XiaoMi-AI文件搜索系统
World File Search SystemPrimitive
在神经形态硬件上实施的新皮层的生物学现实计算原始素改善视觉变压器性能
恶意化）。此外，此SWTA图案的稀疏耦合也能够模拟TN芯片上的两态神经状态机，从而复制了对认知任务必不可少的工作记忆动力学。此外，将SWTA计算作为视觉变压器（VIT）中的预处理层的整合，增强了其在MNIST数字分类任务上的性能，证明了改进的概括性对以前看不见的数据进行了改进，并提出了类似于零量学习的机制。我们的方法提供了一个将大脑启发的计算转换为神经形态硬件的框架，并在英特尔的Loihi2和IBM的Northpole等平台上使用了潜在的应用。通过将生物物理精确的模型与神经形态硬件和高级机器学习技术集成，我们是将神经计算嵌入神经ai系统中的全面路线图。
prosip：用于学习边缘机器人清洁的概率表面相互作用
摘要 - 从演示中学习（LFD）已成为一种有希望的方法，使机器人可以直接从人类示范中获取复杂的任务。但是，涉及自由形式3D表面上表面相互作用的任务在建模和执行中带来了独特的挑战，尤其是在演示和机器人执行之间存在几何变化时。本文提出了一个称为概率表面相互作用原始原始原始词（Prosip）的新型框架，该框架从系统地结合了表面路径和局部表面效果。仪器工具允许无缝记录和执行人类示范。通过设计，prosips独立于时间，不变到刚体的位移，并使用带有笛卡尔控制器的任何机器人平台。该框架用于浴室水槽的边缘清洁任务。证明了对各种对象几何形状和显着扭曲对象的概括能力。模拟和具有9度自由机器人平台的实验设置证实了绩效。
使用行为原语搭建操作任务的脚手架......
摘要 模仿学习已展现出使机器人获得复杂操作行为的巨大潜力。然而，这些算法在长期任务中样本复杂度较高，复合误差会在任务范围内累积。我们提出了 PRIME（基于数据效率的 PRimitive-based IMitation），这是一个基于行为原语的框架，旨在提高模仿学习的数据效率。PRIME 通过将任务演示分解为原语序列来构建机器人任务，然后通过模仿学习学习高级控制策略对原语进行排序。我们的实验表明，PRIME 在多阶段操作任务中实现了显著的性能提升，模拟成功率比最先进的基线高出 10-34%，在物理硬件上的成功率高出 20-48%。1
使用隐式行为克隆和动态运动原始的动态运动来促进机器人运动计划的增强学习
摘要 - 用于运动计划的运动计划（RL）在慢训练速度和差异性差方面仍然具有低效率和差异性。在本文中，我们提出了一种新型的基于RL的机器人运动计划框架，该框架使用隐式行为克隆（IBC）和动态运动原始（DMP）来提高训练速度和外部RL试剂的概括性。IBC利用人类演示数据来利用RL的训练速度，而DMP则是一种启发式模型，将运动计划转移到更简单的计划空间。为了支持这一点，我们还使用可用于类似研究的选择实验创建了人类的示范数据集。比较研究揭示了所提出的方法比传统RL药剂的优势，训练速度更快，得分更高。实体实验实验指示了所提出的方法对简单组装任务的适用性。我们的工作提供了一种新的观点，即使用运动原语和人类演示来利用RL的性能用于机器人应用。
促进生存和原始反射以防止早产儿的大脑失衡：物理治疗师对DEV
源自脑干的生存反射是出生时存在的非自愿运动反应，并促进了新生儿的生存。婴儿的年龄至关重要，足以提供有关这些反射的成熟的信息。对于早产婴儿，这些反射的成熟度的延迟可能会威胁到新生儿的生命。人们可以通过反射成熟感知婴儿可以感觉，品味，闻到和听到的东西。目的是识别和理解生存反射和原始反射的作用及其在早产儿童中的重要性。PubMed，护理和盟友健康文献累积指数（CINAHL），Proquest，Cochrane图书馆，Scopus和Web of Science是2017年1月至2022年11月的电子数据库。我们包括了针对生存反射的重要性的原始文章，评论和随机临床试验。稍后，所有文章按照所提供的信息进行系统地安排，并选择了101个标题，其中32个符合纳入标准。撰写了有关本文有关原始反射的各种文章，但在新生儿重症监护病房（NICU）中都没有促进它们。
如何原始但有效：对Microchip CEC的加密加速器的故障注射攻击1702 MicroController
摘要 - 伪注射攻击对数字系统的安全性，损害完整性和暴露脆弱性构成了重大威胁。本文探讨了在Lenstra攻击的背景下，探讨了故障技术，特别是电压故障，这是对RSA-CRT的Bellcore攻击的延伸，该攻击已经存在了数十年。重点是微芯片CEC 1702微控制器的加密加速器。该研究采用Chipwhisperer工具包对RSA-CRT的软件和硬件实施进行故障注入攻击。结果揭示了商业产生的微芯片CEC 1702微芯托机中的脆弱性，突出了与故障注射攻击有关的潜在安全风险。索引术语 - 伪造分析，铃铛攻击，Lenstra的攻击，CEC 1702，Chipwhisperer
论量子密码学与经典通信的中心原语
最近的研究为密码学引入了“量子计算经典通信”（QCCC）（Chung 等人）。有证据表明，单向谜题（OWPuzz）是此设置（Khurana 和 Tomer）的自然中心密码原语。被视为中心的原语应具备若干特征。它应行为良好（在本文中，我们将其视为具有放大、组合器和通用构造）；它应由多种其他原语所暗示；并且它应等同于某些类有用的原语。我们提出了组合器、正确性和安全性放大，以及 OWPuzz 的通用构造。我们对安全性放大的证明使用了来自 OWPuzz 的新的、更清晰的 EFI 构造（与 Khurana 和 Tomer 的结果相比），该构造可推广到弱 OWPuzz，是本文中技术含量最高的部分。此前已知 OWPuzz 由其他感兴趣的原语所隐含，包括承诺、对称密钥加密、单向状态生成器（OWSG）以及伪随机状态（PRS）。然而，我们能够通过展示一般 OWPuzz 与受限类 OWPuzz（具有有效验证的原语，我们称之为 EV-OWPuzz）之间的黑盒分离来排除 OWPuzz 与许多这些原语的等价性。然后我们证明 EV-OWPuzz 也由大多数这些原语所隐含，这也将它们与 OWPuzz 区分开来。这种分离还将扩展 PRS 与高度压缩 PRS 区分开来，回答了 Ananth 等人的一个悬而未决的问题。
运动原始扩散：学习可变形物体的轻柔机器人操纵
摘要 - 机器人辅助手术（RAS）中的policy学习缺乏数据效率和多功能方法，这些方法表现出对于精致的手术干预的所需运动质量。为此，我们介绍了运动原始扩散（MPD），这是一种在RAS中模仿学习的新方法（IL），重点是轻柔地操纵可变形物体。该方法结合了基于扩散的模仿学习（DIL）的多功能性与概率动态运动原始基原始（PODMP）的高质量运动产生能力的多功能性。这种组合启动MPD可以轻柔地操纵可变形物体，同时保持数据效率对于稀缺的RAS应用至关重要。我们在状态和图像观察中评估了各种模拟和现实世界机器人任务的MPD。MPD在成功率，运动质量和数据效率方面优于最先进的DIL方法。项目页面：scheiklp.github.io/movement-promistive-diffusion
SU(2) 离散子群的原始量子门
格点规范理论 (LGT) 中量子效用的可能性非常大 [1 – 4] 。也许最重要的是，它为符号问题提供了一个优雅的解决方案，从而导致经典计算资源的指数级扩展 [5] ，从而无法在有限费米子密度和存在拓扑项的情况下进行大规模动力学模拟。为了研究这些基础物理主题，需要许多量子子程序。第一项任务是准备感兴趣的强耦合态，包括基态 [6 – 12] 、热态 [13 – 23] 和碰撞粒子 [24 – 34] 。对于动力学应用，时间演化算子 UðtÞ¼e−iHt 必须近似，并且存在许多不同的选择；特罗特化 [35,36]、随机编译 [37,38]、泰勒级数 [39]、量子比特化 [40]、量子行走 [41]、信号处理 [42]、幺正的线性组合 [38,43] 和变分方法 [44 – 47]，每种方法都有自己的权衡。除了状态准备和演化之外，重要的是需要开发有效的技术 [48 – 51] 和公式 [52 – 63] 来测量物理可观测量。为实现这一点，可以进一步使用算法改进，如误差缓解和校正