XiaoMi-AI文件搜索系统
World File Search System分而治之
分而治之的组合优化和分布式量子计算
摘要 — 扩展单片量子计算机系统的规模是一项艰巨的任务。随着设备内量子比特数量的增加，许多因素会导致产量和性能下降。为了应对这一挑战，由许多联网量子计算机组成的分布式架构已被提议作为实现可扩展性的可行途径。这样的系统将需要针对其分布式架构量身定制的算法和编译器。在这项工作中，我们引入了量子分而治之算法 (QDCA)，这是一种将大型组合优化问题映射到分布式量子架构上的混合变分方法。这是通过结合使用图形分区和量子电路切割来实现的。QDCA 是应用程序-编译器协同设计的一个例子，它改变了变分假设的结构，以控制量子电路切割带来的指数编译开销。这种跨层协同设计的结果是一种高度灵活的算法，可以根据可用的经典或量子计算资源量进行调整，并可应用于短期和长期分布式量子架构。我们在最大独立集问题实例上模拟了 QDCA，发现它能够胜过类似的经典算法。我们还在超导量子计算机上评估了 8 量子比特 QDCA 假设，并表明电路切割有助于减轻噪声的影响。我们的工作展示了多少台小型量子计算机可以协同解决比其自身量子比特数大 85% 的问题，从而推动了大规模分布式量子计算的发展和潜力。
噪声中型量子计算的分而治之验证方法
若干个带噪声的中型量子计算可以看作是稀疏量子计算芯片上的对数深度量子电路，其中两量子比特门只能直接应用于某些量子比特对。本文提出一种有效验证此类带噪声的中型量子计算的方法。为此，我们首先相对于钻石范数刻画小规模量子操作。然后利用这些刻画的量子操作，估计带噪声的中型量子计算得到的实际n量子比特输出态ˆρout|ψt⟩与理想输出态（即目标态）|ψt⟩之间的保真度⟨ψt|ˆρout|ψt⟩。尽管直接保真度估计方法平均需要 O (2 n ) 个 ˆ ρ 副本，但我们的方法即使在最坏情况下也只需要 O ( D 3 2 12 D ) 个副本，其中 D 是 | ψ t ⟩ 的稠密性。对于稀疏芯片上的对数深度量子电路，D 最多为 O (log n ) ，因此 O ( D 3 2 12 D ) 是 n 的多项式。通过使用 IBM Manila 5 量子比特芯片，我们还进行了原理验证实验，以观察我们方法的实际性能。
分而治之：功能分解支持基于模型的网络物理系统指挥与控制工程
� 摘要 ���������������� �������� �������� ���������� ����� �� ...�� ���������� ���������� ���������� ���������� ���������� ���������� ���������� ���������� ���������� ���������� ������������ ������������ ������������ ������������ ������������ ������������ ������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������ ���� �������� ������ ������ ����������� ������ �������� ���� �������������� ���� ������ ������ ��������� �� �������� ������������ ���� ���� ������ ����� ���� ��������� ������������ ���� ���� ������ ��������� ����� ������������ ��� ����� ��������� ������������ ���� ��������� ���� ��������� ���� ���������� ��� ����� ��� ���� ���������� ���� �������� ���� ���������� ���� �������� ������ ���� ���������� ������� ����� ��� ��� ���������� ���� �������������������������������������������������������������������� ��� ���� ������������ ��� ���� �������� ��������� ��� ���� �������� ���� �������� �������� �������������������� ������� ������
通过机械可解释性来解释人工智能
可解释人工智能 (XAI) 领域的最新研究试图通过分而治之的策略使不透明的 AI 系统变得易于理解。然而，这无法阐明经过训练的 AI 系统作为一个整体是如何工作的。然而，正是这种功能性理解才是满足安全等重要社会需求所必需的。为了解决这种情况，我们认为，AI 研究人员应该寻求机械可解释性，即应用生命科学中熟悉的协调发现策略来揭示复杂 AI 系统的功能组织。此外，理论家在描述 XAI 研究时应该考虑到此类策略的独特成本和收益。
系统分解及其要求 - mediaTUM
在软件系统开发中，公司试图通过与不同的子系统分包商签约来处理其系统日益增长的规模和复杂性。对于分布式开发和顺利集成，一个主要的挑战是从系统规范中推导出子系统规范，以便将其交付给分包商。因此，彻底的需求工程为成功的系统开发奠定了基础，采用这种分而治之的方法，为分包商提供他们需要的所有信息。子系统需求中缺少信息是成功进行分布式开发的陷阱，因此子系统需求不能完全满足整个系统需求，或者由于各个子系统的规范不一致，在集成过程中子系统之间不匹配。因此，本研究的研究目标是研究需求工程师如何系统地从系统需求规范中推导出子系统需求规范。指导问题是：
使用干扰感知停机位分配方法减少机场对环境的影响
现代机场管理面临的挑战是如何在遵守环境政策、限制、航班中断和容量限制的同时最有效地运营飞机停机位。本研究提出了一种解决停机位分配问题的新框架，该框架使用分而治之的方法结合贝叶斯建模、模拟和优化，在现实条件下产生污染较少的解决方案。该框架提出了三个创新方面。首先，随机分析模块的输入用于多变量优化，以生成可变性稳健解决方案。其次，优化和模拟相结合，用于精细探索框架未捕捉到的现实不确定性的影响。最后，该框架将人类作为运营条件的最终控制者。案例研究作为概念证明，展示了可实现的结果和所提框架的好处。实验结果表明，该框架在现实条件下产生了污染较少的解决方案。
![环[16]碳分子振动诱发芳香性逆转的支持信息](/simg/4\475bbd90ff890fcbc00a39bf4d3123a6eb5da1d6.webp)
环[16]碳分子振动诱发芳香性逆转的支持信息
T 1 态。对于三重态，CCSD(T) 和 CASSCF 的结果大致相同，CCSD 的结果要差得多（图 S1b）。在分而治之的 q-UCCSD 方法中加入自旋翻转似乎是必不可少的，这导致垂直激发能量相对于 CASSCF 提高了约 1.2 eV。由于三重态的 HF 参考是 |11 20>（平面外三重态，平面内单重态），因此自旋翻转允许的 q-UCCSD 的优越性能的一个可能解释是它可以访问 |20 11> 配置（平面外单重态，平面内三重态），这对整体波函数有重要贡献（参见正文中的图 4a）。特别值得注意的是，带有自旋翻转的 q-UCCSD 方法找到了与 CASSCF 相同的最小值，并且总体上比 CCSD 产生了更好的结果。由于起点不佳，零 BLA 几何仍然很困难，尽管这种电子状态比 S0（一个 π 系统中四个近简并自旋轨道中的两个电子）的病态性要小。
认知研究可以为人工智能做些什么：案例研究
从历史角度来看，人工智能研究一直以认知科学领域的计算机科学家、心理学家、工程师、哲学家和生物学家之间的密切合作为基础。这种合作受到控制论方法对自然和人工系统研究的影响，多年来，在仿生学、机器人学、生物和神经启发系统以及更普遍的认知人工系统和系统科学领域形成了卓有成效的研究方向 [ 1 ][ 2 ]。然而，经过数十年的相互和开创性的合作，人工智能和认知科学已经产生了几个子学科，每个学科都有自己的目标、方法和评估标准。一方面，这种分裂促进了一些人工智能系统的发展，这些系统能够在受限领域（例如计算机视觉，或国际象棋、Jeopardy、围棋等游戏）产生超人的能力。但另一方面，它基于一种分而治之的方法，极大地阻碍了跨领域合作和科学努力，这些努力旨在更全面地了解自然和人工智能是什么，以及如何通过考虑来自自然界的见解来设计智能制品。然而，近年来，认知启发的人工系统领域重新引起了学术界和工业界的关注，人们普遍意识到需要在这个跨学科领域进行更多研究。事实上，用 Aaron Sloman 的话来说，“
考虑结果质量要求的人类+人工智能群体任务分配
本文探讨了向由人工智能和人类工作者组成的群体动态分配任务的问题。目前，众包创建人工智能程序是一种常见的做法。为了将这类人工智能程序应用于一组任务，我们通常采取“全有或全无”的方法，等待人工智能足够好。然而，这种方法可能会阻止我们在过程完成之前利用人工智能提供的答案，也会阻止探索不同的人工智能候选者。因此，将创建的人工智能与其他人工智能和人工计算相结合，以获得更高效的人机团队并非易事。在本文中，我们提出了一种解决这些问题的方法，即采用“分而治之”的策略来评估人工智能工作者。在这里，只要最终结果满足给定的质量要求，分配给人类的任务数量最少，分配就是最优的。本文对所提出的方法进行了理论分析，并利用开放基准和真实数据集进行了大量的实验。结果表明，当人工智能难以满足整个任务集的质量要求时，该算法可以向人工智能分配比基线多得多的任务。它们还表明，它可以根据现有人工智能工作者的表现灵活地改变分配给多个人工智能工作者的任务数量。