XiaoMi-AI文件搜索系统
World File Search SystemKernel
![SEL4白皮书[PDF]](/simg/g:\will\search\icon\source\a\a3a507dfbdfa03462a2b7ec4ca8900ad0d9c3d72.webp)
SEL4白皮书[PDF]
左侧为Linux等系统的体系结构提供了（相当抽象的）视图。黄色部分是OS内核，它为应用程序提供了文件存储和网络等服务。实现这些服务的所有代码都以硬件的特权模式执行，也称为内核模式或主管模式 - 执行模式，该模式不受限制地访问和控制系统中所有资源。相比之下，应用程序以非特权或用户模式运行，并且无法直接访问许多硬件资源，这些硬件资源必须通过OS访问。OS内部结构在许多层中，其中每层提供以下各层实现的抽象。
基于 KPLS 的多模风洞流动系统马赫数预测
摘要：风洞中需要对马赫数进行精确监测与控制，而直接在线获取马赫数非常困难，尤其当风洞系统处于多模态时。针对这一问题，提出了一种基于核偏最小二乘法的针对多模态风洞系统的马赫数预测算法。首先，为了反映实时变化，采用时间片偏最小二乘回归方法；然后，为了使模型能够代表除以关键过程变量后的整个工作模式的信息，建立了均值偏最小二乘模型，并与时间片模型进行了比较；然后，考虑到风洞系统具有较强的非线性特性，采用适用于非线性系统的核偏最小二乘法对马赫数进行预测。结果表明：均值模型优于时间片模型，单模态模型的预测能力优于多模态模型，核偏最小二乘法比偏最小二乘法更适用于风洞系统。
嵌入量子内核的表达性 - refubium
抽象在内核方法的背景下建立了量子和经典机器学习之间最自然的联系之一。内核方法依赖于内核，它们是生活在大特征空间中的特征向量的内部产物。量子核通常通过明确构建量子特征状态然后采用其内部产品（此处称为嵌入量子核）来评估。由于通常在不明确使用特征向量的情况下评估经典核，因此我们想知道表达嵌入量子内核的表现方式。在这项工作中，我们提出了一个基本问题：所有量子内核是否可以表示为量子特征状态的内部产物？我们的第一个结果是阳性：调用计算普遍性，我们发现，对于任何内核函数，始终存在相应的量子特征图和嵌入量子内核。该问题的操作阅读越多，就与有效的结构有关。在第二部分中，我们正式化了有效嵌入量子内核的普遍性问题。对于移位不变的内核，我们使用随机傅立叶特征的技术表明它们在所有内核的广泛类别中是通用的，这些核允许有效的傅立叶采样变体。然后，我们将此结果扩展到了一类新的所谓构图内核，我们显示的还包含了最近在最近的作品中引入的预测的量子内核。在证明了嵌入量子内核的普遍性以用于移位不变和组成内核之后，我们确定了朝向新的，更外来和未开发的量子核族的方向，如果它们与有效嵌入量子核相对应，则仍然保持开放。
生成模型 - 深度学习和人工智能，WS20/21
图：示例来自 https://scikit-learn. org/stable/modules/density.html，p = 8 × 8 = 64，PCA(15)，高斯核函数，h = 3。79
![arXiv:2010.02174v2 [quant-ph] 2020 年 11 月 30 日](/simg/g:\will\search\icon\source\c\c6136e3d3be86df63cc8a76a434fa2b1531d99d1.webp)
arXiv:2010.02174v2 [quant-ph] 2020 年 11 月 30 日
在过去的几年中，提出了几种量子机器学习算法，这些算法有望比经典算法实现量子加速。这些学习算法中的大多数要么假设量子访问数据——因此，如果不做出这些强有力的假设，量子加速是否仍然存在尚不清楚，要么本质上是启发式的，没有可证明的优势优于经典算法。在本文中，我们使用一种通用量子学习算法建立了一种严格的量子加速监督分类方法，该算法只需要经典访问数据。我们的量子分类器是一种传统的支持向量机，它使用容错量子计算机来估计核函数。数据样本被映射到量子特征空间，核条目可以估计为量子电路的跃迁幅度。我们构建了一个数据集系列，并表明，假设离散对数问题具有普遍的难度，没有一个经典学习器能够比随机猜测更好地对数据进行逆多项式分类。同时，量子分类器实现了高精度，并且对于由有限采样统计引起的内核条目中的附加错误具有很强的鲁棒性。
LLM4HPC：迈向AI自主HPC世界
- 给我一个内核和一个函数，仅计算向量X的乘法通过常数a的乘法，然后将结果添加到向量y中。不要提供主要功能。向量x和y是长度n，使用C和CUDA并行计算，分配和释放GPU向量，并在功能中进行CPU -GPU存储器传输。必须定义螺纹块的大小和块的数量。使用内核__global __ void saxpy_kernel（int n，float a，float a，float *x，float *y）以及函数void chatblas_saxpy的下一个函数名称和参数。在代码开头的下一行#include“ chatblas_cuda.h”
基于脑解剖磁共振成像的阿尔茨海默病诊断分类集成模型
摘要：阿尔茨海默病是全球范围内发病率增长最快的疾病之一，会导致脑萎缩。神经影像学揭示了有关大脑解剖结构的大量信息，并能够识别诊断特征。神经影像学中的人工智能 (AI) 有可能显著增强阿尔茨海默病 (AD) 的治疗过程。本研究的目的有两个：(1) 比较现有的机器学习 (ML) 算法对 AD 的分类。(2) 提出一个有效的基于集成的模型并对其进行比较分析。在本研究中，利用在线存储库阿尔茨海默病神经影像学计划 (ADNI) 的数据进行实验，其中包括 2125 张阿尔茨海默病 (n = 975)、轻度认知障碍 (n = 538) 和认知正常 (n = 612) 的神经影像。对于分类，该框架结合了决策树 (DT)、随机森林 (RF)、朴素贝叶斯 (NB) 和 K 最近邻 (K-NN)，以及支持向量机 (SVM) 的一些变体，例如 SVM（RBF 核）、SVM（多项式核）和 SVM（Sigmoid 核），以及梯度提升 (GB)、极端梯度提升 (XGB) 和多层感知器神经网络 (MLP-NN)。之后，提出了一种基于集成的通用内核，其中结合了主从架构以获得更好的性能。所提出的模型是极端梯度提升、决策树和 SVM_Polynomial 核（XGB + DT + SVM）的集成。最后，使用统计技术以及其他 ML 模型进行交叉验证来评估所提出的方法。所提出的集成模型 (XGB + DT + SVM) 的表现优于现有的最先进算法，准确率为 89.77%。所有模型的效率都使用基于网格的调整进行了优化，经过此过程获得的结果显示出显着的改善。具有优化参数的 XGB + DT + SVM 的表现优于所有其他模型，效率为 95.75%。所提出的基于集成的学习方法的含义清楚地表明了与其他 ML 模型相比的最佳结果。这种实验比较分析提高了对上述方法的理解，并增强了它们在阿尔茨海默病早期检测中的范围和意义。
主题：应用人工智能（APAI）
什么是计算机视觉？图像分析和计算机视觉的应用。常见的图像和视频格式（非常简短的描述 .jpeg、.tiff、.bmp、.mp4、.avi）、颜色模型：RGB、计算机中的图像表示、图像二值化（基于阈值）、图像特征 - 像素特征、灰度值作为特征、通道的平均像素值、边缘特征（Prewitt 核、Sobel 核）、纹理特征、用例：使用动物数据集进行图像分类（三类 - 狗、猫和熊猫）、带有示例的图像表示、动物数据集的描述、使用 k-NN 或其他 ML 工具进行分类（步骤的简要描述：数据收集、数据表示、将数据集拆分为训练集和测试集、训练分类器、使用 Scikit 学习工具进行评估）。
量子克尔学习 - 知识 UChicago
摘要 量子机器学习是一个快速发展的研究领域，它可以促进量子计算的重要应用，并对数据驱动科学产生重大影响。在我们的工作中，基于复杂性理论和物理学的各种论点，我们证明单个克尔模式在处理基于核的方法时可以提供一些“量子增强”。利用核属性、神经正切核理论、克尔非线性的一阶扰动理论和非扰动数值模拟，我们表明量子增强可以在收敛时间和泛化误差方面发生。此外，我们明确指出了如何考虑高维输入数据。最后，我们提出了一种基于电路 QED 的实验协议，我们称之为量子克尔学习。