XiaoMi-AI文件搜索系统
World File Search System计算时间
pyRiemann-qiskit：基于黎曼几何的量子分类实验沙箱
量子计算起源于托马斯·杨于 1802 年进行的所谓双缝实验。在该实验中，一个小实体（例如光子或电子）被导向两个平行狭缝，并观察到由此产生的干涉图案。观察表明，该实体表现得像波，这表明它同时穿过两个狭缝。从计算的角度来看，这种波粒二象性意味着单个信息比特可以编码为量子比特，量子比特是两种不同状态的叠加。量子计算的这一独特特性在计算时间和结果方面比传统计算具有显着优势，例如对于模式识别或使用有限的训练集（Rebentrost 等人 2014 年、Blance 和 Spannowsky 2021 年）。
![arXiv:2207.13175v1 [physics.comp-ph] 2022 年 7 月 23 日](/simg/g:\will\search\icon\source\b\bd2117ec78ec88690daa91a194973bdc3d7cd1ea.webp)
arXiv:2207.13175v1 [physics.comp-ph] 2022 年 7 月 23 日
本研究旨在利用数值优化方法提供一种新型的地月初始轨道确定 (IOD) 方法。在 CR3BP 动力学下，针对各种观测器和目标轨道几何形状模拟副卫星和主卫星。然后使用粒子群优化器 (PSO) 将一组观测值（仅距离、角度和角度）拟合到从初始粒子状态向前传播到测量时间计算出的粒子观测值。通过包含收缩因子、以网格方式初始化粒子以及限制初始粒子状态的范围，有助于 PSO 的收敛。结果表明，PSO 收敛到副卫星的精确初始状态估计。并行处理和 GPU 处理方法用于加快计算时间。
具有物理信息神经网络的时间相关狄拉克方程：计算和性质
本文研究使用物理信息神经网络 (PINN) 计算时间相关的狄拉克方程，PINN 是科学机器学习中一个强大的新工具，它避免了使用微分算子的近似导数。PINN 以参数化（深度）神经网络的形式搜索解，其导数（时间和空间）由自动微分实现。计算成本的增加源于需要使用随机梯度法求解高维优化问题，并在训练网络中使用大量类似于标准偏微分方程求解器离散化点的点。具体而言，我们推导了一种基于 PINN 的算法，并展示了其应用于不同物理框架下的狄拉克方程时的一些关键基本性质。
使用FRCT算法的DNA序列匹配的模式匹配
文章信息ABS道DNA序列在数十亿个核苷酸范围内的大小有所不同。模式匹配对于识别基因的功能和结构行为时的计算机字段中的信息处理非常重要。在这项拟议的研究中，已经针对大型DNA序列进行了序列的模式匹配。使用快速可靠的笛卡尔树算法（FRCT）有效地执行了模式匹配，该算法是编码模式并增强了变化模式，从而减少了计算时间并确保高可靠性。与在合适的大型DNA序列数据集上执行的各种现有策略相比，所提出的算法在执行时间方面显示出更好的模式匹配。关键字：DNA序列，图案匹配，笛卡尔树
NOAA 人工智能战略
美国国家海洋和大气管理局 (NOAA) 人工智能 (AI) 战略将通过提高整个机构的 AI 开发和使用的效率、效力和协调性，大大扩展人工智能 (AI) 在每一个 NOAA 任务领域的应用。随着数据利用能力随着卫星系统和架构、无人系统和商业数据源的改进而呈指数级增长，AI 方法将在 NOAA 科学、产品和服务的质量和及时性方面带来变革性进步。此处使用的术语“AI”涵盖第 4 页“AI 功能”图表中确定的功能。制定这一战略的原因是因为 AI 功能已经在性能和技能方面表现出显着的改进，同时大大降低了成本和计算时间。
2.4.2. 一维流体动力学模拟
尽管有许多 1D 水力模型（例如 ISIS、Mike 11、SOBEK 等），但 HEC RAS 被选为本研究的模型。HEC RAS（河流分析系统水文工程中心）是由美国陆军工程兵团开发的 1D 水力模型，旨在在多任务、多用户网络环境中交互使用（GWBrunner，2010 年）。与其他高维模型相比，该模型具有良好的文档记录、用户友好性，并且计算时间更短（Pappenberger 等人，2005 年）。最近发表的科学文献表明，1D 水力模型非常适合重现自然河流和城市集水区中的洪水传播（Alho 和 Aaltonen，2008 年；Horritt 和 Bates，2002 年；Leandro 等人，2009 年）。
使用深度学习检测车辆损坏情况
计算机视觉领域的关键研究课题之一是对象检测。在实例级别，它确定图像中感兴趣对象的类别和位置信息。在当今社会，随着车祸率的上升，汽车保险公司每年因索赔泄漏而花费数百万美元。在保险行业，基于机器学习和深度学习的人工智能技术可以帮助解决数据分析和处理、欺诈检测、风险降低和索赔自动化等问题 [1,2]。然而，开发当前的应用程序来解决这些问题仍然很困难，特别是在使用深度学习评估汽车损坏时。深度学习是解决复杂问题的有效方法，但它需要更多的资源来构建模型，即深度学习需要大量的数据集并且需要更长的计算时间。
PQC 与 QKD - WiN-Lab
对于基于哈希的签名，人们认为系统的安全性基于对称哈希函数的可计算性这一经过充分研究的难度。这些方法通常使用哈希树，这是一种特殊的过程，可以为多个一次性签名分配一个公共验证密钥。因此，这样的系统是有状态的，即签名的创建者必须在每次操作后更新其签名密钥，并且在创建密钥时已经确定了最大签名数量。这些程序包括已经标准化的扩展 Merkle 签名方案 (XMSS) 和 Leighton Micali 系统 (LMS)。基于哈希函数的无状态签名系统也是可行的，但创建签名需要更多的计算时间，并且必须使用更长的签名。无状态签名系统的一个例子是 SPHINCS [7]。
ISSN 印刷版：2516-3949 https://doi.org/10.31585/jbba-6-1-(1)2023 区块链中后量子算法的性能比较 Lu Gan 和 Bakhtiyo
摘要区块链和其他分布式账本技术引发了广泛的研究和兴趣。这是因为它们能够在利用非对称加密、数字签名和哈希函数的同时在各个应用领域创建冗余、透明和可靠的连接。然而，当前的区块链系统容易受到攻击，尤其是那些利用 Grover 和 Shor 算法的量子计算机进行和实现的攻击。有必要研究数字签名的各种算法、后量子代公钥加密及其性能，以深入了解解决该问题的最合适方法。在我们的评论中，我们研究了区块链中不同后量子公钥生成和数字签名算法的性能，并提供了计算时间和内存使用量的性能比较。这里介绍的研究包括可以使用后量子区块链的应用领域。