XiaoMi-AI文件搜索系统
World File Search System二进制
一种用于实现随机二进制尖峰时间相关可塑性的 CMOS-忆阻器混合系统
本文介绍了一个完全实验性的混合系统，其中使用定制的高阻态忆阻器和采用 180 nm CMOS 技术制造的模拟 CMOS 神经元组装了一个 4 × 4 忆阻交叉脉冲神经网络 (SNN)。定制忆阻器使用 NMOS 选择晶体管，该晶体管位于第二个 180 nm CMOS 芯片上。一个缺点是忆阻器的工作电流在微安范围内，而模拟 CMOS 神经元可能需要的工作电流在皮安范围内。一种可能的解决方案是使用紧凑电路将忆阻器域电流缩小到模拟 CMOS 神经元域电流至少 5-6 个数量级。在这里，我们建议使用基于 MOS 阶梯的片上紧凑电流分配器电路，将电流大幅衰减 5 个数量级以上。每个神经元之前都添加了这个电路。本文介绍了使用 4 × 4 1T1R 突触交叉开关和四个突触后 CMOS 电路的 SNN 电路的正确实验操作，每个电路都有一个 5 个十进制电流衰减器和一个积分激发神经元。它还演示了使用此小型系统进行的一次性赢家通吃训练和随机二进制脉冲时间依赖可塑性学习。
二进制椭圆曲线的另一个具体量子隐式分析
摘要。本文为二进制椭圆曲线提供了具体的量子密码分析，以实现时间效率的实现透视（即减少电路深度），并补充Banegas等人的先前研究，该研究的重点是空间效率的效率（即电路宽度）。为了实现深度优化，我们提出了改进Karatsuba乘数和基于FLT的反转的现有电路实现，然后在Qiskit Quantum Computer Simulator中构建和分析资源。提出的乘数架构，改善了Van Hoof等人的量子Karatsuba乘数，减少了与O（n log 2（3））界限的深度和较低的CNOT门，同时保持了相似数量的to效应和鸡蛋。此外，我们所证明的基于FLT的反演会减少CNOT数量和整体深度，并具有较高的量子量。最后，我们采用了拟议的乘数和基于FLT的IN-版本来执行二进制点添加的量子隐性分析以及用于椭圆曲线离散对数问题（ECDLP）的完整shor的算法。结果，除了减小深度外，与先前的工作相比，我们还能够降低多达90％的to oli门，从而显着改善，并提供对量子密码分析的新见解，以实现高度优化的实施。
用于二次二进制优化的更快的量子和经典 SDP 近似
这一问题自然出现在各个科学学科的许多应用中，例如图像压缩 [ 52 ]、潜在语义索引 [ 36 ]、社区检测 [ 48 ]、相关性聚类 [ 17 , 46 ] 和结构化主成分分析，例如参见 [ 38 , 37 ] 及其参考文献。从数学上讲，MaxQP s ( 1 ) 与计算矩阵的 ∞→ 1 范数密切相关。反过来，该范数与割范数密切相关（将 x ∈ {± 1 } n 替换为 x ∈ { 0 , 1 } n ），因为这两个范数之间的差只能为一个常数因子。这些范数是理论计算机科学中的一个重要概念 [ 24 , 3 , 2 ]，因为诸如识别图中最大割（ MaxCut ）之类的问题可以自然地表述为这些范数的实例。这种联系凸显了在最坏的情况下，（1）式的最优解是 NP 难计算的
使用二进制GA和2D-FVFEM宽带NRD指南设备的最佳设计†
开发使NRD技术成熟，并宣布非辐射电介质（NRD）波导是紧凑型毫米波电路应用程序1,2,3,4,5,6,7,8的最有吸引力的基础。NRD指南是毫米波集成电路的有前途的平台。具有各种功能的电路元素的研究，开发和设计尚不能力。经过广泛的研究，由于结构性和其他局限性的波导特性，具有非辐射传递和宽带的紧凑电路仍然很难。但是，NRD平台确保了所有这些磨石在一个地方，例如低成本，低辐射损失，高传输效率和宽带宽度。到目前为止，已经提出了基于NRD的几毫米波电路组件，其中包括定向耦合器，过滤器，循环器和天线9,10,11。仍然，在广泛的频段中尚未讨论许多具有不同功能的NRD指南组件。
根据二进制耦合剂的表面修饰，改善片状羰基铁的阻抗匹配
*通讯作者：Nanjing邮政与电信大学的电子与光学工程学院与微电子学院，Nanjing 210023，中华人民共和国电话： +86-25-858666131传真： +86-25-86-25-8585866131 Email Email：Guozhixie njupt.njupt.njupt.njupt.ive;
神经形态计算机上的稀疏二进制矩阵向量乘法
摘要 — 神经形态计算机提供了低功耗、高效计算的机会。虽然它们主要应用于神经网络任务，但也有机会利用神经形态计算机的固有特性（低功耗、大规模并行、共置处理和内存）来执行非神经网络任务。在这里，我们演示了一种在神经形态计算机上执行稀疏二进制矩阵向量乘法的方法。我们描述了这种方法，它依赖于二进制矩阵向量乘法和广度优先搜索之间的联系，并介绍了以神经形态方式执行此计算的算法。我们在模拟中验证了该方法。最后，我们讨论了该算法的运行时间，并讨论了未来神经形态计算机在执行此计算时可能具有计算优势的地方。索引术语 — 神经形态计算、图算法、矩阵向量乘法、脉冲神经网络
量子计算机上的二进制域蒙哥马利乘法
Google、IBM 等国际公司正在推进大规模量子计算机的研发。量子计算机在某些领域比经典计算机拥有更强大的计算能力，比如深度学习、化学、密码学等。如果研发出能够运行量子算法的大规模量子计算机，那么目前广泛使用的密码算法的安全性可能会降低甚至被突破。Shor 算法已经被证明可以突破 RSA 和椭圆曲线密码 (ECC) 的安全性。RSA 和 ECC 能够使用多久取决于量子计算机的发展和 Shor 算法的优化 [1]。在 [2] 中，作者估计对于 n 位密钥的 RSA，Shor 算法可以应用 2 n + 2 个量子比特。Gidney 估计了改进的 2 n + 1 个量子比特的数量 [3]。Shor 算法也可以应用于椭圆曲线中的离散对数 (即 ECC)。在 [4] 中，作者通过估算解决椭圆曲线离散对数所需的量子资源，指出 ECC 比 RSA 更容易受到量子计算机的攻击。在 [5] 中，作者证明了
利用二进制代码提高基于压力的身份验证的可用性
智能手机在日常生活中无处不在。由于许多敏感数据存储在智能手机上，因此访问智能手机需要身份验证。然而，传统的用户名和密码并不适合移动设备，因为智能手机没有触觉键盘，这使得数据输入繁琐且容易出错。因此，有人提出了锁定图案来代替智能手机上的打字，但它容易受到分析油性残留物的反射特性的涂抹攻击（Aviv 等人，2010 年）。此外，用户名/密码和锁定图案都容易受到肩窥攻击。为了解决上述问题，智能手机上已经实现了指纹或人脸识别。然而，这些生物特征认证需要一些专门的传感器/软件，
通过二进制残留神经网络合奏有效的布局热点检测
摘要 - 在物理验证流中，layout热点检测非常重要。深度神经网络模型已应用于热点检测并取得了巨大的成功。布局可以视为二进制图像。因此，二进制的neu-lal网络（BNN）可以适合热点检测问题。在本文中，我们提出了一个基于BNN的新深度学习档案，以加快热点检测中的神经网络。一个新的二进制残留神经网络经过精心设计用于热点检测。ICCAD 2012和2019基准的实验结果表明，我们的体系结构在检测准确性方面优于先前的热点探测器，并且比最佳基于深度学习的解决方案具有8倍的速度。由于基于BNN的模型在计算上是相当有效的，因此可以通过采用集合学习方法来实现良好的权衡。实验结果表明，集成模型比原始速度损失具有更好的热点检测性能。
二进制分类的随机森林模型的量子版本Kamil Khadiev A，Liliya Safina A
构建决策树随机森林使用诸如ID3，C4.5 [24]，C5.0 [1]，CART [10]等著名算法。我们建议使用构造决策树算法的量子版本创建一个随机的森林模型[19]。它允许我们为（√）构建树，是训练数据集的大小，是每个元素的许多属性，是树高（给定参数）。在经典情况下，运行时间等于二进制分类问题。变量，每棵树都不同，并通过包装方法选择。此外，在这项工作[5]中，作者考虑了他们注意到伪随机数和量子随机数发生器对量子随机森林的影响的问题。我们还可以使用其他量子决策树构造算法[22]或使用随机森林的经典版本[14]。