XiaoMi-AI文件搜索系统
World File Search System网络模拟
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。
使用深度强化学习优化 ZX 图
摘要 ZX 图是一种强大的图形语言，用于描述量子过程，可应用于基础量子力学、量子电路优化、张量网络模拟等。ZX 图的实用性依赖于一组局部转换规则，这些规则可以应用于它们而不改变它们描述的底层量子过程。可以利用这些规则来优化 ZX 图的结构以用于一系列应用。然而，找到最佳的转换规则序列通常是一个悬而未决的问题。在这项工作中，我们将 ZX 图与强化学习结合起来，强化学习是一种旨在发现决策问题中最佳动作序列的机器学习技术，并表明训练有素的强化学习代理可以显著胜过其他优化技术，如贪婪策略、模拟退火和最先进的手工算法。使用图神经网络对代理的策略进行编码，可以将其推广到比训练阶段大得多的图表。
Merge/Space：卫星系统安全测试平台
Merge/Space (M/S) 是一个测试平台，它使用虚拟卫星网络模拟多代理安全场景。使用 M/S，研究人员可以探索移动卫星上的 DoS、扫描和渗透等攻击。USC-ISI 开发了 M/S 来评估卫星网络中较新的安全范式的使用。卫星系统正在从定制设计的小型星座过渡到大型商品硬件集合。这些系统运行在通用操作系统上，这些操作系统可能存在伴随的漏洞，例如最近记录的 FreeRTOS CVE-2021-31571 和 CVE-2021031572。在地面部分，亚马逊等地面站即服务 (GSaaS) 提供商的兴起增加了对天线的访问，也带来了敌对访问的风险。Hack-a-SAT 1 等竞赛为爱好者的攻击提供了概念证明。在这种转变发生的同时，卫星安全受到限制，限制了地面信息安全的能力。尤其：
神经网络方法，用于模拟与纠缠状态的模拟
贝尔的定理指出，局部隐藏变量（LHV）无法完全解释某些纠缠量子状态的测量统计数据。自然要问模拟它们需要多少补充古典交流。我们使用神经网络模拟和其他工具研究了该领域的两个长期开放问题。首先，我们提供证据表明，所有部分纠缠的纯二量子态对所有投影测量都只需要一点点的通知。我们量化了精确的量子行为与受过训练的网络的乘积或受其启发的半分析模型之间的统计距离。第二，虽然以一般理由（显而易见的）知道，一点点交流也无法偶数复制所有两分量量子，但明确的例子已证明是回避的。我们的搜索未能找到一个具有多达5个输入和4个输出的几种两种钟形场景，突出显示了一点点通信在复制量子关系方面的功能。
教育中的人工智能伦理：学生隐私......
人工智能（AI）融合了大量的新技术和理论成果，成为下一代产业变革的关键技术。人工智能可以实现教育信息的智能筛选与情景再现、模糊学习任务的自动识别与响应、人脑运作机制的神经网络模拟，并借助语音识别、计算机视觉、自然语言处理等智能分析技术，实现教育的智能化、学习的互动化，大大提升教育的效率和效果。然而，在智能处理技术快速发展的同时，隐私侵权和数据泄露风险也随之出现，对学生个人信息安全构成严重威胁，如学生隐私数据被“二次利用”导致的个人信息泄露、数据贩卖引发的网络诈骗等。隐私保护体系不完善、网络技术垄断等问题日益突出，人工智能对学生数据安全的伦理风险研究亟待加强。
迈向 B5G/6G 网络中 QoE 预测的可信人工智能
摘要 预测体验质量 (QoE) 指标的能力对于未来 B5G/6G 网络提供的多种应用和服务至关重要。然而，QoE 时间序列预测迄今为止尚未得到充分研究，主要是因为缺乏可用的真实数据集。在本文中，我们首先介绍了一种从真实的 5G 网络模拟中获得的新型 QoE 预测数据集，该数据集以视频流应用的服务质量 (QoS) 和 QoE 指标为特征；然后，我们接受了在采用 AI 系统解决 QoE 预测任务时可信度的热门挑战。我们展示了如何有效利用可解释人工智能 (XAI) 模型（即决策树）来解决预测问题。最后，我们将联邦学习确定为隐私保护协作模型训练的合适范例，并从算法和 6G 网络支持的角度概述了相关挑战。
使用 CFOA 设计基于 MOSFET-C 的浮动电感
如今，电感模拟是一个广泛的研究课题，因为集成电路中需要无电感网络，而模拟电感可以提供更稳定、更不敏感的网络实现，研究人员正在使用不同的有源构建块（ABB）CM 或 VM 来展示电感模拟电路，需要电感模拟设计是因为盘绕电感的尺寸和体积会消耗大量的功率和能量。有源电感设计为接地电感（GI）或浮动电感（FI），它们有损或无损，无损 GI/FI 是纯电感，可以与盘绕电感完全一样使用，而有损 GI/FI 是电感和电阻/电容的串联或并联组合。滤波器和振荡器等模拟信号处理电路采用 GI 或 FI 设计，这些电感可以用有源模拟电感代替，与盘绕电感相比工作效率更高。因此，使用带有任何有源器件的 RC 网络模拟电感器已成为实现集成电路 (IC) 形式的基于电感器的电路的替代选择。
疾病网络中的基因靶向
整个转录组的分析已成为分子生物学的基石，也是表征临床表型和识别疾病亚型的宝贵工具。随着我们不再局限于简单的比较，而是考虑高阶相互作用和关联网络，对这些数据的分析变得越来越复杂。基因调控网络模拟了转录因子和基因的调控关系，并允许识别疾病系统中差异调控的过程。从这个角度来看，我们讨论了基因靶向评分，它衡量推断的调控网络相互作用的变化，以及它们在识别疾病相关过程中的用途。此外，我们提供了一个胰腺导管腺癌的示例分析，展示了基因靶向评分识别复杂表型之间差异过程的能力；如果只进行差异表达分析，这些过程可能会被忽略。这个例子表明，基因靶向评分是基因表达分析在疾病和其他复杂表型表征中的宝贵补充。
使用量子启发的神经网络
旨在模拟大脑皮质和海马模块的许多当前计算模型取决于人为的神经网络。但是，这种经典的神经网络甚至是深层神经网络非常慢，有时需要进行数千个试验以获得最终反应，并有相当多的误差。需要进行大量学习和不准确的输出响应的需要，这是由于输入提示的复杂性和正在模拟的生物学过程所致。本文提出了一个使用量子启发的神经网络完整的和病变的皮质 - 海马系统的计算模型。这种皮质 - 海马计算量子启发（CHCQI）模型通过使用与量子电路纠结的自适应更新的神经网络模拟皮质和海马模块。所提出的模型用于模拟与生物过程有关的各种经典调节任务。与其他计算模型（包括最近发布的绿色模型）相比，模拟任务的输出迅速而有效地产生了所需的响应。