XiaoMi-AI文件搜索系统
World File Search SystemLEM
通过输入重新标记和定量预先注册任务来改善算术
数字是叙事中必不可少的一部分，并提供了许多细粒度的信息。1模型如何学习数字系统吸引了许多研究人员（Spithourakis和Riedel，2018; Naik等人。，2019年； Chen等。，2019年；华莱士等。，2019年；张等。，2020）。研究人员长期以来一直讨论了受过训练的语言模型（LMS）的一些与算术相关的特性。在这项研究中，我们提出了一个新概念 - 无数。当模型面临未出现在训练数据中的数字时，例如，当训练数据中的数字范围与测试数据中的数字范围不同时，无限制的概率变得最明显。此外，即使培训数据中存在数字，LMS也经常面临不存在数字的困难。此问题的一个可能原因是数字可以具有各种符号，其中一些符号很难从其子词中理解。另一个可能的原因是
人工智能软件的责任问题
可以针对给定的输入产生通常一致的结果，而用户和程序之间几乎没有交互。 21 此类程序为熟悉的基于计算机的活动提供了基础，其中顺序过程明确定义了解决问题的操作：处理电子表格、数据库、文字处理和财务分析的大量数字和符号。 2 “这些程序通常设计为大众市场，而不是定制设计。 23 软件的最终用户和开发人员之间几乎没有交互，并且供应商在销售之前不会考虑个人用户的技能或程序的特定预期用途。 2 尽管进行了广泛的测试，但任何传统程序都不可能没有错误。 25 错误或“错误” 26 可以在程序的开发、加载或运行过程中的许多点引入。 27 问题不在于是否存在风险，而在于什么风险水平是可以接受的，以最大限度地提高实用性并最大限度地减少责任。 28
与对称的海顿 - 优先协议
Hayden-Preskill协议是黑洞信息悖论的Qubit玩具模型。基于争夺的假设，发现量子信息被立即从模拟黑洞的量子多体系统中泄漏出来。在本文中，我们将规程介绍了系统具有对称性并研究对称性如何影响信息泄漏的情况。我们特别关注向上旋转数量的保证。开发一种部分去耦方法，我们首先表明对称性会导致泄漏延迟和信息残余。然后，我们澄清它们背后的物理：延迟的特征是与对称性相关的系统的热力学特性，并且信息递归与初始状态的对称破坏密切相关。这些关系将信息泄漏概率桥接到量子多体系统的宏观物理学上，并允许我们仅根据系统的物理性质来对信息进行泄漏。
对生物信息学研究中大型语言模型的评估
摘要 - 诸如ChatGpt之类的LARGE语言模型（LLMS）在各种研究中都引起了人们的极大兴趣。他们出色的文本完成能力和生成能力为语言互化问题解决了一种新颖的范式。然而，这些模型在生物信息学中的潜在和功效仍未完全探索。在这项工作中，我们研究了各种关键的生物信息学任务上的绩效LLM。这些任务包括鉴定潜在的编码区域，提取基因和蛋白质的指定实体，检测抗菌和抗癌肽的检测，分子优化以及解决教育生物启发性的问题。我们的发现表明，在适当的提示下，像GPT变体这样的LLM可以成功处理大多数这些任务。此外，我们在复杂的生物信息学任务的背景下对它们的局限性进行了详尽的分析。总而言之，我们认为这项工作可以提供新的观点，并激发LLMS应用领域的未来研究，科学和生物信息学的AI。
L-CoDe：使用颜色对象解耦条件的基于语言的着色
对灰度图像进行着色本质上是一个具有多模态不确定性的病态问题。基于语言的着色提供了一种自然的交互方式，即通过用户提供的标题来减少这种不确定性。然而，颜色-物体耦合和不匹配问题使得从单词到颜色的映射变得困难。在本文中，我们提出了一种使用颜色-物体解耦条件的基于语言的着色网络 L-CoDe。引入了物体-颜色对应矩阵预测器 (OCCM) 和新颖的注意力转移模块 (ATM) 来解决颜色-物体耦合问题。为了处理导致颜色-物体对应不正确的颜色-物体不匹配问题，我们采用了软门控注入模块 (SIM)。我们进一步提出了一个包含带注释的颜色-物体对的新数据集，以提供用于解决耦合问题的监督信号。实验结果表明，我们的方法优于基于标题的最先进的方法。
佘雨辰、李爽、刘宇飞、曹梦龙，“大型太空望远镜在轨机器人组装任务设计与规划”，J. Ast
摘要：研究大型空间望远镜（LST）的概念设计和在轨装配任务规划问题。提出了分段式镜面设计，并开发了考虑机械手工作空间覆盖范围的机器人装配概念。为了减少在轨装配周期并保护易碎的镜面结构，采用几种新算法优化机器人装配路径。首先，建立装配路径与装配件数之间的映射，快速生成优化问题的候选解。其次，提出了结合蚁群算法和遗传算法的两级混合优化框架。混合优化方法能够快速收敛到接近全局最优解。通过仿真验证了所提出的模型和算法，结果表明所开发的方法可以显著提高LST的在轨装配任务效率。 © 2020 光学仪器工程师协会 (SPIE) [DOI: 10.1117/1.JATIS.6.1.017002]
cheapnvs：实时在设备上狭窄的基线新型视图综合
摘要 - 各种视图的新视图合成（NVS）是由于其规模不足而臭名昭著的概率，并且通常需要大型，计算昂贵的方法来产生切实的结果。在本文中，我们提出了CheapNVS：基于新颖，有效的多个编码器/解码器设计的狭窄基线单视NVS的完全端到端方法，该方法以多阶段的方式训练。cheapnvs首先近似于在目标视图的摄像头姿势嵌入在摄像头姿势嵌入的轻巧可学习模块的费力3D图像翘曲，然后在遮挡的区域进行介绍，并并行，以实现显着的性能增长。一旦接受了开放式图像数据集的一部分训练，便宜的NVS却超过了最先进的图像，尽管更快的速度更快，并且记忆力少6％。此外，CheapNVS在移动设备上实时舒适地运行，在Samsung Tab 9+上达到30 fps。索引术语 - Novel视图合成； 3D摄影
量子近似计数，具有非适应性的Grover迭代
引理10的算法完全按照定义4和事实5中所述的构建；有一个初始的非适应性量子零件，上面有固定的格罗弗时间表（我们稍后将定义），最后一个经典的后处理步骤，该步骤使用量子部分的结果来估计θ∗。在说出算法的量子部分中的关键思想之前，我们提到了Aaronson和Rall的“旋转引理” [1，LEM。2]。可以大致说明该引理的主要思想如下：鉴于θ∗在某个范围内[θmin，θmin + ∆θ]，我们可以选择r = o（1 /（θ·∆θ））的奇数整数值，这样rθmin就接近2πk和r（θmin +2π / + 2θ）2×2×2× + ∆ + ∆ + ∆ + ∆ + ∆ + ∆。如果θ接近θmin，则p（r）将接近0（如果接近θmin + ∆θ，则将接近1）。Aaronson和Rall使用此引理来不断收缩θ∗可能在每次迭代处由几何因素所处的可能范围，直到范围为1±ϵ。我们将采用类似的想法来找到一个有效的Grover计划，该计划可以以很高的概率区分任何两个候选角度；我们通过放松一个角度的状况接近2πk，而另一个角度在距离π/ 2处，我们做到这一点。相反，我们在Grover计划中选择了序列R，以便对于任何一对值θ1和θ2，有一些r∈R使得rθ1和rθ2差异大约π/ 8，并且也是“相同的象限”（含义相同的间隔[0，π div> div> div> div> div> div> div> div> div> div> div>> div>> div> div>
具有风格化网络模型的概念框架
尽管学术界对物理互联网（PI）的兴趣和资金支持日益增加，但令人惊讶的是，人们对其操作和实施知之甚少。在本文中，我们建议在数字互联网（DI）的基础上研究 PI，数字互联网是一个成熟的实体。我们使用 DI 作为起点为 PI 网络提出了一个概念框架，并发现 PI 网络不仅需要解决可达性问题，即如何将物品从 A 路由到 B，还必须面对更复杂的优化问题，即如何动态优化一组额外的物流相关指标，如成本、排放和运输时间。这些最后的问题对于 DI 来说不那么关键，可以使用相对简单的程序来处理。基于我们的概念框架，我们随后提出了一个使用图论的简单网络模型来支持 PI 的操作化。该模型涵盖了当前文献中提出的 PI 的特征，并为进一步的定量分析提出了未来方向。
深度学习的图像和视频介绍：调查
抽象图像和视频介绍是计算机视觉和计算机图形学的经典问题，目的是填写图像和视频缺失区域中的合理和现实内容。随着深度学习的发展，这个问题最近取得了重大进展。本文的目的是综合地回顾基于图像和视频介绍的深度学习方法。具体来说，我们将方法分为不同的类别，从它们的高水平介入管道的视线中，提出了不同的深度学习体系结构，包括CNN，VAE，GAN，GAN，GAN，扩散模型等，并汇总了模块设计的技术。我们审查了培训的培训和常见的基准数据集。我们提出了低级像素和高级别的相似性，进行绩效评估的评估指标，并讨论代表介绍方法的优势和缺点。我们还讨论了相关的现实世界应用。最后，我们讨论了公开挑战，并提出了潜在的未来研究方向。