小编Tan*_*ath的帖子

我一直在使用Lindblad方程对开放量子系统建模工作很长时间.汉密尔顿主义者如下:

然而,另外两个矩阵被添加到哈密顿量.其中一个的所有对角线项都等于-33.3333i,其他一切都为零.另一个是矩阵,第三个对角线项等于-0.033333i.

Lindblad方程是这样的:

其中L_i是矩阵(在列表中:[L1,L2,L3,L4,L5,L6,L7]).L_i的矩阵只是一个7x7矩阵,除了L_(ii)= 1之外全零.H是总哈密顿量, 是密度矩阵,和 是一个等于的常数 其中T是温度,k是玻尔兹曼常数,和 ,其中h是普朗克常数.(请注意,gamma是自然单位)

以下代码解决了Lindblad方程,因此计算密度矩阵.然后计算并绘制这个与时间的关系:

这被称为站点3人口. 被称为胸罩和 被称为ket.两者都是载体.在这种情况下,请参阅代码以了解其定义.

这是代码:

from qutip import Qobj, Options, mesolve
import numpy as np
import scipy
from math import *
import matplotlib.pyplot as plt

hamiltonian = np.array([
    [215, -104.1, 5.1, -4.3, 4.7, -15.1, -7.8],
    [-104.1, 220.0, 32.6, 7.1, 5.4, 8.3, 0.8],
    [5.1, 32.6, 0.0, -46.8, 1.0, -8.1, 5.1],
    [-4.3, 7.1, -46.8, 125.0, -70.7, -14.7, -61.5],
    [4.7, 5.4, 1.0, -70.7, 450.0, 89.7, -2.5],
    [-15.1, 8.3, …

我有一个主要包含 OpenCV 和 NumPy 的程序，还有一些 SciPy。该系统需要是帧速率接近 30 fps 但现在只有 10 fps 左右的实时系统。使用 Cython 会帮助加快速度吗？我问是因为 OpenCV 已经是用 C++ 编写的，应该已经相当优化了，而 NumPy，据我所知，也相当优化。那么使用 Cython 是否有助于改善我的程序的处理时间？

我有大约100个7x7因变量矩阵(所以49个因变量).我的自变量是时间.我正在做一个物理项目,我应该通过求解ODE获得矩阵函数(矩阵的每个元素都是时间的函数).我使用了numpy的ODE求解器,它给出了我在不同时间评估的矩阵函数的数值答案.现在有了这些矩阵和时间,我想找到每个元素矩阵的时间相关表达式,以获得与时间相关的矩阵.我听说我应该做的是找到一个帽子矩阵,我猜测预测值或拟合值将是我的7x7矩阵,响应值将是一系列次数.那么如何在Python中找到这个帽子矩阵呢？

我最初想的是使用他们的LinearRegression模型在scikit-learn中进行多项式回归.那会有用吗？在StatsModel中是否有可能采用scipy或numpy方式？

基本上我想从:

至:

显然,我将使用更多测试用例,但这是整体想法.所以我将有单变量X(X将是不同时间的数组)和多变量Y(Y将是在不同时间评估的矩阵)

在上面的例子中,t = 1将包含在X阵列中,Y阵列将具有第一个矩阵

我有一个 np.complex128 数字列表，但对于所有数字，复数部分都为零。如何提取数字的实部（这几乎是数字的唯一部分）？

另一方面，我想做 scipy 集成，但我不确定他们的集成方法是否可以处理具有 np.complex128 dtype 的 y 样本。