XiaoMi-AI文件搜索系统
World File Search System充分条件
对称态的量子边际问题
摘要 在本文中，我们提出了一种解决对称 d 级系统量子边际问题的方法。该方法建立在一个高效的半定程序之上，该程序使用 m 体约化密度与对称空间上支持的全局 n 体密度矩阵的兼容性条件。我们通过几个示例性案例研究说明了该方法在中心量子信息问题中的适用性。即 (i) 一种快速变分假设，用于优化对称状态下的局部哈密顿量，(ii) 一种优化对称状态下的对称少体贝尔算子的方法，以及 (iii) 一组充分条件来确定哪些对称状态不能从少体可观测量中进行自我测试。作为我们研究结果的副产品，我们还提供了 n 量子比特 Dicke 态的任意叠加与键维数为 n 的平移不变对角矩阵积态之间的通用分析对应关系。
通过图积表征复合复杂网络的能量相关可控性
摘要——本文描述了复合复杂网络的能量相关可控性。我们考虑一类通过笛卡尔积由简单因子网络构建的复合网络。所考虑的因子网络是具有基于邻居的拉普拉斯动力学的领导者-追随者符号网络，采用正边和负边来捕捉网络单元之间的合作和竞争相互作用。与大多数现有的关注经典可控性的研究不同，本文从能量相关的角度研究了复合网络的可控性。具体而言，基于笛卡尔图积来表征可控性格拉姆度量，包括平均可控性和体积控制能量，这揭示了如何从局部因子系统的谱特性推断出复合网络的能量相关可控性。然后，这些结果扩展到分层控制网络，这是一种特殊但广泛使用的网络结构，在许多人造系统中使用。由于结构平衡是符号网络的关键拓扑性质，因此，提出了验证复合符号网络结构平衡的必要充分条件，适用于广义图积。
![arXiv:2003.14280v1 [math.PR] 2020 年 3 月 31 日](/simg/g:\will\search\icon\source\f\f72935e638b7b98d6b0ac1809d5ecb3ba388267e.webp)
arXiv:2003.14280v1 [math.PR] 2020 年 3 月 31 日
摘要. 在本研究中，我们研究了随机环境中的定向聚合物 (DPRE) 的情况，此时随机游走的增量是重尾的，尾部指数等于零（P [ | X 1 | ≥ n ] 的衰减速度比 n 的任何幂都慢）。这种情况还没有在定向聚合物的背景下进行研究，并且与简单对称随机游动情况以及增量属于 α 稳定定律的吸引域的情况（其中 α ∈ (0, 2)）存在关键区别。我们建立了对每个无序分布都不存在非常强的无序区域 - 即自由能在每个温度下都等于零。我们还证明了强无序区域（分配函数在低温下收敛到零）可能存在或不存在取决于随机游动的更精细性质：我们建立了从弱无序到强无序的相变的非匹配必要充分条件。特别是我们的结果意味着对于这种定向聚合物模型，非常强的无序并不等同于强无序，这为关于原始最近邻 DPRE 的长期猜想提供了新的见解。
一般约束下的高效防策略机制∗
本研究探讨了在约束条件下分配不可分割商品的有效且防策略机制。首先，我们考察一个没有禀赋的设定。在这个设定中，我们引入了一类约束，即有序可访问性，对于该约束，串行独裁机制是帕累托有效 (PE)、个体理性 (IR) 和群体防策略 (GSP)。然后，我们证明可访问性是 PE、IR 和 GSP 机制存在的必要条件。此外，我们表明，如果一所学校具有任意可访问约束，而其他每所学校都有容量约束，则具有动态构造顺序的 SD 机制满足 PE、IR 和 GSP。其次，我们考察一个有禀赋的设定。我们发现，广义拟阵是约束结构上存在 PE、IR 和防策略 (SP) 机制的必要充分条件。我们还证明，在任何广义拟阵约束下，顶级交易周期机制都满足 PE、IR 和 GSP。最后，我们观察到，PE、IR 和 GSP 三个属性中的任意两个都可以在一般约束下实现。
人工智能失调的后果
人工智能系统通常依赖于两个关键组成部分：指定的目标或奖励函数，以及用于计算该目标的最佳行为的优化算法。这种方法旨在为委托人提供价值：代理代表其行事的用户。赋予这些代理的目标通常是指委托人目标的部分规范。我们通过分析资源受限世界中的委托人和代理模型来考虑这种不完整性的成本，其中状态的 L 个属性对应于委托人的不同效用来源。我们假设给予代理的奖励函数仅支持 J < L 个属性。我们论文的贡献如下：1）我们提出了一种来自人工智能的不完全委托代理问题的新模型；2）我们提供了必要和充分条件，在这些条件下，对任何不完全代理目标进行无限优化都会导致任意低的整体效用； 3) 我们展示了如何修改设置以允许引用完整状态的奖励函数或允许委托人随时间更新代理目标，从而获得更高效的解决方案。本文的结果表明，我们应该将奖励函数的设计视为一个交互式动态过程，并确定了一种需要一定程度交互性的理论场景。
思想、大脑和程序
摘要：本文可视为对两个命题后果的探索。（1）人类（和动物）的意向性是大脑因果特征的产物。我认为这是关于心理过程和大脑之间实际因果关系的经验事实。它简单地说，某些大脑过程足以产生意向性。（2）实例化计算机程序本身永远不是意向性的充分条件。本文的主要论点是针对建立这一主张。论证的形式是展示人类代理如何实例化程序而仍然不具有相关的意向性。这两个命题有以下后果：（3）大脑如何产生意向性的解释不能是它通过实例化计算机程序来实现。这是1和2的严格逻辑结果。（4）任何能够产生意向性的机制都必须具有与大脑相等的因果能力。这应该是 1 的一个微不足道的结果。（5）任何试图人为地创造意向性（强人工智能）的尝试都不可能仅通过设计程序而成功，而必须复制人脑的因果能力。这从 2 和 4 中得出。“机器能思考吗？”根据这里提出的论点，只有机器才能思考，而且只有非常特殊的机器，即大脑和具有与大脑相当的内部因果能力的机器。这就是为什么强人工智能很少能告诉我们关于思考的事情，因为它不是关于机器而是关于程序，而没有一个程序本身足以进行思考。
![arXiv:2211.04868v1 [quant-ph] 2022 年 11 月 9 日](/simg/g:\will\search\icon\source\1\126e5b8372f6690252371cc4946c07f77a351c04.webp)
arXiv:2211.04868v1 [quant-ph] 2022 年 11 月 9 日
这里{ pi }是概率分布，ρ i A 和ρ i B 分别为子系统A和B的状态，则它是可分离的，否则它是纠缠的。对于2 ⊗ 2和2 ⊗ 3系统，上述问题可以通过Peres-Horodecki准则完全解决：二分状态ρ AB 是可分离的当且仅当它是正部分转置（PPT），即（id⊗T）（ρAB）≥0[6]。然而对于任意维系统，该问题是NP难的[7]。在过去的二十年中，还有其他几个突出的准则。可计算交叉范数或重排准则（CCNR）准则由Rudolph[8]以及Chen和Wu[9]提出。 2006 年，作者提出了局部不确定性关系 (LUR)，并证明 LUR 比 CCNR 准则更强 [10]。2007 年，作者提出了一个基于 Bloch 表示的准则 [11]。随后，张等人提出了增强重排准则 [12]。2015 年，作者提出了一种改进的 CCNR 准则，并证明其比 CCNR 准则更强 [13]。2018 年，尚等人提出了二分状态可分性的充分条件，称为 ESIC 准则 [14]。最近，Sarbicki 等人提出了一类基于状态的 Bloch 表示的可分性准则 [15]。随后，他们证明
加密审查
摘要：我们制定并朝着证明弱宇宙审查猜想的量子版本迈出了两大步。我们首先证明“密码审查”：一个定理，表明当全息 CFT 的时间演化算子在某些代码子空间上近似为伪随机（或 Haar 随机）时，则在相应的体对偶中一定存在事件视界。这个结果提供了一个一般条件，保证（在有限时间内）事件视界的形成，同时对全局时空结构做最少的假设。我们的定理依赖于最近量子学习不可行定理的扩展，并使用伪随机测量集中的新技术来证明。为了将此结果应用于宇宙审查，我们将奇点分为经典、半普朗克和普朗克类型。我们说明经典和半普朗克奇点与近似伪随机 CFT 时间演化兼容；因此，如果此类奇点确实近似伪随机，那么根据密码审查，它们在不存在事件视界的情况下不可能存在。该结果提供了一个充分条件，保证了关于量子混沌和热化的开创性全息结果（其普遍适用性依赖于视界的典型性）不会因 AdS/CFT 中裸奇点的形成而失效。
量子资源的概率变换
由于难以确定性地操纵量子资源，因此通常需要使用概率协议，但对其能力和局限性的描述却一直缺乏。我们通过引入一种遵循非常强的单调性的新资源单调性来开发一种解决此问题的通用方法：它可以排除任何量子资源理论中状态之间的所有转换（概率或确定性）。这使我们能够对状态转换施加根本限制，并限制概率协议相对于确定性协议的优势，从而大大加强了以前的发现并扩展了最近的禁行定理。我们应用我们的结果来获得概率蒸馏协议的错误和开销的界限的显着改进，可直接应用于纠缠或魔法状态蒸馏等任务，并且可通过凸优化进行计算。在广泛的资源类别中，我们加强了我们的结果，以表明单调性完全控制概率转换——它是状态可转换性的必要和充分条件。这赋予单调性直接的操作解释，因为它可以通过任何概率操作协议精确量化资源提炼任务中可实现的最高保真度。
人工智能投资建议：用户会买账吗？
本文开发了一个人工智能接受的态度-感知-意图 (API) 模型，以解释个人接受基于人工智能的建议的行为意图，该意图取决于对人工智能的态度、信任和感知准确性，并以风险水平为调节因素。通过使用模拟的人工智能投资推荐系统进行的参与者间实验 (N = 368)，对 API 模型进行了实证验证。一种实验条件描绘了涉及蓝筹股的低风险投资建议，而另一种实验条件描绘了涉及低价股的高风险投资建议。对人工智能的态度预示了接受基于人工智能的建议的行为意图、对人工智能的信任以及对人工智能的感知准确性。此外，风险水平成为一个重要的调节因素。当风险较低时，对人工智能的良好态度似乎足以促进对算法的依赖。然而，当风险很高时，对人工智能的良好态度是人工智能接受的必要但不再是充分条件。 API 模型为人机交互文献做出了贡献，它不仅阐明了用户如何接受人工智能建议的潜在心理机制，而且还增加了对人工智能推荐系统在需要直觉的高参与度服务（例如金融）中的应用的学术理解，在这种服务中，人类顾问通常比机器生成的建议更受青睐。