XiaoMi-AI文件搜索系统
World File Search SystemOct
![arXiv:2408.02722v3 [quant-ph] 2024 年 10 月 11 日](/simg/g:\will\search\icon\source\e\edbb3d95bec40e1a2889557da7b0e6b063c29d9a.png)
arXiv:2408.02722v3 [quant-ph] 2024 年 10 月 11 日
热力学第二定律是物理学的基石，它通过一个函数——熵来表征热力学状态之间的可转换性。鉴于热力学的普遍适用性，量子信息理论中的一个基本问题是，是否可以制定一个类似的第二定律，用一个函数来表征资源在量子信息处理中的可转换性。2008 年，提出了一个有前途的公式，将资源可转换性与量子版本假设检验变体的最佳性能联系起来。这个公式的核心是广义量子斯坦引理，它旨在通过量子资源的度量——资源的正则化相对熵来表征这种最佳性能。如果被证明有效，广义量子斯坦引理将导致量子资源的第二定律，其中资源的正则化相对熵在热力学中扮演熵的角色。然而，在 2023 年，人们在原始证明中发现了一个逻辑漏洞，使人们对第二定律的这种公式化的可能性产生了怀疑。在这项工作中，我们通过开发替代技术来解决这个问题，从而在比原始分析更少的假设下成功证明广义量子斯坦引理。基于我们的证明，我们重新建立并扩展了量子资源理论的第二定律，该定律既适用于量子态的静态资源，也适用于由经典量子 (CQ) 通道表示的一类基本动态资源。这些结果解决了在热力学和量子信息理论之间架起类比桥梁的基本问题。
![arXiv:2310.06334v1 [cond-mat.mtrl-sci] 2023 年 10 月 10 日](/simg/g:\will\search\icon\source\c\cb55095dfc69ec349d8a3e69aa38e791e4353069.webp)
arXiv:2310.06334v1 [cond-mat.mtrl-sci] 2023 年 10 月 10 日
二维 (2D) 材料的表面工程已被证明是一种改善其功能特性的有效技术。通过设计 MXene 化合物 M 2 C 系列中的 Janus 化合物 MM ′ C（其中两个表面由两种不同的过渡金属 M 和 M ′ 构成），我们探索了它们作为酸性电解质超级电容器电极的潜力。利用密度泛函理论 (DFT) 1 结合经典溶剂化模型，我们深入分析了三种被氧钝化的 Janus MXenes - NbVC、MnVC 和 CrMnC 的电化学参数。还与相应的终点 MXenes Nb 2 C、V 2 C、Mn 2 C 和 Cr 2 C 进行了比较。我们发现由于 Janus 的形成，表面氧化还原活性增强，从而显著提高了 MXene 电极的电荷存储容量。我们的分析表明，功能性改进的根源在于 Janus 化合物中一种成分的电荷状态变化，而这种变化又源于表面处理导致的电子结构变化。我们的研究是首次针对超级电容器应用的 Janus MXenes 电化学特性进行研究，表明通过形成适当的 Janus 化合物进行表面工程是一种在基于 MXene 电极酸性电解质的储能设备中提取高功率密度的可能途径。
![arXiv:2106.03865v2 [hep-ph] 2023 年 10 月 18 日](/simg/g:\will\search\icon\source\e\eaee99f89fc43119aff3d351d09eef38b6061044.webp)
arXiv:2106.03865v2 [hep-ph] 2023 年 10 月 18 日
1 华南师范大学量子物质研究所，广东省核科学重点实验室，广州 510006 2 华南师范大学南方核科学计算中心，粤港量子物质联合实验室，广州 510006 3 美国加州大学洛杉矶分校物理与天文系，加利福尼亚州 90095 4 北京师范大学物理系高级量子研究中心，北京 100875 5 北京大学高能物理中心，北京 100871 6 华南师范大学前沿物理研究所，粤港量子物质联合实验室，广州 510006 7 华南师范大学物理与电信工程学院，广东省量子工程与量子材料重点实验室，广州 510006（发布日期：2023 年 10 月 19 日）
![arXiv:2310.18335v1 [cs.ET] 2023 年 10 月 20 日](/simg/g:\will\search\icon\source\c\cd40640f3698986ee13e7a2d9f098359a95eda37.webp)
arXiv:2310.18335v1 [cs.ET] 2023 年 10 月 20 日
在一颗遥远的星球上，一种名为 Lasan 的智慧生命体能够思考、移动和感知。它们甚至可以进行实验并撰写科学论文。换句话说，它们就像人类一样。然而，有一个值得注意的细节：Lasan 的早期祖先在 Lasan 星球深邃黑暗的海洋中奋力前行，进化出了产生和检测激光辐射的能力——这使它们能够在光学领域进行交流和处理信息。地球深海生物发出的怪异生物光可能会让你相信 Lasan 的进化轨迹是合理的。然而，我们将 Lasan 纳入本期 NeuroView 的开篇，其动机并非为了合理性。相反，我们想提出这样一个问题：智能的基础设施（即 Lasan “大脑” 及以上）与我们有何不同？它们又有哪些相似之处？回答第一个问题似乎更容易。正如我们庞大的光纤通信网络所证明的那样，激光是一种高效地远距离传输信息的绝佳方式——远胜于电或生化传输。因此，Lasan 智能的生物硬件不会受到信息传递成本的限制（我们的大脑非常不同——在那里，通信成本的能耗几乎是神经计算的 35 倍 [1]）。这种高效的远程通信能力意味着 Lasan 人可能会进化到通过他们的思维媒介——激光（甚至全息，如图 1a 所示）直接相互通信。这对单个 Lasan 人的自我意识意味着什么？或者对语言和文字等发明意味着什么？我们在此停止猜测，但足以说明 Lasan 的“大脑”，更不用说身体和社会，与我们自己的大脑完全不同。它们在哪些方面会相似？我们可以想到至少两个重要的方面。首先，拉桑人祖先的智力进化几乎肯定遵循与地球上相同的基本需求：智力需要导航，以便在复杂、动态的环境中协调运动[2]。换句话说，智力的进化是为了服务于预测控制的第一个也可能是唯一的目的：预测未来以便在其中行动。我们地球上的生物智力首先是从在一个动态、复杂的世界中导航和控制运动的需求进化而来的 1 。其次，拉桑思想的结构很可能来自这些思想实现的物理学。我们的大脑之所以是现在的样子，是因为生化扩散、电、热力学等物理约束。拉桑人的智力同样会受到许多物理因素的影响，其中包括：
![arXiv:2210.11373v2 [eess.SP] 2022 年 10 月 24 日](/simg/g:\will\search\icon\source\8\816abd8208fcdfc1a97e85f4cf500e49710f7c27.webp)
arXiv:2210.11373v2 [eess.SP] 2022 年 10 月 24 日
智能反射面 (IRS) 是一种数控超表面，包含大量无源反射元件。通过重新配置每个元件的反射系数，IRS 可以控制无线信道，以提高通信系统的覆盖范围和容量 [1–3]。然而，要通过 IRS 增强信道特性，获取准确的信道状态信息是不可避免的。因此，在本文中，我们通过利用固有信道结构来解决 IRS 辅助多输入多输出 (MIMO) 系统的上行信道估计问题。相关工作：早期关于 IRS 辅助通信系统的信道估计工作主要集中于非结构化信道模型 [4]，采用最小二乘或线性最小均方误差估计器 [5]。然而，在较高频段（例如毫米波或太赫兹频段），移动站 (MS)-IRS 和 IRS-基站 (BS) 信道在角域中都表现出很强的稀疏性 [5]。这一观察结果促使 IRS 辅助信道估计算法探索信道的固有稀疏性，从而减少导频开销 [5]。最近的估计器通过考虑额外的
![arXiv:2111.01457v4 [cs.SD] 2022 年 10 月 31 日](/simg/g:\will\search\icon\source\c\cb1162b508e7d25d9394ae5d0bc21f4c32769d20.webp)
arXiv:2111.01457v4 [cs.SD] 2022 年 10 月 31 日
图 6 示例性注意力矩阵，可视化三位参与者在收敛时的注意力得分（来自随机选择的训练样本）（值越亮表示注意力得分越高）。解码器中的时间步长在 y 轴上表示，编码器的时间步长在 x 轴上表示。对角线结构表明注意力得分在时间域上是很好地对齐的，例如输出中的后续步骤关注输入中的后续步骤。该图还表明，填充输入 sEEG 序列（语音规划和理解）可能是不必要的，因为没有太多注意力放在第一个和最后一个输入步骤上。
![arxiv：2410.17504v1 [CS.AI] 2024年10月23日](/simg/g:\will\search\icon\source\4\4dac50798af6ed318dfbcdd611e7b1650e58f2fa.webp)
arxiv：2410.17504v1 [CS.AI] 2024年10月23日
3.2模型解释及其在EO中支持的链接方法。此处显示的是对EO模型中其他类的解释方法（模型解释器）的依赖性，b）模型解释器和解释输出的多样性（例如，显着性方法提供了局部说明），最后c）用户中心说明的依赖性解释，对相似的解释，对模型的解释，对模型的解释输出，对模型的解释输出。 从S. Chari，O。Seneviratne，M。Ghalwash，S.Shirai，D.M。复制。 Gruen，P。Meyer，P。Chakraborty和D.L. McGuinness，“解释本体论：用于支持以用户为中心的解释的通用语义，语义代表”，Sminantic Web J.，第1卷。 预压，pp。 1-31，2023年5月，doi：10.3233/sw -233282，经ios出版社的许可。 ©2023。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 41是对EO模型中其他类的解释方法（模型解释器）的依赖性，b）模型解释器和解释输出的多样性（例如，显着性方法提供了局部说明），最后c）用户中心说明的依赖性解释，对相似的解释，对模型的解释，对模型的解释输出，对模型的解释输出。从S. Chari，O。Seneviratne，M。Ghalwash，S.Shirai，D.M。复制。Gruen，P。Meyer，P。Chakraborty和D.L.McGuinness，“解释本体论：用于支持以用户为中心的解释的通用语义，语义代表”，Sminantic Web J.，第1卷。预压，pp。1-31，2023年5月，doi：10.3233/sw -233282，经ios出版社的许可。©2023。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。41
![arxiv：2410.02067v2 [CS.CV] 2024年10月28日](/simg/g:\will\search\icon\source\7\78d25e6808333495cd2a8f8404dca73c7a86c480.webp)
arxiv：2410.02067v2 [CS.CV] 2024年10月28日
在图像生成的领域中，从视觉提示中创建自定义的图像，并以其他文本指令的形式出现作为有希望的努力。然而，除去基于调整和不含调整的方法，与解释视觉提示的主题属性的斗争。这会导致主题 - 略带属性渗透到生成过程，最终损害了编辑性和ID保存中的人性化质量。在本文中，我们提出了Disenvisioner，这是一种新颖的方法，用于在过滤出irrelevant信息的同时有效地提取和丰富主题的特征，以无调的方式启用出色的自定义性能，并且仅使用单个图像。具体来说，该主题和其他无关组件的特征被有效地分为独特的视觉令牌，从而实现了更准确的自定义。，为了进一步提高ID的一致性，我们丰富了分离的特征，将它们雕刻成更精细的代表。实验证明了我们的方法优于教学响应（编辑性），ID一致性，推理速度和整体图像质量中现有方法的优越性，从而突出了贬低者的有效性和效率。项目页面：disenvisioner.github.io。
![arxiv：2401.11305v3 [CS.CR] 2024年10月28日](/simg/g:\will\search\icon\source\2\23083580b9199c403b25bf4a8f0a0fddf7e0c940.webp)
arxiv：2401.11305v3 [CS.CR] 2024年10月28日
数字时代的出现和信息超载的出现导致连接设备的大幅增加，从而产生了大量通过Internet传输的数据[8]。通过云基础架构，智能手机，平板电脑，智能手表和健身跟踪器等智能设备的无处不在，使其变得更加复杂。这些设备通常会收集有关用户（包括其位置，活动和环境条件）的广泛上下文信息，这些信息对于旨在预测用户行为和提供人员体验的应用程序至关重要[4，49]。响应这些发展，移动众包已经成为关键解决方案。此操作涉及个人通过各种数字平台共同贡献数据[36]。诸如流量监控系统之类的应用程序利用众包数据提供实时见解。但是，这些方法还引起了有关数据隐私和未经授权访问敏感信息的风险的重大关注[7，19]。移动数据流量的迅速增加对数据管理和过程构成了重大挑战。边缘计算已被确定为对这些挑战的有希望的解决方案，方法是将数据更接近其来源处理，而不是仅依靠中央服务器。这种方法有助于减轻网络的交通拥堵，但也引入了必须解决的新隐私和安全漏洞[67]。本文探讨了移动众包和边缘计算的交集，并特别强调隐私保护。它突出了整合这些技术以在维持用户隐私的同时提高数据处理效率的潜力。我们概述了有关这些技术及其对隐私的影响的现有研究。我们的目标是为研究人员，从业人员和政策制定者提供必要的见解，以浏览确保隐私的复杂性，同时推进技术能力。此外，我们讨论了减轻与分散数据处理相关的隐私风险的潜在策略，并提出了未来的研究方向，以全面解决这些挑战。
![arxiv：2401.16635v3 [cs.lg] 2024年10月22日](/simg/g:\will\search\icon\source\e\e568890926ce2fd605f82e93813aebae8f6dbc29.webp)
arxiv：2401.16635v3 [cs.lg] 2024年10月22日
从人类馈回（RLHF）中学习的强化学习是一种将大语模型与人类价值保持一致的广泛采用的方法。但是，RLHF依赖于经过有限数量的人类偏好数据训练的奖励模型，这可能导致预测不准确。结果，RLHF可能会产生与人类价值观未对准的输出。为了减轻此问题，我们为奖励合奏方法提供了奖励模型，可以做出更准确的谓词。使用基于大语模型的大型奖励模型可以是计算和资源廉价的，我们探索了效率的合奏方法，包括线性层集合和基于洛拉的合奏。经验上，我们通过结合奖励模式运行最佳n和近端政策优化，并验证我们的集合方法有助于提高RLHF输出的对齐性能。