XiaoMi-AI文件搜索系统
World File Search System可分函数
LIPKA-BARTOSIK，Patryk Jan，PERARNAU LLOBET，Marti，BRUNNER，Nicolas。通过自主量子热机进行热力学计算。在：科学进步
我们开发了一种基于自主量子热机的经典计算物理模型。这些机器由连接到不同温度的几个环境的少数相互作用的量子比特 (qubit) 组成。这里利用流经机器的热流进行计算。该过程首先根据逻辑输入设置环境的温度。机器不断发展，最终达到非平衡稳定状态，从中可以通过辅助有限尺寸储层的温度确定计算的输出。这种机器，我们称之为“热力学神经元”，可以实现任何线性可分函数，我们明确讨论了 NOT、3-MAJORITY 和 NOR 门的情况。反过来，我们表明热力学神经元网络可以执行任何所需的功能。我们讨论了我们的模型与人工神经元（感知器）之间的密切联系，并认为我们的模型提供了一种基于物理的替代神经网络模拟实现，更广泛地说，是一种热力学计算平台。
人工智能：澄清误解，......
人工智能 (AI) 有着数十年的悠久传统。1956 年，麦卡锡在达特茅斯会议上首次提出了“人工智能”这个名称，从此开启了这一研究领域的热潮，并一直延续至今 (McCarthy et al., 2006)。人工智能最初的重点是符号模型和推理，随后出现了第一波神经网络 (NN) 和专家系统 (ES) 的浪潮 (Rosenblatt, 1957; Newel and Simon, 1976; Crevier, 1993)。当明斯基和帕普特 (Minsky and Papert, 1969) 证明感知器在学习非线性可分函数（例如异或 (XOR)）时存在问题时，该领域遭受了严重挫折。这极大地影响了人工智能在随后几年的发展，尤其是在神经网络领域。然而，在 20 世纪 80 年代，神经网络通过反向传播算法的发明而卷土重来（Rumelhart 等人，1986 年）。后来在 20 世纪 90 年代，关于智能代理的研究引起了广泛的兴趣（Wooldridge 和 Jennings，1995 年），例如探索感知和行为的耦合效应（Wolpert 和 Kawato，1998 年；Emmert-Streib，2003 年）。最后，在 21 世纪初，大数据的出现，导致了神经网络以深度神经网络 (DNN) 的形式再次复兴（Hochreiter 和 Schmidhuber，1997 年；Hinton 等人，2006 年；O'Leary，2013 年；LeCun 等人，2015 年）。这些年来，人工智能在机器人、语音识别、面部识别、医疗保健和金融等许多领域取得了巨大成功（Bahrammirzaee，2010；Brooks，1991；Krizhevsky 等人，2012；Hochreiter 和 Schmidhuber，1997；Thrun，2002；Yu 等人，2018）。重要的是，这些问题并不都属于一个领域，例如计算机科学，而是涉及心理学、神经科学、经济学和医学等多个学科。鉴于人工智能应用的广泛性和所用方法的多样性，毫不奇怪，看似