XiaoMi-AI文件搜索系统
World File Search System实用化
战略分类实用化
请注意，博弈是由模型本身引起的，间接地通过它如何塑造用户激励而对其造成损害。从这个意义上讲，战略分类体现了机器学习如何遵守古德哈特定律，这是一项政策制定原则，指出“当一项措施成为目标时，它就不再是一项好的措施”。因此，战略分类简洁地捕捉了基于学习的系统与其用户之间产生的一种自然形式的紧张关系。最近关于该主题的研究很多，研究了诸如泛化（Sundaram 等人，2020 年；Zhang & Conitzer，2021 年）、均衡和动态（Perdomo 等人，2020 年；Brown 等人，2020 年；Izzo 等人，2021 年；Miller 等人，2021 年）、在线学习（Dong 等人，2018 年；Chen 等人，2019 年；Ahmadi 等人，2020 年）、因果关系和决策结果（Kleinberg & Raghavan，2019 年；Rosenfeld 等人，2020 年；Shavit 等人，2020 年；Bechavod 等人，2020 年；Miller 等人）等方面。 ，2020）、透明度（Ghalme等，2021；Bechavod等，2021）和社会视角（Hu等，2019；Milli等，2019；Chen等，2020）。
2021 年墨子量子奖的科学背景：超导量子电路简史，引领超导量子实用化
20 世纪 80 年代初，莱格特 [4] 提出实验来检验宏观集体变量是否具有量子力学行为。他对传统的哥本哈根诠释提出了质疑，根据哥本哈根诠释，世界分为遵循量子力学的微观系统和行为经典的宏观系统（包括测量仪器）。特别是，他认为，约瑟夫森隧道结两端的相位差（本质上是两端电压的积分）所表示的宏观集体变量可以足够无摩擦，从而可用于检验宏观层面量子力学的有效性。在确定两个相干宏观态存在的过程中，莱格特指出的一个重要中间步骤是宏观量子隧穿 (MQT) 的存在，其中集体宏观变量穿过势垒。
重大问题的关键绩效指标 (KPI)
◆ 可持续发展的亮点 上年度，低环境负荷锂离子电池回收工艺开发被日本新能源产业技术综合开发机构（NEDO）选定为绿色创新基金项目，并推进了旨在实现该技术试点的举措。我们以设定的KPI为目标，稳步推进要素技术的开发，并开始与汽车和电池制造商讨论技术实用化所需的品质等话题。
![arXiv:2501.04957v1 [quant-ph] 2025 年 1 月 9 日](/simg/g:\will\search\icon\source\4\4675215255facc1da84b045fc2a0a6414a23d5fc.png)
arXiv:2501.04957v1 [quant-ph] 2025 年 1 月 9 日
量子数字签名（QDS）基于量子力学原理，提供信息论安全性，确保数据传输的完整性、真实性和不可否认性。在现有的 QDS 协议下，与测量设备无关的 QDS（MDI-QDS）可以抵抗所有针对检测的攻击，但它受到有限尺寸效应的影响。在本文中，我们提出并比较了三种用于双诱饵 MDI-QDS 有限尺寸分析的参数估计模型。第一个模型是以前方案中常用的模型，我们提出了两个新模型来提高性能。随后，我们进行数值模拟以评估这三个模型的性能。结果表明，所提出的方法受有限尺寸效应的影响较小，从而有效提高签名率。这项工作有助于 QDS 的实用化发展。
基于集成卷积神经网络在门诊环境下解码耳部脑电信号中的事件相关电位
摘要 — 近年来，实用化的脑机接口正在积极开展，尤其是在移动环境中。然而，当用户移动时，脑电图 (EEG) 信号会受到运动伪影和肌电图信号的干扰，从而难以识别人的意图。此外，由于硬件问题也具有挑战性，耳部脑电图已被开发用于实用的脑机接口并得到广泛应用。在本文中，我们提出了基于集成的卷积神经网络在移动环境中的应用，并从统计分析和脑机接口性能方面分析了头皮和耳部脑电图中的视觉事件相关电位响应。当以 1.6 m/s 的速度快速行走时，脑机接口性能会下降 3–14%。所提出的方法显示曲线下面积的平均为 0.728。所提出的方法对移动环境和不平衡数据也表现出很强的鲁棒性。索引词 — 脑机接口、移动环境、耳部脑电图、事件相关电位、集成 CNN
新技术研究计划 东洋炭素株式会社（总部：大阪市北区；董事长、总裁兼首席执行官：近藤直孝；以下简称“
新技术研究计划 东洋炭素株式会社（总部：大阪市北区；董事长、总裁兼首席执行官：近藤直孝；以下简称“公司”）欣然宣布，“石墨材料非化石原料的研究与开发”（以下简称“研究”）已被提议并被采纳为研发项目的研究主题，“开发用于生产合成石墨的创新技术以摆脱对化石衍生原料的依赖”是 NEDO 2024 财年可行性研究计划/新技术可行性研究计划（以下简称“计划”）的一部分*。该计划由新能源和工业技术发展组织（以下简称“NEDO”）运营。本公司与产业技术综合研究所（AIST；社长：石村和彦）、SEC CARBON, LIMITED（社长：中岛浩）、新日铁化学材料株式会社（代表取缔役社长：右田昭夫）共同进行研究，以催生新产业、实现脱碳社会为最终目标，通过开展包括国家项目在内的产学研联合研究的可行性研究，发现并培育有望在2040年后在社会中实用化并实施的要素技术。
第63届实践研讨会“人工智能基础”
第63届实践研讨会“人工智能的基础”主办方：日本岩土工程学会关西支部（公益社团法人）岩土工程领域ICT应用推进研究委员会近年来，人工智能渗透到各个领域，越来越趋向实用化。然而现实情况是，很多人对于如何实现人工智能知之甚少。 因此，今年的实践研讨会主要针对那些从未研究过人工智能的人，以及那些在工作中负责人工智能但对其实现方式不太熟悉的人。它将包括帮助学生了解人工智能基础知识的讲座，以及使用人工智能对岩石标本进行分类的实践练习。通过练习，你将学习如何设置 Python 环境、如何运行它以及如何评估结果。本内容以推进岩土工程领域ICT应用研究委员会举办的AI研究会为基础。我们期待您的参与。 时间：2021 年 9 月 14 日（星期二）举办方式：关西大学 100 周年纪念馆特别会议室（根据新冠肺炎疫情形势，研讨会将通过 Zoom 在线举行）（大阪府吹田市山手町 3-3-35）交通方式：从阪急“关大前”站南口步行约 3 分钟详情请参阅 http://www.jgskb.jp/japanese/gyoujipdf/2021/20210914jitugi-seminar_kaijou.pdf 内容
软件工程的量子计算
量子计算是一个新兴但发展迅速的领域。量子计算市场规模预计将从 2021 年的 5 亿美元增至 2026 年的 17 亿美元，复合年增长率为 30.2% [5]。为了使量子计算机 (QC) 实用化并解决实际问题，在其上运行的软件必须多样化且高质量。因此，有必要探索将软件工程 (SE) 实践引入量子计算社区 [57, 97, 58]。这些实践将使 QC 程序员能够编写质量更好的代码。但反过来可能吗？也就是说，量子计算算法可以用来加速 SE 任务吗？QC 对化学家、物理学家和金融家等的潜在益处已经得到广泛研究 [69, 72, 16, 97]。然而，据我们所知 1 ，QC 是否可以帮助软件工程师的问题尚未被探索 [43, 42]。因此，我们认为 SE 社区可以开始探索 QC 算法对 SE 流程的适用性。有这么多可用的算法，我们应该如何开始探索？让我们研究八组算法：线性方程求解器、微分方程求解器、特征值求解器、数据拟合器、机器学习器和组合优化器。我们使用什么过程来选择这些算法？选择过程 2 包括两个步骤：
![arXiv:2305.03243v1 [quant-ph] 2023 年 5 月 5 日](/simg/g:\will\search\icon\source\9\986bd571bae182b86d69ddff468792177c1a6874.webp)
arXiv:2305.03243v1 [quant-ph] 2023 年 5 月 5 日
近年来，嘈杂中型量子计算 (NISQ) 占据了新闻头条，而容错量子计算 (FTQC) 的长期愿景则具有巨大的潜力，尽管目前资源成本和量子纠错 (QEC) 开销难以解决。对于感兴趣的问题，FTQC 将需要数百万个具有长相干时间、高保真度门和紧凑尺寸的物理量子位，才能超越经典系统。正如异构专业化在经典计算中提供了扩展优势一样，它同样在 FTQC 中引起了人们的兴趣。然而，由于设计空间巨大和物理约束多变，在 FTQC 系统的硬件或软件元素中系统地使用异构性仍然是一个严峻的挑战。本文通过介绍用于设计异构量子系统的工具箱 HetArch 并使用它来探索异构设计场景，应对了使异构 FTQC 设计实用化的挑战。我们使用分层方法，将量子算法依次分解为更小的操作（类似于经典应用内核），从而大大简化了设计空间和由此产生的权衡。我们专门针对超导系统，设计由各种超导设备组成的优化异构硬件，将物理约束抽象为设计规则，使设备能够组装成针对特定操作进行优化的标准单元。最后，我们提供了一个异构设计空间探索框架，将模拟负担减少了 10 4 倍或更多
quEEGNet：用于生物信号处理的量子人工智能
I. 引言基于深度神经网络 (DNN) 的人工智能 (AI) 技术的飞速发展，通过分析用户的生理数据 [1]，如脑电图 (EEG) [2] 和肌电图 (EMG) [3]，实现了人机界面 (HMI) 包括脑机界面 (BCI) 的实用化。然而，此类生物信号很容易根据每个受试者的生物状态而变化 [4]。因此，典型的 HMI 系统通常需要频繁校准。为了解决这个问题，已经提出了采用领域泛化和迁移学习的主题不变方法 [5]–[11]，以减少 HMI 系统的用户校准。在本文中，我们首次在文献中将一个新兴的框架“量子机器学习 (QML)” [12]–[31] 引入到生物信号处理应用中，展望了未来的量子霸权时代 [32]，[33]。与传统数字计算机相比，量子计算机可以利用叠加和纠缠等量子机制实现计算效率更高的信号处理，不仅在执行时间方面，而且在能耗方面。在过去的几年中，一些供应商已经成功制造出商用量子处理单元 (QPU)。例如，IBM 在 2021 年发布了 127 量子比特 QPU，并计划到 2023 年生产 1121 量子比特 QPU。因此，QML 广泛应用于实际应用已不再遥远。最近，提出了基于变分原理 [34]–[37] 的混合量子-经典算法来处理量子噪声。本文的主要贡献总结如下：