XiaoMi-AI文件搜索系统
World File Search System二进制
针对大视场光学干涉仪特性优化的二进制伪随机阵列测试标准
最近，已经演示了一种用于校准各种计量仪器的调制传递函数 (MTF) 的技术。该技术基于结构为一维二进制伪随机 (BPR) 序列和二维 BPR 阵列 (BPRA) 的测试样本。BPR 光栅（序列）和阵列的固有功率谱密度具有确定性的白噪声特性，允许在仪器的整个空间频率范围和视场内以均匀的灵敏度直接确定 MTF。因此，BPR 样品满足测试标准的特征：功能性、易于规范和制造、可重复性以及对制造误差的低敏感性。在这里，我们讨论了我们最近针对优化样品设计、制造、应用和数据处理程序的进展，适用于对大孔径光学干涉仪进行彻底表征。与之前基于编码孔径的设计相比，新测试标准改进的“高度随机化”BPRA 模式提供了更好的仪器 MTF 和像差表征精度和可靠性，并实现了大孔径光学干涉仪的操作优化。我们描述了模式生成算法和测试，以验证是否符合所需的 BPRA 地形。还讨论了该技术不同应用的数据采集和分析程序。
高阶无约束二进制优化和 MIMO 最大似然检测的量子算法
摘要 — 在本文中，我们提出了一种支持实值高阶无约束二进制优化 (HUBO) 问题的量子算法。该算法基于 Grover 自适应搜索，该搜索最初支持具有整数系数的 HUBO。接下来，作为应用示例，我们将多输入多输出最大似然检测公式化为具有实值系数的 HUBO 问题，其中我们使用 5G 标准中指定的格雷编码位到符号映射。所提出的方法使我们能够为检测问题构建有效的量子电路，并分析所需量子比特和量子门的特定数量，而其他传统研究假设这种电路可作为量子预言机。为了进一步加速量子算法，我们还推导出目标函数值的概率分布，并确定一个唯一阈值以采样更好的状态。假设未来出现容错量子计算，我们提出的算法有可能显著降低经典领域的查询复杂性，并在量子领域提供二次加速。
基于自旋轨道扭矩的交叉阵列用于抗错误二进制卷积神经网络
摘要 — 卷积神经网络 (CNN) 是最重要的深度神经网络 (DNN) 类别之一，有助于解决许多与图像识别和计算机视觉相关的任务。它们使用传统 CMOS 技术和数字设计技术的传统实现仍然被认为非常耗能。浮点 CNN 主要依赖于 MAC（乘法和累加）运算。最近，基于 XNOR 和位计数运算的经济高效的 Bite-wise CNN 已被视为可能的硬件实现候选。然而，由于内存和计算核心之间密集的数据提取导致的冯诺依曼瓶颈限制了它们在硬件上的可扩展性。XNOR-BITCOUNT 操作可以通过在忆阻交叉开关阵列上执行的内存计算 (IMC) 范例轻松实现。在新兴的忆阻设备中，自旋轨道扭矩磁随机存取存储器 (SOT-MRAM) 提供了具有更高导通电阻的可能性，从而可以降低读取电流，因为所有交叉开关阵列都是并行读取的。这有助于进一步降低能耗，为更大的交叉开关设计铺平道路。本研究提出了一种基于 SOT-MRAM 的交叉开关架构，能耗极低；我们研究了工艺变异性对突触权重的影响，并对整个交叉开关阵列进行了蒙特卡罗模拟，以评估错误率。模拟结果表明，与其他忆阻解决方案相比，此实现的能耗较低，每次读取操作的能耗为 65.89 fJ。该设计对工艺变化也具有很强的鲁棒性，读取误差极低，最高可达 10%。
类似CMOL的Memristor-CMOS神经形态芯片核心，展示了随机二进制STDP
摘要 - 纳米级候选人的出现提出了能够构建CMOL（CMOS/纳米线/分子）类型的超密集内存内计算电路架构的希望。在CMOL中，将在纳米线的交点上制造纳米级备忘录。CMOL概念可以通过在CMO上制造较低密度的神经元并与纳米线和纳米级 - 墨西哥纤维织物放置在顶部的纳米线和纳米级 - 梅斯托织物，从而在神经形态硬件中利用CMOL概念。但是，技术问题阻碍了目前可靠的可靠商业单片CMOS-MEMRISTOR技术的这种开发。一方面，每个备忘录都需要串联的MOS选择器晶体管，以确保大型阵列的形式和编程操作。这会导致复合Mos-Memristor突触（称为1T1R），这些突触不再是纳米线穿越时的突触。另一方面，回忆录尚未构成高度可靠，稳定的模拟记忆，用于逐步学习的大规模模拟重量突触。在这里，我们演示了一种伪 - 旋转整体芯片核心，该芯片绕过上面提到的两个技术问题：（a）利用一种类似CMOL的几何芯片布局技术来提高1T1R的限制，以及（b）利用二进制重量跨度的依赖性依赖性（s sTD），该规则（b）更大的二进制重量跨度的依赖性（b）使用的备忘录。实验结果是针对具有64个输入神经元，64个输出神经元和4096 1T1R突触的尖峰神经网络（SNN）CMOL核心提供的，该突触在顶部为200nm大小的TI/HFOX/TIN MEMRISTOR的130nm CMO制造。cmol-core使用查询驱动的事件读取，这允许内存可变性不敏感的计算。实验系统级别的演示是针对普通模板匹配任务的，以及正则化的随机二进制STDP特征提取学习，可在硬件中获得完美的识别，以进行4个字母的识别实验。
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]。
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。
空间旋转：带有Spintronics实施的基于空间辍学的二进制贝叶斯神经网络
摘要 - 机器学习系统在实时，关键的决策领域（例如自动驾驶和工业自动化）中获得了突出性。他们的实现应通过不确定性估计来避免过度自信的预测。贝叶斯神经网络（Baynns）是估计预测不确定性的原则方法。但是，它们的计算成本和功耗阻碍了它们在Edge AI中的广泛部署。利用辍学作为后验分布的近似值，将贝恩的参数进行二进制，以及在基于Spintronics基于旋转的计算中（CIM）硬件阵列中实现它们的进一步，可以提供可行的解决方案。但是，设计用于卷积神经网络（CNN）拓扑的硬件辍学模块是具有挑战性且昂贵的，因为它们可能需要大量的辍学模块，并且需要使用空间信息来删除某些元素。在本文中，我们引入了MC-SpatialDropout，这是一种基于空间辍学的近似贝恩，带有Spintronics的新兴设备。我们的方法利用Spintronic设备的固有随机性与现有实现相比有效地实现了空间辍学模块。此外，每个网络层的辍学模块的数量减少了9倍，能量消耗量为94。11×，同时与相关工作相比仍能实现可比的预测性能和不确定性估计。
用于二进制场乘法的 Toffoli 门数优化的空间高效量子电路
摘要：Shor 算法在多项式时间内解决了椭圆曲线离散对数问题 (ECDLP)。为了优化二进制椭圆曲线的 Shor 算法，降低二进制域乘法的成本至关重要，因为它是最昂贵的基本算法。在本文中，我们提出了用于二进制域 (F 2 n) 乘法的 Toffoli 门数优化的空间高效量子电路。为此，我们利用类 Karatsuba 公式并证明其应用可以在没有辅助量子位的情况下提供，并在 CNOT 门和深度方面对其进行了优化。基于类 Karatsuba 公式，我们驱动了一种空间高效的基于 CRT 的乘法，该乘法采用两种非原地乘法算法来降低 CNOT 门成本。我们的量子电路不使用辅助量子位，并且 TOF 门数极低，为 O ( n 2 log ∗ 2 n )，其中 log ∗ 2 是一个增长非常缓慢的迭代对数函数。与最近基于 Karatsuba 的空间高效量子电路相比，我们的电路仅需要 Toffoli 门数的 (12 ∼ 24%)，且加密字段大小 ( n = 233 ∼ 571 ) 具有可比深度。据我们所知，这是第一个在量子电路中使用类似 Karatsuba 的公式和基于 CRT 的乘法的结果。
通过二进制分类检测肺炎：支持向量机（SVM）的经典，量子和混合方法
早期肺炎的早期诊断对于增加生存机会并减少患者的恢复时间至关重要。胸部X射线图像是实践中最广泛使用的方法，它具有挑战性地进行分类。我们的目的是开发一种机器学习工具，该工具可以准确地将图像分类为属于正常或受感染的个体。支持向量机（SVM）很有吸引力，因为二进制分类可以表示为优化问题，特别是作为二次不约束的二进制二进制优化（QUBO）模型，而这又自然地映射到Ising模型上，从而使退火 - 级别，阶级，量子，量子和杂种 - 以探索有吸引力的方法。在这项研究中，我们进行了不同方法之间的比较：（1）SVM（LIBSVM）的经典最新实施； （2）用经典求解器（Gurobi）求解SVM，有或没有分解； （3）用模拟退火解决SVM； （4）用量子退火求解SVM（D-WAVE）； （5）使用Graver增强多种子算法（GAMA）求解SVM。使用模拟退火和量子退火，尝试了几个不同数量的graver元素和许多种子。我们发现模拟的退火和GAMA（带有模拟退火）是可比的，可以快速提供准确的结果，与LIBSVM竞争，并且优于Gurobi和Quarobi和Quantum退火。
计算机系统组件及其使用方法...
• 人们开发了不同的代码，并用它们以二进制格式重新表示用户输入的数据。二进制系统用二进制数字 0 和 1 表示每种数据类型。由于这些代码将数据转换为二进制形式，因此计算机代码也称为二进制代码。 • 十进制系统并不是计算机用户使用的唯一数字系统。计算机专业人员根据自己的要求使用不同的数字系统与计算机系统进行通信。因此，在了解各种计算机代码之前，我们需要了解数字系统的概念。