摘要:胶体纳米晶体 (NC) 的自组装在固态材料的多尺度工程中具有巨大前景,通过这种技术,原子工程 NC 构件被排列成具有协同物理和化学性质的长程有序结构 超晶格 (SL)。迄今为止,报告主要集中在球形 NC 的单组分和二元系统上,产生的 SL 与已知的原子晶格同构。通过组合各种形状的 NC,可以预期获得远远超出已知晶格范围的更大结构空间。本文报道了空间稳定的 CsPbBr 3 纳米立方体 (5.3 纳米) 与圆盘状 LaF 3 NC (直径 9.2 - 28.4 纳米,厚度 1.6 纳米) 共组装成二元 SL 的过程,产生了具有 AB、AB 2 、AB 4 和 AB 6 化学计量的六柱状结构,这在之前和我们的参考实验中均未观察到,参考实验中使用由球体和圆盘组成的 NC 系统。本文使用填充密度计算合理化了立方体形状的这种惊人效果。此外,在尺寸相当的纳米立方体(8.6 纳米)和纳米盘(6.5 纳米、9.0 纳米、12.5 纳米)系统中,还观察到了其他非柱状结构,例如 ReO 3 型 SL,其特征是盘和立方体的紧密混合和面对面排列,纳米立方体的面心立方或简单立方亚晶格,以及每个晶格位置有两个或三个盘。层状和 ReO 3 型 SL 采用大型 8.6 纳米 CsPbBr 3 NC,表现出集体超快光发射 超荧光 的特征,源自激发态发射偶极子的相干耦合。关键词:胶体纳米晶体、纳米晶体形状、自组装、二元超晶格、电子显微镜、卤化铅钙钛矿、超荧光 I
摘要。为了产生随机或伪随机二进制序列,使用在科学的不同分支(例如加密,仿真,数学,随机或伪随机二进制生成器)中所必需的。获得的随机字符串必须具有高时期和线性复杂性,并且必须通过随机性的统计测试,以确保它们有效地随机。发电机的开发必须考虑到以上并在每个阶段进行控制以获得良好的最终结果。简单地结合设计较差的加密组件可能会导致发电机不足。该项目解释了开发可靠的二进制生成器的方法。本演示文稿中提出的发电机的基本组件是线性反馈移位寄存器(LFSR),由于其序列的线性性,需要将设备用于组合,例如多路复用器。和布尔功能可以达到更长的时期,并在结果链中具有非线性行为。
作为一种新的编程范式,基于神经网络的机器学习已将其应用扩展到许多现实世界中的问题。由于神经网络的黑盒性质,验证和解释其行为变得越来越重要,尤其是当它们部署在安全至关重要的应用中时。现有的验证工作主要集中于定性验证,该验证询问是否存在针对神经网络的输入(指定区域),以便违反财产(例如,局部鲁棒性)。但是,在许多实际应用中,几乎可以肯定存在这样的(对抗性)输入,这使得定性答案降低了有意义。在这项工作中,我们研究了一个更有趣,更具挑战性的问题,即对神经网络的定量验证,该验证询问财产经常得到满足或侵犯财产的频率。我们针对二进制神经网络(BNNS),一般神经网络的1位量化。BNN最近在深度学习中引起了越来越多的关注,因为它们可以大幅度地减少记忆存储和执行时间,而智力操作在求助方案中至关重要,例如,嵌入式设备用于物联网的嵌入式设备。朝着对BNNS的定量验证,我们提出了一种新型算法方法,用于将BNN作为二进制决策图(BDDS),这是一种在形式验证和知识表示中广泛研究的模型。通过利用BNN的内部结构,我们的编码将BNN中块的输入输出关系转化为基数约束,然后由BDD编码。基于新的BDD编码,我们为BNN开发了一个定量验证框架,可以在其中对BNN进行精确和全面的分析。为了提高BDD编码的可扩展性,我们还研究了各个级别的并行化策略。我们通过为BNN提供定量鲁棒性验证和解释性来证明我们的框架的应用。广泛的实验评估证实了我们方法的有效性和效率。
通过利用其他信息,例如(部分)错误堆栈跟踪,补丁或风险操作的操作,的指示模糊着重于自动测试代码的特定部分。 关键应用程序包括错误复制,补丁测试和静态分析报告验证。 最近有指示的模糊引起了很多关注,但诸如无用后(UAF)之类的难以检测的漏洞仍未得到很好的解决,尤其是在二进制层面上。 我们提出了UAF UZZ,这是第一个(二进制级)定向的灰色fuzzer,该灰盒源自UAF错误。 该技术采用了针对UAF指定的量身定制的模糊引擎,轻质代码仪器和有效的错误分类步骤。 对实际情况的错误复制的实验评估表明,就故障检测率,暴露时间和虫子三叶虫的时间而言,UAZ的UZZ明显优于最先进的指示fuzz。 uaf uzz也已被证明在补丁测试中有效,从而在Perl,GPAC和GNU补丁等程序中发现了30个新错误(7 CVE)。 最后,我们向社区提供了一个巨大的模糊基准,该基准专用于UAF,并建立在真实的代码和实际错误上。的指示模糊着重于自动测试代码的特定部分。关键应用程序包括错误复制,补丁测试和静态分析报告验证。最近有指示的模糊引起了很多关注,但诸如无用后(UAF)之类的难以检测的漏洞仍未得到很好的解决,尤其是在二进制层面上。我们提出了UAF UZZ,这是第一个(二进制级)定向的灰色fuzzer,该灰盒源自UAF错误。该技术采用了针对UAF指定的量身定制的模糊引擎,轻质代码仪器和有效的错误分类步骤。对实际情况的错误复制的实验评估表明,就故障检测率,暴露时间和虫子三叶虫的时间而言,UAZ的UZZ明显优于最先进的指示fuzz。uaf uzz也已被证明在补丁测试中有效,从而在Perl,GPAC和GNU补丁等程序中发现了30个新错误(7 CVE)。最后,我们向社区提供了一个巨大的模糊基准,该基准专用于UAF,并建立在真实的代码和实际错误上。
控制门 RY (0 . 49 π ) 所需的辅助量子位,q 5 是用于对数据进行幅度编码的 1 量子位寄存器,q 6 是编码标签的量子位。在 IBM 量子处理器 ibmq 16 melbourne 上运行该算法可提供 1024 次采样来对量子位 q 0 进行采样。获得的 P (1) 估计为 ˆ P = 490 / 1024 ≃ 0 . 48,则分配给 x = (0 . 884 , 0 . 468) 的标签为 y = − 1,正如预期的那样。尽管在此测试中分类正确,但与模拟器 ibm qasm simulator 的结果进行比较表明,所考虑的量子机过于嘈杂,无法通过算法 1 进行良好的分类。模拟器的输出统计数据提供 ˆ P = 273 / 1024 ≃ 0 . 27 。此结果与未分类数据向量 x 接近训练向量之间的中间点的事实一致。使用相同的训练点和新的未标记实例 x = (0 . 951 , 0 . 309)(其正确分类为 y = 1)重复实验,量子机失败。事实上 ibmq 16 melbourne 返回相对频率 ˆ P = 338 / 1024 ≃ 0 . 38 ,因此它将 x 归类为 y = − 1 。在同一个测试中,模拟器 ibm qasm simulator 返回 ˆ P = 244 / 1024 ≃ 0 . 24 正确分类。观察到的分类准确性不足取决于所考虑的量子处理器的低量子体积 1(QV = 8)。未来工作的内容可能是在更大、更可靠的硬件上进行测试(例如,具有 27 个量子比特和 QV=128 的 IBM 量子机器 ibmq montreal)。所提出的量子分类器的指数加速归因于在对数时间内有效准备量子态以及在恒定时间内执行分类本身(这取决于所需的准确性)。事实上,选择 QRAM 是出于对总体时间复杂度的明确估计,但允许使用其他有效的初始化来运行此量子分类器。
摘要。本文改进了 Shor 攻击二元椭圆曲线所需的量子电路。我们提出了两种类型的量子点加法,同时考虑了量子比特数和电路深度。总之,我们提出了一种就地点加法,改进了 Banegas 等人在 CHES'21 中的工作,根据变体的不同,将量子比特数 - 深度乘积减少了 73% - 81% 以上。此外,我们通过使用额外的量子比特开发了一种非就地点加法。该方法实现了最低的电路深度,并将量子比特数 - 量子深度乘积提高了 92% 以上(单个步骤)。据我们所知,我们的工作在电路深度和量子比特数 - 深度乘积方面比所有以前的工作(包括 Banegas 等人的 CHES'21 论文、Putranto 等人的 IEEE Access'22 论文以及 Taguchi 和 Takayasu 的 CT-RSA'23 论文)都有所改进。结合实现,我们讨论了二元椭圆曲线密码的后量子安全性。在美国政府的 NIST 提出的 MAXDEPTH 度量下,我们工作中深度最大的量子电路为 2 24 ,明显低于 MAXDEPTH 极限 2 40 。对于门数 - 全深度乘积(一种估计量子攻击成本的度量,由 NIST 提出),我们工作中度为 571 的曲线的最高复杂度为 2 60(在经典安全性方面与 AES-256 相当),明显低于后量子安全 1 级阈值(2 156 量级)。
自 20 世纪末以来,雷达技术已得到广泛应用,尤其是在海事和航空领域 [1-3]。雷达技术中最重要的课题之一是在背景噪声中探测隐形目标。另一方面,当前量子技术的发展为远程探测提供了新的可能性,从而产生了量子雷达的概念。本文提出了一种基于光子对之间量子纠缠的量子雷达“玩具模型”。这种简单的模型并不追求逼真,而是具有关于量子雷达潜力的教育价值。当前用于传输信息的量子技术的发展引入了“量子雷达”的概念,尽管直到 2008 年 Lloyd 的文章发表之前,这个想法一直没有引起人们的兴趣 [4]。在这篇文章中,Seth Lloyd 表明,与光子对的量子纠缠可以显著提高光频范围内的远程探测灵敏度。这种利用纠缠进行远程检测的方式称为“量子照明”(QI)。自本文发表以来,人们对量子雷达领域的兴趣日益浓厚。该主题已经开展了新的理论和实验研究 [5-12]。围绕量子雷达的研究已经从关注单个光子转向小束光子 [4,11]。同样,研究也从光学频率范围 [4] 转向微波频率范围 [11-13],这更适合雷达应用,但也更具挑战性。在此背景下,目前正在开发新技术,以使微波领域的量子照明成为可能。例如,我们可以引用约瑟夫森结,它能够在低温下直接产生微波纠缠光子。还有光学光子和微波光子之间的耦合 [11]。然后,氮空位中心(称为 NV 中心)也允许产生微波纠缠光子。尽管这种量子雷达的可行性面临巨大困难,但该研究领域仍然非常活跃。量子雷达与传统雷达的用途相同,但其功能依赖于量子力学原理。
摘要 — 卷积神经网络 (CNN) 是最重要的深度神经网络 (DNN) 类别之一,有助于解决许多与图像识别和计算机视觉相关的任务。它们使用传统 CMOS 技术和数字设计技术的传统实现仍然被认为非常耗能。浮点 CNN 主要依赖于 MAC(乘法和累加)运算。最近,基于 XNOR 和位计数运算的经济高效的 Bite-wise CNN 已被视为可能的硬件实现候选。然而,由于内存和计算核心之间密集的数据提取导致的冯诺依曼瓶颈限制了它们在硬件上的可扩展性。XNOR-BITCOUNT 操作可以通过在忆阻交叉开关阵列上执行的内存计算 (IMC) 范例轻松实现。在新兴的忆阻设备中,自旋轨道扭矩磁随机存取存储器 (SOT-MRAM) 提供了具有更高导通电阻的可能性,从而可以降低读取电流,因为所有交叉开关阵列都是并行读取的。这有助于进一步降低能耗,为更大的交叉开关设计铺平道路。本研究提出了一种基于 SOT-MRAM 的交叉开关架构,能耗极低;我们研究了工艺变异性对突触权重的影响,并对整个交叉开关阵列进行了蒙特卡罗模拟,以评估错误率。模拟结果表明,与其他忆阻解决方案相比,此实现的能耗较低,每次读取操作的能耗为 65.89 fJ。该设计对工艺变化也具有很强的鲁棒性,读取误差极低,最高可达 10%。
摘要 — 深度学习的出现大大加速了机器学习的发展。然而,边缘深度神经网络的部署受到其高内存和能耗要求的限制。随着新内存技术的出现,新兴的二值化神经网络 (BNN) 有望降低即将到来的机器学习硬件一代的能量影响,使机器学习能够在边缘设备上进行,并避免通过网络传输数据。在这项工作中,在介绍采用混合 CMOS - 氧化铪电阻存储器技术的实现后,我们提出了将 BNN 应用于心电图和脑电图等生物医学信号的策略,以保持准确度水平并降低内存要求。我们研究了二值化整个网络和仅二值化分类器部分时的内存-准确度权衡。我们还讨论了这些结果如何转化为 Imagenet 任务上面向边缘的 Mobilenet V1 神经网络。这项研究的最终目标是实现智能自主医疗设备。
• Bypass capacitor placement – Place near the positive supply terminal of the device – Provide an electrically short ground return path – Use wide traces to minimize impedance – Keep the device, capacitors, and traces on the same side of the board whenever possible • Signal trace geometry – 8mil to 12mil trace width – Lengths less than 12cm to minimize transmission line effects – Avoid 90° corners for signal traces – Use an unbroken ground plane在信号迹线下方 - 带有地面的信号迹线周围的洪水填充区域 - 对于超过12厘米的迹线•使用阻抗控制的迹线•源 - 端端使用输出附近的串联阻尼电阻器•避免分支;缓冲信号必须单独分支