XiaoMi-AI文件搜索系统
World File Search SystemGreedy
AISYN：基于人工智能驱动的强化学习逻辑合成框架
摘要 — 逻辑综合是数字芯片设计和实现中最重要的步骤之一，对最终结果质量 (QoR) 有很大影响。对于由有向无环图 (DAG) 建模的最通用输入电路，许多逻辑综合问题（例如延迟或面积最小化）都是 NP 完全的，因此没有最佳解决方案。这就是为什么许多经典逻辑优化函数倾向于遵循贪婪方法，这些方法很容易陷入局部最小值，无法最大限度地提高 QoR。我们相信人工智能 (AI) 和更具体地说强化学习 (RL) 算法可以帮助解决这个问题。这是因为 AI 和 RL 可以通过退出局部最小值来帮助进一步最小化 QoR。我们在开源和工业基准电路上进行的实验表明，通过使逻辑综合优化功能由 AI 驱动，可以显著改善面积、延迟和功率等重要指标。例如，与没有 AI 意识的传统重写算法相比，我们基于 RL 的重写算法可以将综合后的总单元面积提高高达 69.3%。
![arXiv:2502.01527v1 [cs.LG] 2025 年 2 月 3 日](/simg/e\e1fd4be4a8f1766e1b569d55fce3ac807267f447.webp)
arXiv:2502.01527v1 [cs.LG] 2025 年 2 月 3 日
摘要。本文介绍了 MCTS-BN，它是蒙特卡洛树搜索 (MCTS) 算法的一种改编，用于贝叶斯网络 (BN) 的结构学习。MCTS 最初设计用于博弈树探索，现已重新用于解决学习 BN 结构的挑战，方法是探索贝叶斯网络中潜在祖先顺序的搜索空间。然后，它采用爬山法 (HC) 从每个顺序中得出贝叶斯网络结构。在大型 BN 中，变量顺序的搜索空间变得巨大，在推出阶段使用完全随机的顺序通常不可靠且不切实际。我们采用半随机方法来应对这一挑战，方法是结合从其他启发式搜索算法（如贪婪等价搜索 (GES)、PC 或 HC 本身）获得的变量顺序。这种混合策略减轻了计算负担并提高了推出过程的可靠性。实验评估证明了 MCTS-BN 在改进传统结构学习算法生成的 BN 方面的有效性，即使在基础算法阶数次优的情况下也表现出稳健的性能，并且在提供有利阶数时超越了黄金标准。
考虑合作任务和优先约束的多机器人任务分配与调度
摘要 — 为了充分利用异构多机器人团队合作的固有优势，复杂的协调算法必不可少。时间扩展多机器人任务分配方法将一组任务分配和安排给一组机器人，以优化某些目标并满足操作约束。如果考虑合作任务（即需要两个或多个机器人直接协同工作的任务），这尤其具有挑战性。在本文中，我们提出了一个易于实施的标准来验证时间扩展多机器人任务分配问题解决方案的可行性，即可执行性，这些问题具有跨计划依赖性，这些依赖性源于对合作任务和优先约束的考虑。使用引入的可行性标准，我们针对所考虑的问题类提出了一种基于邻域运算符的局部改进启发式方法。初始解决方案由贪婪的构造启发式方法获得。这两种方法都使用广义成本结构，因此能够处理各种目标函数实例。我们使用不同问题规模的测试场景来评估所提出的方法，所有这些场景都包含所考虑问题的复杂性方面。模拟结果证明了应用局部改进启发式方法所带来的改进潜力。
使用Dijkstra算法在服务机器人上使用Dijkstra算法
摘要。移动机器人中机器人技术的进步正在迅速发展，并在工业，军事，医学和公共服务等各个部门中使用。挑战包括感知，本地化，运动控制和路径计划。Dijkstra算法的目的是一种贪婪的算法，是优化计划计划以提高运动效率。Dijkstra的算法是图理论中的一种有用的方法，可以利用迭代方法在加权图中找到两个节点之间的最短路径来计算距离。所建议的算法通过同时确定从起点到所有其他点的最短途径，利用各种路径或继续在相同的路径上到达其他节点，从而加快了初始过程的速度。尽管如此，它始于中央节点，利用不受所采用路线影响的数据。作者使用服务机器人对Dijkstra的算法进行了实验，并成功地导航了三个障碍而没有任何碰撞。机器人通过保持0.23 m/s的平均速度为0.23 m/s，X轴上的平均误差为0.021米，在Y轴上保持0.021米，在找到最短和最快的路径方面取得了成功。
卫星观测的动态靶向，包括起伏成本和复杂的观察力*
摘要 - 最大化有限的地球观察卫星资源的实用性是一个困难的问题。动态焦油获取是应对这一挑战的一种方法，该方法智能地计划并根据LookAhead传感器的信息来计划并执行主要传感器观察。但是，当前的实现未能解释逼真的卫星操作性，并使用静态实用程序来重复观察同一目标。为了解决这些局限性，我们实施了一个更通用的动态定位框架，该框架包括基于物理的摇摆模型，一个动态模型的观察效用模型以及用于收集高维修率观测值的算法。为了展示此框架，我们还提供了复杂的Dynamic效用模型，这些模型适用于许多任务和新算法，用于智能地安排使用摆动限制和改变效用的智能观察，包括贪婪的算法和深度优先搜索算法。为了评估这些算法，我们通过两个数据集测试了它们在模拟运行中的性能，并与当今地球科学任务中大多数调度算法的算法的性能进行比较，以及一个棘手的上限。我们表明，我们的算法具有从地球科学任务中改善科学回报的巨大潜力。
启用Quan
NISQ设备具有多个物理局限性和不可避免的嘈杂量操作，并且只能在量子机上执行小电路以获得可靠的结果。这导致了量子硬件未充分利用的问题。在这里，我们通过提出量子多编程编译器（QUMC）同时在量子硬件上执行多个量子电路来解决此问题并改善量子硬件吞吐量。这种方法还可以减少电路的总运行时间。我们首先介绍了一个并行的管理器，以选择适当数量的电路，以同时进行。第二，我们提出了两种不同的量子分区算法，以将可靠的分区分配给多个电路 - 一种贪婪和启发式。第三，我们使用同时的随机基准测试协议来表征串扰属性，并在量子分区过程中考虑它们，以避免同时执行期间的串扰效应。最后，我们增强了映射过渡算法，以使用插入的门数减少在硬件上使电路可执行。我们通过同时在IBM量子硬件上执行不同尺寸的电路来演示我们的QUMC方法的性能。我们还在VQE算法上研究了此方法，以减少其开销。
自适应程序用于区分任意张量量量子状态
摘要 - 量子状态之间的歧视是量子信息理论中的一项基本任务。给定两个量子状态ρ +和ρ-，HELSTROM的测量区分它们的误差概率最小。然而，发现和实现HELSTROM测量值对许多量子位上的量子状态可能具有挑战性。由于这种困难，人们对识别接近最佳的局部测量方案非常有兴趣。在这项工作的第一部分中，我们概括了Acin等人的先前工作。（物理。修订版A 71，032338），并证明使用贝叶斯更新的本地贪婪（LG）方案可以最佳区分任何两个可以写成任意纯状态的张量产物的状态。然后，我们表明，相同的算法无法以消失的误差概率（即使在较大的子系统限制中）区分混合状态的张量产物，并引入了一种局部刺激（MLG）方案，并严格效果更好。在这项工作的第二部分中，我们将这些简单的本地方案与一般动态编程（DP）方法进行比较。DP方法发现了一系列最佳的局部测量和子系统测量的最佳顺序，以区分两个张量产生状态。1
电池储能对自动交易能源市场中电力流和经济性的影响
摘要：本文探讨了在太阳能大量利用的社区中，以交易能源方式使用电池储能。我们假设，独立行动的全自动代理（一些配备电池储能）之间的有效市场互动可以节省账单并改善电力流，而无需提前明确优化电力流。使用九个典型住宅生产消费者和一个重载生产消费者的测试设置。重载生产消费者最初会遇到多次欠压违规，并安装了一个 13.5 kWh 电池来缓解该问题。比较了两种配置文件塑造策略。第一种方案使用贪婪控制来最大化自给自足，而第二种方案使用本地市场来实现参与者之间的能源交易，并使用基于规则的交易和管理代理进行控制。结果表明，第一种方案对电力流的改善很小，但第二种方案消除了所有欠压违规的发生。此外，电网的总能源消耗量减少了 24.3%，而注入电网的能源消耗量减少了 39.2%。这导致每个参与者的电费降低，整个社区的电费减少了 16.7%。
超出字面描述：理解和找到与人类意图一致的开放世界对象
大型语言模型（LLMS）在解决Comples开放域任务方面具有出色的功能，并以提示形式进行的综合指示和示威。但是，这些提示可能是冗长的，通常会组成数百条线和数千个托管，它们的设计通常需要人们的努力。最近的研究已在短提示中介绍了自动及时工程，通常由一个或几个句子组成。但是，由于其巨大的搜索空间，长提示的自动设计仍然是一个具有挑战性的问题。在此pa-per中，我们提出了一种名为“自动及时工程XPERT（APEX）的算法”，这是一种新型算法，可以自动改善长时间的提示。利用具有横梁搜索的贪婪算法提高效率，Apex Uti-Liz liz liz liz liz liz liz liz liz liz liz liz liz liz liz liz liz liz liz extimive stripifimentive stripivine 在其搜索过程中显着提高了基于LLM的突变的有效性。 我们的结果表明，APEX在Big Banch中的八个任务中平均获得9.2％的准确性增益，并且具有各种模型的GSM8K的持续改进，突出了自动提示设计的重要性，以完全利用LLMS的功能。在其搜索过程中显着提高了基于LLM的突变的有效性。我们的结果表明，APEX在Big Banch中的八个任务中平均获得9.2％的准确性增益，并且具有各种模型的GSM8K的持续改进，突出了自动提示设计的重要性，以完全利用LLMS的功能。
生成探索 - 开发：使用LLM优化器对生成推荐系统进行无培训优化
推荐系统被广泛用于吸引参与内容，大型语言模型（LLMS）引起了生成推荐人。这样的系统可以直接构成项目，包括用于诸如问题建议之类的开放设定任务。虽然LLMS的世界知识启动了好的建议，但是通过用户反馈改善生成的内容却是一项挑战，因为持续细微的LLM持续昂贵。我们提出了一种无培训方法，可以通过将用户反馈循环与基于LLM的优化器连接起来来优化生成推荐人。我们提出了一种生成探索探索方法，该方法不仅可以利用具有已知高参与度的生成的项目，而且可以积极地探索并发现隐藏的人群偏爱以提高建议质量。我们在两个域（电子商务和一般知识）中评估了问题生成的方法，并使用单击“速率”（CTR）对用户反馈进行了模型。实验表明，我们基于LLM的探索探索方法可以依靠地提高建议，并同意增加CTR。消融分析表明，生成探索是学习用户偏好的关键，避免了贪婪的仅剥削方法的陷阱。人类评估强烈支持我们的定量发现。