XiaoMi-AI文件搜索系统
World File Search SystemMING
YP Kim – 2022 年 NSA 荣誉堂入选者
很难想象在朝鲜战争期间，有谁在语言领域做出的贡献能超过金永平。他审问了有密码或通信经验的朝鲜战俘，以获取支持美国 COMINT 行动的信息。他为战术低空语音拦截人员提供建议，这些人员需要在敌人附近行动，以获得更好的拦截效果。他勘察了朝鲜外的 PY Do 岛，并推荐将其用于测向。最后——作为他多才多艺的标志——他研究了中国密码系统，特别是中国炮兵使用的明朝重分页系统。然而，金永平在朝鲜战争中服役的巅峰是在板门店结束战争的谈判期间担任美国（海军和陆军）的首席翻译。这包括审查最终的停战协议。
学院与实践的交汇——构建……
开源建筑是一种新兴的范式，在建筑设计中倡导点对点的收集、包容和参与文化。这些条件支持了人们对新兴设计技术教育、研究和实践交叉领域的广泛兴趣，这些技术致力于形式完整性、性能、仿生性和响应性。在过去十年中，为参数化和算法设计、可视化编程和物理计算领域创建和设计的丰富参与者、开源社区、开源软件和开源硬件应运而生，为建筑教育的变革带来了机会。我们讨论在建筑设计中引入开源文化路径以及专业发展的个人学习网络的教学方法。
城市中的自然：生态过渡的示威者
并在主要行星余额的规模上减轻他们的负面影响。接下来，研究和创新可以在增加城市中自然存在并更好地整合自然的挑战中发挥重要作用。虽然种植一棵树可能相对容易，确保其在中期和长期内的生存要复杂得多：在城市环境中，需要众多条件，这需要尤其困难，并且需要知识，技能，数据和专业工具。在试图最大化“自然”可以为“城市”提供的生态系统服务时，这些要求甚至是奇特的，并计算了每个巨大现实中每个综合的众多相互作用。因此，在城市中成功发展自然并不简单：它需要与大量科学学科有关的技能，以及来自各种利益相关者的创新能力。
系统级别的安全护罩：通过不确定的神经网络动态模型
摘要在许多对照和机器人应用程序中都考虑了神经网络（NN）作为黑框函数近似器。但是，在不确定性存在下验证整体系统安全的困难阻碍了NN模块在安全至关重要的系统中的部署。在本文中，我们利用NNS作为未知染色体系统轨迹跟踪的预测模型。我们在存在固有的不确定性和其他系统模块的不确定性的情况下考虑控制器设计。在这种情况下，我们制定了受约束的传播跟踪问题，并表明可以使用混合智能线性程序（MILP）对其进行求解。在机器人导航和通过模拟避免障碍物中，基于MILP的方法在经验上得到了证明。演示视频可在https://xiaolisean.github.io/publication/2023-11-01-L4DC2024获得。关键字：神经网络，系统级安全，不确定性，轨迹跟踪
用QMPI
量子计算机的实际应用需要数百万个物理量子，因此单个量子处理器达到这样的量子数将是具有挑战性的。因此，在分布式设置中及时研究量子算法的资源需求，其中多个量子处理器通过相干网络进行了相互连接。我们引入了消息传递接口（MPI）的扩展，以实现分布式量子算法的高性能实现。反过来，这些实现可用于测试，调试和资源估计。除了量子MPI的原型实现外，我们还提出了用于分布式量子量的性能模型，sendq。该模型的灵感来自经典的LOGP模型，使得在编程分布式量子计算机时为算法决策提供了信息。具体来说，我们考虑了针对物理和化学问题的两种量子算法的几种优化，并详细介绍了它们对SendQ模型中性能的影响。
用QMPI
量子计算机的实际应用需要数百万个物理量子，因此单个量子处理器达到这样的量子数将是具有挑战性的。因此，在分布式设置中及时研究量子算法的资源需求，其中多个量子处理器通过相干网络进行了相互连接。我们引入了消息传递接口（MPI）的扩展，以实现分布式量子算法的高性能实现。反过来，这些实现可用于测试，调试和资源估计。除了量子MPI的原型实现外，我们还提出了用于分布式量子量的性能模型，sendq。该模型的灵感来自经典的LOGP模型，使得在编程分布式量子计算机时为算法决策提供了信息。具体来说，我们考虑了针对物理和化学问题的两种量子算法的几种优化，并详细介绍了它们对SendQ模型中性能的影响。
电信兼容性评估...
Rui Lin 1 , (member, ieeee), Alexejs Uddarcovs , (member, ieee), Oskars Ozolins 2,3 , (member, ieeee), (senior member, iee), Lin Gan 4 , (Senior Member, IEEEE), Nior member, ieee), sergei popov 3 , thiago ferreira da silva 5 , Guilherme B. xavier 6 , and Jiajia Chen 1 , (Senior Member, Ieee) 1 Department of Electrical Engineering University of Technology, Research institutes of Sweden AB, 16440, Sweden 3 kth Royal Institute of Technology, Kista 16440, Sweden 4 School of Optical and Electronic Information, Huazhong University of Science and Technology, Wuhan 5 Call Metrology Division, National Institution of Metrology, Quality and Technology, Duque de caxias 25250-020, Brazil 6 Institute För Systemik Systemik, Linkpings University, 58183 Linkping, Sweden
通过大型语言模型通过人类反馈学习自主驾驶任务
传统的自主驾驶系统主要集中于做出决策而无需人类互动，忽略了人类的决策和人类的偏好，并在复杂的交通情况下忽略了。为了弥合这一差距，我们引入了一个新颖的框架，利用大型语言模型（LLM）从各种模拟场景和环境中学习以人为反馈的方式学习以人为本的驾驶决策。我们的贡献包括一个基于GPT-4的程序MING计划者，该计划者与现有的Carla Simulator无缝集成以了解交通场景并对人类说明做出反应。具体来说，我们建立了人类指导的学习管道，该管道将人类驾驶员的反馈直接纳入学习过程，并存储最佳的驾驶编程政策，以检索增强发电（RAG）。令人印象深刻的是，我们的编程规划师只有50个保存的代码片段，可以匹配基线经过广泛训练的型系统模型（RL）模型。我们的论文强调了LLM驱动的共享自治系统的潜力，从而将自动驾驶系统开发的前沿变得更加互动和直观。
使用答案集编程在 Unity 中进行声明式 AI 设计
摘要 — 声明性方法（例如答案集编程）在降低商业视频游戏和一般实时应用程序的开发成本方面显示出潜力。然而，许多缺点阻碍了它们的采用，例如性能和集成差距。在这项工作中，我们说明了我们的 ThinkEngine，这是一个框架，在 Unity 游戏引擎的上下文中，可以将声明性形式主义与典型的游戏开发工作流程紧密集成。ThinkEngine 允许将声明性 AI 模块连接到游戏逻辑，并使用混合审议/反应架构将推理任务的计算负载移出主游戏循环。在本文中，我们说明了 ThinkEngine 的架构及其在设计和运行时的作用。然后，我们展示了如何在概念验证游戏中编写声明性模块，并报告性能和相关工作。索引术语 — 答案集编程、声明性方法、游戏设计、知识表示和推理、Unity
QICS：量子信息圆锥求解器
我们介绍了 QICS（量子信息锥函数求解器），这是一个完全用 Python 实现的开源原始对偶内点求解器，专注于解决量子信息理论中出现的优化问题。QICS 能够解决涉及量子相对熵、算子凸函数的非交换视角和相关函数的优化问题。它还包括一个利用稀疏性的高效半定规划求解器，以及对 Hermitian 矩阵的支持。QICS 目前也受 Python 优化建模软件 PICOS 的支持。本文旨在记录 QICS 中使用的算法和锥函数的实现细节，并作为该软件的参考指南。此外，我们展示了大量数值实验，这些实验表明 QICS 优于最先进的量子相对熵规划求解器，并且具有与最先进的半定规划求解器相当的性能。