XiaoMi-AI文件搜索系统
World File Search SystemDistillation
北京大学量子材料科学中心
校正（QEC），横向和非转交逻辑门及其对普遍性的影响。然后，我将重点介绍Rydberg Atom阵列作为FTQC平台的特定优势和机会，并展示其独特功能（例如非本地连接性，平行的闸门动作，集体活动性，集体移动性以及本地多控制的Gates）如何使用诸如魔术和良好的魔术集合，以实现魔术，并在魔术中实现魔术，以实现魔术，并使用魔术。受控-z代码（https://arxiv.org/abs/2312.09111）。
Slimflow：训练带有整流流量的较小的一步扩散模型
摘要。扩散模型在高质量产生中表现出色，但由于迭代采样而导致缓慢的推断。尽管最近的方法已成功地将扩散模型转换为单步生成器，但它们忽略了模型尺寸的减小，从而将其适用性限制在计算受约束的情况下。本文旨在通过探索推理步骤和模型大小的关节压缩来开发基于强大的整流流框架的小型，有效的一步扩散模型。使用两种操作，回流和蒸馏，整流的流框架训练一步生成模型。与原始框架相比，挤压型号的大小带来了两个新的挑战：（1）在回流过程中，大型老师和小学生之间的初始化不匹配； （2）小型学生模型上天真蒸馏的表现不佳。为了克服这些问题，我们提出了退火回退和流引导的蒸馏，这共同构成了我们的Slimflow框架。使用新颖的框架，我们训练一个一步扩散模型，其FID为5.02和1570万参数，在CIFAR10上表现优于先前最新的一步扩散模型（FID = 6.47，1940万参数）。在Imagenet 64×64和FFHQ 64×64上，我们的方法产生了与较大模型相当的小型单步扩散模型，从而展示了我们方法在创建紧凑，有效的一步扩散模型时的效率。
人工智能时代已然来临 - 阿斯彭研究所
计划，我要感谢 Michael Ferro 和 Ferro 研究所在组织这次圆桌会议方面的领导和支持。还要感谢我们的报告员 David Bollier，他将各种对话和细微的观点记录到首届人工智能圆桌会议的报告中。正如我们的圆桌会议的典型做法一样，这份报告是报告员对对话的提炼。它不一定反映会议上每位参与者的意见。最后，我要感谢项目经理 Jennarose Placitella 和 Kristine Gloria 以及董事总经理 Tricia Kelly 为会议所做的工作，并使这份报告得以实现。
人工智能时代来临 - 阿斯彭研究所
我谨代表阿斯彭研究所通信与社会项目感谢 Michael Ferro 和 Ferro 研究所在组织本次圆桌会议过程中发挥的领导作用和给予的支持。还要感谢我们的报告员 David Bollier 将各种对话和细微观点记录到首届人工智能圆桌会议的报告中。与我们的圆桌会议一样，本报告是报告员对对话的提炼。它不一定反映会议上每个参与者的意见。最后，我要感谢项目经理 Jennarose Placitella 和 Kristine Gloria 以及董事总经理 Tricia Kelly 为会议所做的工作，并使本报告得以实现。
AAAI-24：主要轨道
Main Track 375 Aleth-NeRF: Illumination Adaptive NeRF with Concealing Field Assumption Ziteng Cui; Lin Gu; Xiao Sun; Xianzheng Ma; Yu Qiao; Tatsuya Harada Main Track 533 HDMixer: Hierarchical Dependency with Extendable Patch for Multivariate Time Series Forecasting Qihe Huang; Lei Shen; Ruixin Zhang; Jiahuan Cheng; Shouhong Ding; Zhengyang Zhou; Yang Wang Main Track 604 Cross-Covariate Gait Recognition: A Benchmark Shinan Zou; Chao Fan; Jianbo Xiong; Chuanfu Shen; Shiqi Yu; Jin Tang Main Track 1783 Which Is More Effective in Label Noise Cleaning, Correction or Filtering?Gaoxia Jiang; Jia Zhang; Xuefei Bai; Wenjian Wang; Deyu Meng Main Track 620 Let All Be Whitened: Multi-Teacher Distillation for Efficient Visual Retrieval Zhe Ma; Jianfeng Dong; Shouling Ji; Zhenguang Liu; Xuhong Zhang; Zonghui Wang; Sifeng He; Feng Qian; Xiaobo Zhang; Lei Yang Main Track 1539 Identifiability of Direct Effects from Summary Causal Graphs Simon Ferreira; Charles K. Assaad Main Track 794 NuScenes-QA: A Multi-Modal Visual Question Answering Benchmark for Autonomous Driving Scenario Tianwen Qian; Jingjing Chen; Linhai Zhuo; Yang Jiao; Yu-Gang Jiang
微型人工智能
微型人工智能是用来描述人工智能研究界为减少算法大小所做的努力的术语，特别是那些需要大量数据集和计算能力的算法。微型人工智能研究人员开发出一种称为蒸馏方法的方法，这种方法不仅可以减少模型的大小，而且还可以加速推理并保持高水平的准确性。使用这些蒸馏方法，模型可以显著缩小，最多可缩小 10 倍。此外，可以在边缘部署更小的算法，而无需将数据发送到云端，而是在设备上做出决策。在构建更强大的算法的过程中，研究人员正在使用越来越多的数据和计算能力，并依赖于集中式云服务。这不仅会产生惊人的碳排放量，而且还会限制人工智能应用程序的速度和隐私。但微型人工智能的逆势正在改变这一现状。科技巨头和学术研究人员正在研究新算法，以缩小现有的深度学习模型，同时又不失去其功能。与此同时，新一代专用 AI 芯片有望将更多的计算能力装入更紧凑的物理空间，并以更少的能源训练和运行 AI。这些进步才刚刚开始面向消费者。Google 宣布，它现在可以在用户的手机上运行 Google Assistant，而无需向远程服务器发送请求。从 iOS 13 开始，Apple 在 iPhone 上本地运行 Siri 的语音识别功能及其 QuickType 键盘。
伽马射线的janus电纺纳米纤维膜用于脱盐和核废水处理
这项研究介绍了使用乙烯基氟化物（PVDF）和基于聚合物的聚合物（PES，硫酸PE，硫酸PE，硫酸PES，PE，pes，pes，pes，pes）聚合物的双层型纳米纤维膜（DL-ENMS（DL-ENMS）（PES）。用单层电纺纳米纤维膜（SL-ENM）进行了比较分析，总厚度约为375μm。使用饲料溶液，包括氯化钠，硝酸钠和模拟的核废水（SNWW），评估了通过直接接触膜蒸馏（DCMD）和空气间隙膜蒸馏器（AGMD）技术进行脱盐和放射性核素去污染的DL-ENMS的性能。结果表明，DL-ENM，尤其是掺入基于PES的基于PES的亲水性层的DL-Enms表现出较高的渗透通量，在DCMD中使用NACL和NANO 3的水溶液在DCMD中达到72.72 kg/m 2。h和73.27 kg/m 2。 2。H分别在DCMD和AGMD中使用SNWW的水性进料溶液。SL-Enms和DL-Enms均表现出较高的排斥效率和饲料溶液的净化因子（> 99.9％）。此外，准备好的ENM暴露于伽马辐射中，以评估其在现实生活中的适用性。辐射的结果表明，伽马辐射对PVDF氟含量的负面影响，这可能是将PVDF用作疏水材料通过膜蒸馏将核废水衰减的关键点。
论文bingbin liu-机器学习| CMU
本文详细介绍了使用沙箱方法来了解任务设计，模型类和学习过程的使用。第2章研究机器学习任务中的设计选择，重点是从顺序数据中提取信息（即对对比度学习和掩盖的预测）如何从顺序数据中提取信息。第3章分析了特定模型类的功能和局限性，重点是变压器进行顺序推理。本章旨在表征可行的解决方案，讨论概括挑战，并提出改进，并涉及对侵犯性的影响。最后，第4章研究了影响学习过程的因素。它识别并解决了对比学习中的算法挑战，并探讨了知识蒸馏如何改善样本复杂性。
评估自适应策略对量子信道区分性的优势
最近，[Wang et al ., Phys. Rev. Research 1, 033169 (2019)] 提出了量子策略非对称可区分性的资源理论。资源理论的基本对象是量子策略对，它们是量子通道的泛化，为描述任意量子相互作用提供了框架。在本文中，我们提供了该资源理论中一次性操作量的半定程序表征。然后，我们应用这些半定程序来研究自适应策略在广义振幅阻尼通道的鉴别和可区分性提炼中的优势。我们发现自适应策略与非自适应策略所能实现的目标之间存在显著差距。