以找到精确的谷点。在该算法中,我们需要设置的特征值T0会影响找到的近似谷点的准确性,因此T0的值的设置较为关键。T0值设置,根据公式exp(-(更新后的点的振幅-上一点的振幅)/特征值T0)>随机概率(0~1),要保证大部分噪声点求得的值处于0~1之间,才能保证噪声点跳出的随机性;而要保证所有峰值/谷值求得的值远远小于1,所以特征值T0的设置需要和相邻两点的振幅差同一量级水平的值。在本方案中T0值设置为和相邻两点的振幅差处于同一量级水平的数,在本次测试所使用的数据中,更新后的点的振幅-上一点的振幅为0.8左右,则T0取和0.8相近的数即可,本次测试中取1.5。T0会影响结果的准确性,T0的值越小,找出的峰值/谷值中包含的噪声点会更多,但是,本发明方案通过后续在找出来的所有的谷点附近找一定范围的点进行重新比较,可以把T0的影响降低,从而找到精确的谷点;同时在某点的停留次数NUM的值,以及谷点搜索范围centerSpan的值,都会影响算法的性能,基本上NUM,centerSpan越大,循环次数越多,算法性能越差,但找到的谷点数据准确性更高。
通过上述方法,可以自动化获得芯片测试的震荡波形图的峰谷数据,计算效率快,数据准确性高。
以上示意性地对本发明创造及其实施方式进行了描述,该描述没有限制性,在不背离本发明的精神或者基本特征的情况下,能够以其他的具体形式实现本发明。附图中所示的也只是本发明创造的实施方式之一,实际的结构并不局限于此,权利要求中的任何附图标记不应限制所涉及的权利要求。所以,如果本领域的普通技术人员受其启示,在不脱离本创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本专利的保护范围。此外,“包括”一词不排除其他元件或步骤,在元件前的“一个”一词不排除包括“多个”该元件。产品权利要求中陈述的多个元件也可以由一个元件通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (7)
1.一种量子芯片的测试方法,其步骤如下:从当前位置往后行走,通过随机行走算法和模拟退火算法,设定阈值,通过判断exp(-(更新后的点的振幅-上一点的振幅)/特征值T0)是否比一个随机0~1内的概率大,大于则接受更新后的点,否则在该点停留;当连续在某个点停留了NUM次后,NUM为10的数量级的整数,该点为谷底数据,并从该点位置按照阈值判断进行游走,找出若干谷底数据,在找出来的所有的谷底数据前后找设定范围的点进行重新比较,更新和去重处理后,获得量子芯片测试的震荡波形图的谷底数据。
2.根据权利要求1所述的一种量子芯片的测试方法,其特征在于:量子芯片测试的震荡波形图开始随机行走时候从横纵坐标的点序列的任一点开始行走,行走方向为向前或向后任一方向。
3.根据权利要求2所述的一种量子芯片的测试方法,其特征在于:量子芯片测试的震荡波形图开始随机行走时候从横纵坐标的点序列的第一点开始行走,行走方向为第二点所在方向。
4.根据权利要求1或2或3所述的一种量子芯片的测试方法,其特征在于:所述通过随机行走算法和模拟退火算法,设定阈值,获得量子芯片测试的震荡波形图的谷底数据,具体包括:
(1)若当前位置不是震荡波形序列的末尾,则转入(2),否则转入(11);
(2)从当前位置开始往后随机行走,行走的步数为随机值,从随机数组random2中取值,进入(3);
(3)若exp(-(更新后的点的振幅-上一点的振幅)/特征值T0)>随机概率(0~1),随机概率从随机数组random1中取值,则转入(4),否则转入(5);
(4)接受更新后的点为下一点,即随机行走的下一点是更新后的点;
(5)不接受更新后的点,即随机行走的下一点仍然是上一点,在该点停留,计数值count加1,count用来统计当前位置在该点停留的次数,进入(9);
(6)若随机行走的下一点和上一点不是同一点,则转入(7),否则转入(8);
(7)将计数值count置为0,count用来统计当前位置在该点停留的次数;将标志位booler置为1,booler用来标记当前位置是否是第一次来到该点,进入(9);
(8)计数值count加1,进入(9);
(9)若随机行走的下一点和上一点是同一点,并且count>NUM,NUM为自己定义的10的数量级的整数,并且判断标志位booler是否等于1,是则转入(10),否则转入(11);
(10)认为该点为谷底数据,把该点的下标和幅值分别存入容器中,标志位booler=0,计数值count=0,转入(11);
(11)从当前开始位置往后走step个点获得下一个待随机行走序列的预设谷点数据,即当前开始位置+step=新的位置,step为自己定义的100数量级的整数,回到(1);
(12)获得了找出来的所有的谷底的数据。
5.根据权利要求1所述的一种量子芯片的测试方法,其特征在于:更新谷底数据步骤为,遍历所有的谷底数据,对每个谷底数据,分别在它前面centerSpan个点和后面centerSpan个点中,centerSpan为自己定义的查找范围,为10的数量级的整数,比较该范围所有点的纵坐标值,找到其中最小的纵坐标值的点更新为新的谷点,更新该点的谷底数据。
6.根据权利要求5所述的一种量子芯片的测试方法,其特征在于:在步骤(12)后还包括如下步骤,(13)对更新后的所有谷底数据进行去重处理,获得所有精确的谷底数据。
7.根据权利要求4所述的一种量子芯片的测试方法,其特征在于:所述的T0值设置,根据公式exp(-(更新后的点的振幅-上一点的振幅)/特征值T0)>随机概率(0~1),保证大部分噪声点求得的值处于0~1之间,特征值T0的设置和相邻两点的振幅差同一量级水平的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810513833.6A CN108761310B (zh) | 2018-05-25 | 2018-05-25 | 一种量子芯片的测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810513833.6A CN108761310B (zh) | 2018-05-25 | 2018-05-25 | 一种量子芯片的测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108761310A CN108761310A (zh) | 2018-11-06 |
CN108761310B true CN108761310B (zh) | 2021-03-12 |
Family
ID=64005672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810513833.6A Active CN108761310B (zh) | 2018-05-25 | 2018-05-25 | 一种量子芯片的测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108761310B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109884504A (zh) * | 2019-03-14 | 2019-06-14 | 合肥本源量子计算科技有限责任公司 | 一种量子芯片电容检测方法 |
CN110069348B (zh) * | 2019-05-05 | 2023-09-19 | 山东浪潮科学研究院有限公司 | 一种高效利用云中心量子计算机资源的方法 |
CN115409184B (zh) * | 2021-05-28 | 2024-06-14 | 本源量子计算科技(合肥)股份有限公司 | 量子芯片测试方法、系统、装置及量子计算机 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103777058A (zh) * | 2014-02-24 | 2014-05-07 | 赛卓电子科技(上海)有限公司 | 应用于霍尔齿轮传感器芯片的峰值检测系统及方法 |
CN103926575A (zh) * | 2014-03-05 | 2014-07-16 | 南京理工大学 | 一种激光雷达全波形信号分析方法 |
CN105044623A (zh) * | 2015-08-13 | 2015-11-11 | 北京航空航天大学 | 一种适用于集成电路芯片的片上电源噪声峰值测量系统及其测量方法 |
CN106202773A (zh) * | 2016-07-19 | 2016-12-07 | 张升泽 | 电子芯片的噪声调制方法及系统 |
-
2018
- 2018-05-25 CN CN201810513833.6A patent/CN108761310B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103777058A (zh) * | 2014-02-24 | 2014-05-07 | 赛卓电子科技(上海)有限公司 | 应用于霍尔齿轮传感器芯片的峰值检测系统及方法 |
CN103926575A (zh) * | 2014-03-05 | 2014-07-16 | 南京理工大学 | 一种激光雷达全波形信号分析方法 |
CN105044623A (zh) * | 2015-08-13 | 2015-11-11 | 北京航空航天大学 | 一种适用于集成电路芯片的片上电源噪声峰值测量系统及其测量方法 |
CN106202773A (zh) * | 2016-07-19 | 2016-12-07 | 张升泽 | 电子芯片的噪声调制方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于模拟退火算法的函数极值分析;王爱莲;《电脑开发与应用》;20091005;第22卷(第10期);第14页第3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN108761310A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rosin | Multi-armed bandits with episode context | |
US20220076150A1 (en) | Method, apparatus and system for estimating causality among observed variables | |
Kathuria et al. | Batched gaussian process bandit optimization via determinantal point processes | |
Žilinskas et al. | Stochastic global optimization: a review on the occasion of 25 years of Informatica | |
CN108761310B (zh) | 一种量子芯片的测试方法 | |
CN110110858B (zh) | 一种基于强化学习的自动化机器学习方法 | |
Lassaigne et al. | Approximate planning and verification for large Markov decision processes | |
US8010535B2 (en) | Optimization of discontinuous rank metrics | |
CN109313720A (zh) | 具有稀疏访问的外部存储器的增强神经网络 | |
Lee et al. | Massively parallel motion planning algorithms under uncertainty using POMDP | |
Schär et al. | Gibbsian polar slice sampling | |
Sun et al. | Harnessing Multi-Role Capabilities of Large Language Models for Open-Domain Question Answering | |
JP5865297B2 (ja) | 候補提示装置、候補提示方法及びプログラム | |
US20230316094A1 (en) | Systems and methods for heuristic algorithms with variable effort parameters | |
Simpson et al. | Automatic algorithm selection in computational software using machine learning | |
Zhang et al. | Probabilistic score estimation with piecewise logistic regression | |
Ha et al. | Leveraging bayesian optimization to speed up automatic precision tuning | |
Harde et al. | Design and implementation of ACO feature selection algorithm for data stream mining | |
US11106344B2 (en) | Methods and devices for capturing heuristic information via a weighting tool | |
Ernst et al. | Time-staging enhancement of hybrid system falsification | |
CN113761783A (zh) | 信息处理设备、信息处理方法以及计算机可读存储介质 | |
US20190196971A1 (en) | Method for improving the execution time of a computer application | |
Li et al. | Causal Reinforcement Learning for Knowledge Graph Reasoning | |
JP2019211808A (ja) | 類似性評価装置、その方法、及びプログラム | |
Li et al. | Prediction of pareto dominance using an attribute tendency model for expensive multi-objective optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |