XiaoMi-AI文件搜索系统
World File Search SystemApproximate
可靠性增强电路设计流基于近似逻辑合成 *
随着CMOS技术的缩小缩放，由于更宽的防护带，电路设计的边缘变得越来越紧，这是抵消更严重的晶体管老化和变化所必需的。因此，迫切需要可靠性增强的电路设计来减少护栏。在本文中，提出了一个基于近似合成的可靠性增强的设计框架，以完全消除衰老的后卫带。它主要包括两个关键部分：首先，进行远期可靠性模拟流支持统计静态时序分析（SSTA）以估计老化后的路径故障率；如果不满足正时约束，则向后延迟驱动的近似逻辑合成流将在关键路径上进行近似局部变化，以减少延迟，直到最终满足可靠性要求并且不需要老化的护罩带。结果表明，近似电路的老化延迟小于原始电路，因此路径故障率显着降低。表明，提出的设计流可以将对应用产生致命影响的时间误差转换为低显着性位上可忽略的错误，以提高电路的弹性，这为纳米级的可靠性增强设计提供了新的视角。
精确和近似标量电磁波散射的统一处理
在计算成像中，对象的定量物理特性是根据缩写范围的光学测量值估算的。导致散射的复杂光 - 物质相互作用受麦克斯韦方程的控制，或者在某些假设下，标量helmholtz方程式从与波长相比的物体中删除光弹性散射[1]。为了简化建模光学散射和估计对象性能的过程，已经进行了许多关于近似于标量Helmholtz方程的解决方案的研究。最原始的是投影近似，其中假定散射的场维持入射波前，例如平面或球形波，而attenua则和相位延迟会累积与穿过对象的射线的光路长度成比例的。当入射波前是平面或球形时，该假设会导致ra换变换公式，并且是计算机断层扫描的基础。当涉及到具有不可忽略的折射的相对较薄的对象时，所谓的单个散射近似（包括第一个出生和rytov方法）提供了更合适的描述[2]。随着对象变得密集且高度散射，正如预期的那样，即使是单个散射方法也开始失败，并且需要计算多个散射的模型。代表性的方法是Lippmann-Schinginger方程（LSE）[3-5]，多切片方法[6-9]和梁传播方法（BPM）[10-13]和BORN SERIST [14，15]。多层和梁传播方法非常紧密地相关，重要的区别是前者是由求解的schrödinger方程激励的，而后者则是用于Helmholtz方程。可以从标量Helmholtz方程开始制定多个散射模型，但它们依赖于差异
电容车辆路由问题的可行性保留的量子近似求解器
电容的车辆路由问题（CVRP）是NP优化概率（NPO），在包括运输和物流在内的各种领域都会出现。CVRP从车辆路由问题（VRP）延伸，旨在确定一辆车辆最有效的计划，以将货物运送到一组客户，但要遵守每辆车的有限承载能力。作为可使用的解决方案的数量，当客户数量增加时，找到最佳解决方案仍然是一个重要的挑战。最近，与经典启发式方法相比，量子近似优化算法（QAOA）是一种量子古典杂种算法，在某些组合优化概率上表现出增强的性能。但是，它的能力在解决包括CVRP在内的受约束优化问题方面显着降低。此限制主要来自将给定问题编码为
用于无约束和约束离散优化的 NISQ 兼容近似量子算法
量子算法因其可能显著超越传统算法而越来越受欢迎。然而，量子算法在优化问题中的实际应用面临着与现有量子算法训练效率、成本格局形状、输出准确性以及扩展到大规模问题的能力相关的挑战。在这里，我们提出了一种基于梯度的量子算法，用于具有幅度编码的硬件高效电路。我们表明，简单的线性约束可以直接合并到电路中，而无需使用惩罚项对目标函数进行额外修改。我们使用数值模拟在具有数千个节点的完全加权图的 MaxCut 问题上对其进行测试，并在超导量子处理器上运行该算法。我们发现，当应用于具有 1000 多个节点的无约束 MaxCut 问题时，将我们的算法与称为 CPLEX 的传统求解器相结合的混合方法比单独使用 CPLEX 实现了更好的解决方案。这表明混合优化是现代量子设备的主要用例之一。
使用高效近似量子傅里叶变换的 Shor 算法...
1.引言 A.背景 对Shor算法[1]的评估非常重要。Shor算法是一种解决整数分解和离散对数问题的方法，这些问题在经典计算机中需要亚指数时间[2]。这些问题是当前公钥密码体制安全性的基本问题，包括RSA密码体制[3]和椭圆曲线密码体制[4]，[5]。目前，量子计算机的规模对于破解这两个公钥密码体制[6]，[7]，[8]，[9]，[10]，[11]来说是相当小的。然而，量子计算机的规模正在增加[12]，估计Shor算法破解这两个公钥密码体制的时间非常重要。为了估计Shor算法破解当前公钥密码体制的时间，对Shor算法的精确评估非常重要。本文讨论单台量子计算机上的 Shor 算法。如果有两台以上的计算机，最近提出的分布式 Shor 算法 [13] 将降低计算成本。我们的结果将能够与该结果相结合，本文考虑单台量子计算机。本文重点讨论 Shor 算法对 n 位合数 N 进行因式分解。
对深神经网络的近似软函数的定量评估
摘要 - 软马克斯函数用作放置在神经网络输出层中的激活函数。它允许提取输出类的概率，同时向模型引入非线性。在低端FPGA领域，深神经网络（DNN）的实现需要探索优化技术，以提高计算效率和硬件资源消耗。这项工作探讨了使用Taylor和Pad'E近似方法以及带有查找表（LUTS）的插值方法来促进软效果的近似计算技术。引入近似值旨在减少所需的执行时间，同时降低SoftMax函数产生的结果的精度。使用均方根误差（RMSE）评估每个实现，以进行准确评估，并通过测量执行时间来验证个人绩效。从我们的评估中，使用LUTS的二次插值实现了最低的错误，但是在性能方面，泰勒和垫子近似显示了更好的执行时间，这突出了数值准确性和功耗之间的现有设计权衡。索引项 - 评估计算，高级合成，推理算法，神经网络压缩，多层感知器。
攻击近似会员资格检查过滤器的隐私
摘要 - 越来越多地使用Approximate会员检查过滤器来加快许多应用程序的数据处理。此外，隐私正在成为许多系统的关键设计目标，因此，需要仔细考虑过滤器的隐私。以前的作品表明，知道过滤器的实现详细信息并且可以访问其内容的攻击者可能能够提取有关过滤器中存储的元素的一些信息。但是，这种攻击是特定于Bloom过滤器的，并且要求元素的宇宙必须很小。在本文中，我们表明，在许多实用设置中，只有对过滤器具有黑色框访问的攻击者，可以提取有关过滤器中存储的元素的信息，而不管特定的过滤器类型和宇宙大小如何。这可能是基于关键观察，即在许多应用中，存储在滤镜中的元素不是随机选择的，但它们集中在元素宇宙的一个或多个部分中。为了识别这些部分，可以在宇宙的不同部分测量积极概率；具有明显大于过滤器的平均正概率的零件是滤光片浓缩的零件。这种方法已正式化，并应用于几个案例研究，以显示攻击者可以在各种情况下获取有关过滤器存储的元素的其他信息。
利用离子阱量子模拟器对长程伊辛模型进行量子近似优化
量子计算机和模拟器可能比经典计算机和模拟器具有显著的优势，它们可以洞悉量子多体系统，并可能提高解决优化和可满足性等指数级难题的性能。在这里，我们报告了使用模拟量子模拟器实现的低深度量子近似优化算法 (QAOA)。我们估计具有可调范围的长程相互作用的横向场伊辛模型的基态能量，并通过对 QAOA 输出进行高保真、单次、单独量子比特测量采样来优化相应的组合经典问题。我们通过穷举搜索和变分参数的闭环优化来执行算法，用最多 40 个捕获离子量子比特来近似基态能量。我们使用随系统大小多项式缩放的引导启发式方法对实验进行基准测试。我们观察到，与数值结果一致，随着系统规模的扩大，QAOA 性能不会显著下降，并且运行时间与量子比特的数量基本无关。最后，我们对系统中发生的错误进行了全面分析，这是将 QAOA 应用于更一般的问题实例的关键一步。
mltcp：一种分布式技术，用于近似机器学习的集中式流程计划
1引言有效的流程计划是网络社区中的一个重要且研究的问题[3,5,7,12,13,23,24,27]。使用启发式方法，平衡机制和网络流量的截止日期，在调度流方面有很多工作。传统上，实施流程计划有两种广泛的方法。首先是集中式的AP PROACH，其中中央控制器从所有流中收集网络数字并计算所需的流程度[3，12，13，27，49]。第二个是在分布式的方式借助数据包或开关支持[5,7,23,44]，以分布式的方式进行近似启发式方法，例如最短剩余的处理时间（SRPT）。大多数流程调度方法都集中在传统的数据中心流量上，这是爆发且短[9]。此外，传统数据中心流的到达通常是独立且无法预测的。今天，随着对基于AI的服务的需求不断增长，数据中心中的深度神经网络（DNN）培训和良好的流量已成倍增加。与传统的数据中心工作负载不同，DNN培训和微调作业具有定期的流量模式，在该模式中，每个训练迭代的开始时间都取决于之前迭代的完成，从而对流量到达时间产生依赖性[53，59，64]。我们证明，基于剩余的处理时间（即Pfabric [5]，PDQ [23]和PIAS [7]）的调度技术并不总是最适合安排DNN作业的最佳选择。直觉上，这是因为此类技术根据网络中当前流的状态做出本地调度决策，而无需考虑定期作业的流量到达模式。在DNN工作负载中，这种效果变得不利，其中在一个迭代中完成流量会影响随后迭代的完成时间。最近的研究，例如Muri [64]和Cassini [52，53]，已经证明，对于DNN工作负载，促进交流沟通需求的时间表达到了时间表网络计划。他们将交织的想法定义为一个DNN作业的通信阶段（高网络授权）与计算阶段（低网络
在低反应等离子体环境中Cu纳米线的降解
建筑部门在所有部门的运营能源消耗和温室气体排放中的份额最高。许多国家设定的环境目标迫使需要改善现有建筑股票的环境足迹。建筑改造被认为是该方向的最有希望的解决方案之一。在本文中，提出了用于评估必要的建筑包络和能源系统改造的替代模型。人工神经网络被利用以建立此模型，以在准确性和计算成本之间取得良好的平衡。对所提出的模型进行了培训和测试，用于瑞士苏黎世市的案例研究，并将其与使用构建模拟和优化工具的建筑改造最先进的模型之一进行了比较。替代模型在较小的输入集上运行，而推导改造溶液所需的时间从3.5分钟减少到16.4μsec。结果表明，所提出的模型可以显着降低计算成本，而无需大多数改造维度的误差准确性。例如，改装成本和能源系统SE部门的平均精度为r 2 = 0。9408和F 1得分= 0。9450。最后，重要的是，这种替代改造模型可以有效地用于宽面积的自下而上的改造分析，并有助于加速采用改造措施。