XiaoMi-AI文件搜索系统
World File Search System概率计算
![arxiv：2310.18781v1 [Physics.App-ph] 2023年10月28日](/simg/g:\will\search\icon\source\3\3f1380b02b9c659a6762a795740a1bc6c291b728.webp)
arxiv：2310.18781v1 [Physics.App-ph] 2023年10月28日
真正的随机数发生器（TRNG）是许多应用程序的基本构建块，例如密码学，蒙特卡洛模拟，神经形态计算和概率计算。基于低屏障磁体（LBM）的垂直磁性隧道连接（PMTJ）是TRNG的天然来源，但它们倾向于遭受设备之间的变化，低速和温度敏感性的困扰。相反，用纳秒脉冲（表示为随机磁性的随机换能器（智能）设备）操作的中型驻磁铁（MBM）可能是此类应用的优越候选者。我们通过使用1-D Fokker – Planck方程来求解其脉冲持续时间（1 ps至1 ms）的基于MBM的PMTJ（E B〜20-40 K B t）的系统分析作为脉冲持续时间（1 ps至1 ms）的函数。我们研究了电压，温度和过程变化（MTJ尺寸和材料参数）对设备开关概率的影响。我们的发现表明，短期脉冲激活的智能设备（≲1ns）对工艺电压 - 温度（PVT）变化的敏感性要小得多，而消耗较低能量（〜fj）的智能设备比与较长脉冲一起使用的相同能量（〜fj）的敏感性要小得多。我们的结果显示了建立快速，节能和强大的TRNG硬件单元以解决优化问题的途径。
连续时间随机过程的量子编码与分析及其金融应用
对连续时间中的随机现象进行建模是一项重要而又具有挑战性的问题。通常无法获得解析解，而数值方法可能非常耗时且计算成本高昂。为了解决这个问题，我们提出了一个专门针对量子连续时间随机过程的算法框架。该框架由两个关键程序组成：数据准备和信息提取。数据准备程序专门用于编码和压缩信息，从而显着降低空间和时间复杂度。这种减少对于随机过程的关键特征参数而言是指数级的。此外，它可以作为其他量子算法的子模块，缓解常见的数据输入瓶颈。信息提取程序旨在以二次加速解码和处理压缩信息，扩展量子增强蒙特卡罗方法。该框架展示了多功能性和灵活性，可在统计学、物理学、时间序列分析和金融领域得到应用。举例来说，默顿跳跃扩散模型中的期权定价和集体风险模型中的破产概率计算，展示了该框架捕捉极端市场事件和纳入历史相关信息的能力。总的来说，这个量子算法框架为准确分析和增强对随机现象的理解提供了一个强大的工具。
使用量子真空噪声的光子概率机器学习
概率机器学习利用可控的随机性来编码不确定性并启用统计建模。利用量子真空噪声的纯粹随机性，这是由于电磁磁场的流动，已经对高速和能量的随机光子元素表现出了希望。尽管如此，可以控制这些随机元素以编程可能的机器学习算法的光子计算硬件受到限制。在这里，我们实现了由可控的随机光子元件组成的光子概率计算机 - 光子概率神经元（PPN）。我们的PPN在带有真空级注入偏置的偏见的双态光学参数振荡器（OPO）中进行。然后，我们使用电子处理器（FPGA或GPU）进行了一个测量和反馈循环，以解决某些概率机器学习任务。我们展示了MNIST手写数字的概率推断和图像生成，它们是判别和生成模型的代表性示例。在两个实现中，量子真空噪声都用作随机种子来编码样品的分类不确定性或概率生成。此外，我们为通向全光概率计算平台的路径提出了一条路径，估计的采样速率约为1 Gbps，能源消耗约为5 FJ / MAC。我们的工作为可扩展，超快和能量良好的概率机器学习硬件铺平了道路。
最高事件频率计算中的常见陷阱
过程安全的主要目标是分析和减少与工业过程相关的风险，以确保对人员和环境的最终风险尽可能低。为了确定与过程相关的风险是否可以忍受，因此有必要计算与所考虑的事件相关的风险，并将结果与所选耐受性标准进行比较：这是定量风险评估（QRA）分析中使用的常见方法。与事件相关的风险，其性质（关于人，环境或财务上）都是事件可能性（通常在事件/年中表达）以及事件本身的后果（以损害表示）的函数。本文的目的是关注第一个参数（频率评估）：主要目标是不需要关于频率计算的数学论文（科学文献中有很多文章和专业来源，这些文章和专业来源涉及概率计算理论，因此，在现有风险分析中发现了频率计算中的概念计算中的概念误差。频率计算特别取决于执行危险识别研究的质量（例如HAZOP），以及适当地识别复杂系统中存在的常见原因失败，如果未正确识别，可能会导致对危险事件的可能性的错误评估。The final scope is to show how it is possible to fall into pitfalls during frequencies calculation if the hazards identification is not properly performed and if dependencies between safeguards are not properly assessed: usually these errors lead to obtain frequency values that have no physical meaning.
通过逼真的雾对摄影
通过雾进行成像在诸如自动驾驶汽车，增强驾驶，飞行飞机，直升机，无人机和火车等工具中具有重要的应用。在这里我们表明，从雾反射的光的时间填充具有分布（伽马），该分布与从雾（高斯）遮住的物体所反映的光中不同。这有助于区分背景光子与雾和信号光子从遮挡物体反射的信号光子之间。基于此观察结果，我们恢复了被密集，动态和异质雾阻塞的场景的反射和深度。对于实际用例，成像系统以最小的占地面积为单位的反射模式设计，并基于LiDAR硬件。特别是，我们使用单个光子雪崩二极管（SPAD）摄像机，该摄像头将计入单个检测到的光子。在没有先验知识的情况下，开发了一个概率计算框架，以估计雾化本身的雾性特性。其他解决方案是基于雷达的，该雷达遭受分辨率较差（由于长波长）的障碍，或者按时门控遭受较低的信噪比。建议的技术在雾室中产生的多种雾密度中进行了实验评估。它在可见度为37厘米时演示了离相机57厘米的恢复对象。在这种情况下，它以5厘米的分辨率恢复了深度，并且场景反映了PSNR和3的4DB的反射。4×SSIM的重建质量随时间推移门控技术。4×SSIM的重建质量随时间推移门控技术。
神经形态自旋电子学
神经形态计算使用受大脑启发的基本原理来设计电路，以卓越的能效执行人工智能任务。传统方法受到传统电子设备实现的人工神经元和突触的能量区域的限制。近年来，多个研究小组已经证明，利用电子的磁性和电学特性的自旋电子纳米器件可以提高能源效率并减少这些电路的面积。在已使用的各种自旋电子器件中，磁隧道结因其与标准集成电路的既定兼容性和多功能性而发挥着重要作用。磁隧道结可以用作突触，存储连接权重，用作本地非易失性数字存储器或连续变化的电阻。作为纳米振荡器，它们可以充当神经元，模拟生物神经元组的振荡行为。作为超顺磁体，它们可以通过模拟生物神经元的随机尖峰来实现这一点。磁结构（如畴壁或 skyrmion）可以通过其非线性动力学配置为用作神经元。神经形态计算与自旋电子器件的几种实现方式展示了它们在这一领域的前景。用作可变电阻突触时，磁隧道结可在联想记忆中执行模式识别。作为振荡器，它们可在储层计算中执行口语数字识别，当耦合在一起时，它们可对信号进行分类。作为超顺磁体，它们可执行群体编码和概率计算。模拟表明，纳米磁体阵列和 skyrmion 薄膜可作为神经形态计算机的组件运行。虽然这些例子展示了自旋电子学在这一领域的独特前景，但扩大规模仍面临一些挑战，包括
生成的AI - 超越欣快和简单解决方案
自2022年Ameri-Software Company Openai发布文本生成器和Chatbot Chatgpt以来，生成人工智能（AI）席卷了数字世界； AI应用程序现在可以访问，并且具有多种用途。仅在两个月内就可以访问约1亿用户。此外，还已经广泛使用了用于自动创建影像图像和视频的工具，例如Midjourney，Dall-E或Gemini，现在许多工具现在都提供了多模式输出。单击按钮，这些应用程序可以通过生成AI创建高质量的文本，图像或视频。通过Internet免费访问即时使用此类工具，而简单的界面则负责此胜利；用户几乎不需要先验知识，只有少数技术要求才能在几秒钟内收到各种问题的答案或生成文本，图像和视频。生成AI的基础和核心是根据从各种起源和质量的多种数据数据中获得新的语言或视觉产品的能力。重要的是，这种新内容的创建纯粹基于相关性或概率，而不是真正的理解。chatgpt是一种所谓的大型语言模型（LLM），接受了大量文本培训：网站，书籍，文章，歌词，帖子，帖子，推文，评论或其他语句 - 简而言之，所有文本类型都可以在Internet上找到。培训特别包括根据从这些数据中学到的语言模式预测提供的句子细分的下一个单词。为此，Chatgpt首先通过使用统计过程来分析句子的上下文，然后根据概率计算产生下一个单词。以这种方式，Chatgpt可以以统计上合理的方式回答Word的问题，并产生新的文本。句子
奥卡姆剃刀和大桶之脑
Beppe Brivec 2024 年 9 月 1 - 简介：奥卡姆剃刀和概括 我将要在本节中写的内容仅指休谟问题，而不是古德曼悖论，古德曼悖论是一个更普遍的问题，它涉及归纳法，但不仅仅涉及归纳法。 让我们比较一下假设 A“所有祖母绿都是绿色的”与假设 B“所有祖母绿细分为绿色和蓝色”，后者指出不仅有绿色祖母绿，还有蓝色祖母绿。 假设 A 和 B 是不相容的。 我们不知道先验理由来偏爱一个假设而不是另一个假设；因此，我们寻找后验理由来偏爱一个假设而不是另一个假设。 [尾注 1]。在“所有 F 都是 G”这种科学概括中，F 的数量被假定为无限数（如果 F 的数量是有限数，那么休谟问题将很容易通过概率计算（客观概率）来处理），因此，不可能检验所有 F。因此，如果 A 为真，B 就永远无法证伪（因为不可能检验所有 F，所以不可能检验所有绿宝石；因此，我们永远无法证明没有蓝色绿宝石）。相反，如果 B 为真，A 被证伪并非不可能（观察蓝色绿宝石会证伪 A）。换句话说，A 的真实性意味着 A 和 B 都不可能证伪；相反，B的真实性并不意味着A不可能被证伪。因此，目前A和B都未被证伪是A的必然结果，而不是B的必然结果。所以，押注A比押注B更合理，我们宁愿押注A而不是押注B。换句话说，A的真实性意味着A和B都不可能被证伪；相反，B的真实性并不意味着A不可能被证伪。命题A必然意味着预测A和B都未被证伪；命题B不一定意味着预测A和B都未被证伪。目前的证据是A和B都未被证伪：假设A必然预测A和B都未被证伪；假设B不一定预测A和B都未被证伪。所以，押注A比押注B更合理。
一种用于评估生成模型的数据驱动方法......
流行的感知理论假设大脑通过贝叶斯推理在生成世界模型中实现感知。一个著名的理论，神经采样代码 (NSC)，认为对刺激的神经元反应代表来自引起刺激的潜在世界状态变量的后验分布的样本。尽管理论上很优雅，但 NSC 并没有指定生成模型的确切形式，也没有规定如何将理论与记录的神经元活动联系起来。先前的研究假设了简单的生成模型，并测试了它们与神经生理数据的定性一致性。目前，规范理论与神经元记录没有精确的一致性，尤其是在对自然刺激的反应方面，而且缺乏对 NSC 下模型的定量实验评估。在这里，我们提出了一种新的 NSC 形式化方法，该方法 (a) 允许我们直接将 NSC 生成模型与记录的响应自然图像的神经元活动相匹配，(b) 制定更丰富、更灵活的生成模型，以及 (c) 使用标准指标定量评估 NSC 下的不同生成模型。此外，我们使用我们的形式化方法从训练后的生成模型中推导出刺激条件下的神经元反应预测模型，并将其与神经系统识别模型进行比较。我们通过拟合和比较经典和灵活的基于深度学习的生成模型来展示我们的方法，这些模型基于从猕猴初级视觉皮层 (V1) 到自然图像的群体记录，并表明灵活模型在生成和预测模型性能方面均优于经典模型。总体而言，我们的工作是朝着定量评估 NSC 迈出的重要一步。它提供了一个框架，让我们可以直接从神经元群体记录中学习生成模型，为通过实验理解感知和行为背后的概率计算原理铺平了道路。
人类直觉思维模型作为现实人工智能和工程的来源
尽管人工智能（AI）取得了成功，但我们距离像人类一样模拟世界的AI仍然很远。本研究旨在从直觉心理模型的角度解释人类行为。我们描述了行为在生物系统中是如何产生的，以及对这种生物系统的更好理解如何能够促进类人AI的发展。人类可以从物理、社会和文化环境中建立直觉模型。此外，我们遵循贝叶斯推理，将直觉模型和新信息结合起来做出决策。我们应该为新的AI构建类似的直觉模型和贝叶斯算法。我们认为贝叶斯意义上的概率计算对通过观察和先前经验形成的对象组合的语义属性很敏感。我们将大脑的这一过程称为计算意义，当这些对象的概率发生是可信的时，它更接近贝叶斯理想。人类大脑如何形成世界模型并将这些模型应用于其行为？我们从三个角度概述了答案。首先，直观模型支持个人在当前环境中以有意义的方式使用信息。其次，神经经济学提出大脑中的估值网络在人类决策中起着至关重要的作用。它结合了心理学、经济学和神经科学的方法来揭示决策的生物学机制。然后，大脑是一个过度参数化的建模器官，并在复杂的世界中产生最佳行为。最后，人工智能数据分析技术的进步使我们能够破译人类大脑如何在复杂情况下评估不同的选择。通过将大数据集与机器学习模型相结合，可以从复杂的神经数据中获得前所未有的洞察力。我们从这个角度回顾当前的研究，描述了这些解决方案。在这项研究中，我们概述了类人人工智能的基本方面，并讨论了科学如何从人工智能中受益。我们越了解人类的大脑机制，我们就越能将这种理解应用于构建新的人工智能。人工智能的发展和对人类行为的理解是相辅相成的。