XiaoMi-AI文件搜索系统
World File Search SystemProbabilistic
量子码的局部概率解码
flip 是一种极其简单且最大程度局部化的经典译码器，在某些类的经典代码中得到了广泛应用。当应用于量子码时，存在无法由该译码器纠正的恒重误差（如稳定器的一半），因此先前的研究考虑了 flip 的修改版本，有时还与其他译码器结合使用。我们认为这可能并非总是必要的，并提供数值证据证明当将 flip 应用于立方格子上三维环面码的环状征象时，存在一个阈值。该结果可以归因于以下事实：对于该译码器，最低权重的无法纠正误差比其他无法纠正误差更接近（就汉明距离而言）可纠正误差，因此它们很可能在未来的代码周期中经过额外噪声变换后变得可纠正。在解码器中引入随机性可以使其以有限的概率纠正这些“不可纠正”的错误，对于使用信念传播和概率翻转相结合的解码策略，我们观察到现象噪声下的阈值为 ∼ 5.5%。这与该代码的最佳已知阈值（∼ 7.1%）相当，该阈值是使用信念传播和有序统计解码 [Higgott and Breuckmann, 2022] 实现的，该策略的运行时间为 O(n3)，而我们的本地解码器的运行时间为 O(n)（并行时为 O(1)）。我们预计该策略可以推广到其他低密度奇偶校验码中，并希望这些结果能够促使人们研究其他以前被忽视的解码器。
全脑概率生成模型
构建类似人类的综合性人工认知系统，即通用人工智能 (AGI)，是人工智能 (AI) 领域的圣杯。此外，使人工系统实现认知发展的计算模型将成为大脑和认知科学的极好参考。本文介绍了一种通过集成基本认知模块来开发认知架构的方法，以实现对整个模块的训练。这种方法基于两个想法：(1) 受大脑启发的人工智能，学习人类大脑结构以构建人类水平的智能；(2) 基于概率生成模型 (PGM) 的认知架构，通过集成 PGM 来开发用于发展机器人的认知系统。所提出的开发框架称为全脑 PGM (WB-PGM)，它与现有的认知架构有着根本的不同，因为它可以通过基于感觉运动信息的系统持续学习。在本文中，我们描述了 WB-PGM 的原理、基于 PGM 的基本认知模块的现状、它们与人脑的关系、认知模块整合的方法以及未来的挑战。我们的发现可以作为大脑研究的参考。由于 PGM 描述了变量之间的明确信息关系，因此 WB-PGM 为从计算科学到脑科学提供了可解释的指导。通过提供此类信息，神经科学的研究人员可以向人工智能和机器人技术的研究人员提供反馈，说明当前模型在参考大脑方面缺乏什么。此外，它可以促进神经认知科学以及人工智能和机器人技术研究人员之间的合作。© 2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
使用随机设备的概率神经计算
在追求这一目标的过程中，消除不可预测的行为已被视为一项必要的工程费用。消除计算噪声的努力涵盖了整个微电子技术堆栈，从研究高可靠性材料和设备到纠错电路和架构，再到容错系统和算法。确定性计算显然取得了令人难以置信的成功——在不到四分之三个世纪的时间里，我们已经从大约一千个只能进行相对简单计算的阴极管阵列过渡到每秒能够处理 10 18 次浮点运算的高性能计算百亿亿次系统。[2,3] 然而，能耗已日益成为传统处理器面临的挑战。人工智能 (AI) 和机器学习 (ML) 在多种应用中的采用越来越广泛，以及对更多计算的需求不断增长，导致对结合多种技术（图形处理单元 (GPU)、中央处理单元 (CPU) 等）的异构计算平台的需求更高。随着越来越多的处理器被整合，未使用的处理器需要关闭以处理散热问题（即“暗硅”）。[4] 这些问题加上大量新设备、内存计算、高效的芯片间通信、3D 堆叠和集成技术
基于扩散模型的概率降低180- ...
作者：Fenghua ling 1,2†，Zeyu Lu 3,4†，Jing-Jia Luo 1*，Lei Bai 3*，Swadhin K. Behera 2，4 Dachao Jin 1，Baoxiang Pan 5，Huidong 6,7和Toshio Jiang 6,7和Toshio Yamagata 1,2 5 6 Inst Intivation： （ICAR）/CIC-FEMD/KLME/ILCEC，8 Nanjing信息科学与技术大学，中国南京，Nanjing，Nanjing，中国9 2日本海洋境外科学技术机构，日本横滨10号，日本10 3上海AI AI AI实验室，上海，上海，上海14中国15 6日本东京Riken高级智能项目中心16 7日本东京理工学院计算机科学系17 18†同等贡献，19 *对应于jjluo@nuist.edu.edu.edu.cn，bailei@bailei@pjlab.org.org.org.org.org.org.cn 20 21
硝酸钙应用对植物发育的影响和在干旱deardio
整数分解问题（IFP）被认为是足够大的数学中的一个困难问题。RSA算法的安全性是基于IFP对两个大质数的乘积的难度。因此，为了确保RSA算法的安全性，必须生成足够大的素数。这是密码学（实际上，数字理论）中的一个具有挑战性的问题。在文献中，有确定性的原始测试，例如AKS原始测试，但对于大数量而言并不有效。因此，概率原始测试用于为RSA算法和其他公共密钥加密系统生成较大的质数。基于质量数的公共密钥密码系统经常用于现实生活中的加密，签名和键交换过程。需要足够大的质数来确保某些公共密钥密码系统的安全性。因此，密码学始终需要质数。尚未完全理解的质数的奥秘增加了对数学和计算机科学的兴趣。原始测试是对质数进行的首批研究之一。
定量概率关系hoare逻辑
我们介绍了ERHL，这是一种程序逻辑，用于推理有关对概率计划的关系期望属性的推理。erhl是定量的，即，其前后条件在扩展的非阴性实物中具有值。鉴于其定量断言，ERHL克服了先前逻辑中的随机性对齐限制，包括PRHL，PRHL是一种流行的关系程序逻辑，用于推理密码构造的安全性，而APRHL是用于差异隐私的PRHL的变体。结果，ERHL是第一个与所有几乎所有肯定终止程序的非平凡的健全性和完整性结果支持的关系概率程序逻辑。我们表明，在程序等效性，统计距离和差异隐私方面，ERHL是合理且完整的。我们还表明，如果ERHL可以证明，每个PRHL判断都是有效的。我们展示了ERHL的实际好处，其中示例是PRHL和APRHL无法实现的示例。
信号与系统分析的概率方法
第三版的目标与早期版本基本相同，即介绍概率论在信号与系统分析中出现的问题的解决方案，适合大三或大四的工程专业学生。但是，它也可以作为研究生和工程师对他们以前在广泛分布的资料中遇到的材料的简明回顾。此版在几个方面与第一版和第二版不同。在此版中，文本示例和选定问题都介绍了计算机的使用。计算机示例是使用 MATLAB 1 进行的，问题可以使用 MATLAB 学生版以及其他计算机数学应用程序处理。此外。介绍了计算机在解决涉及统计和随机过程的问题中的应用。还进行了其他更改。特别是，增加了许多新章节，几乎所有练习都进行了修改或更改，修改了许多问题，并增加了许多新问题。由于这是一本工程教材，因此处理方式是启发式的，而不是严格的，学生会发现许多将这些概念应用于工程问题的例子。但是，它并非完全没有数学上的微妙之处，并且已经投入了大量精力来指出一些困难，如果要掌握它，就必须对这门学科进行更深入的研究。作者认为，反复接触困难的主题对教育过程最有帮助；本书旨在成为对概率和随机过程的第一次接触，我们希望这不是最后一次。这本书并不全面，而是有选择地涉及作者认为在解决工程问题中最有用的那些主题。简要讨论本书的一些重要特点将有助于为讨论本书的各种用途奠定基础。第 1 章介绍了离散概率的基本概念：首先从相对频率方法的直观角度介绍，然后从更严格的公理概率角度介绍。简单的例子说明了所有这些概念，对工程师来说，它们比从瓮中选择红球和白球的传统例子更有意义。本章的一个重要特点是对第 2 章介绍了随机变量的概念以及概率分布和密度函数、平均值和条件概率的概念。
信号与系统分析的概率方法
第三版的目标与早期版本基本相同，即介绍概率论在信号与系统分析中出现的问题的解决方案，适合大三或大四的工程专业学生。但是，它也可以作为研究生和工程师对他们以前在广泛分布的资料中遇到的材料的简明回顾。此版在几个方面与第一版和第二版不同。在此版中，文本示例和选定问题都介绍了计算机的使用。计算机示例是使用 MATLAB 1 进行的，问题可以使用 MATLAB 学生版以及其他计算机数学应用程序处理。此外。介绍了计算机在解决涉及统计和随机过程的问题中的应用。还进行了其他更改。特别是，增加了许多新章节，几乎所有练习都进行了修改或更改，修改了许多问题，并增加了许多新问题。由于这是一本工程教材，因此处理方式是启发式的，而不是严格的，学生会发现许多将这些概念应用于工程问题的例子。但是，它并非完全没有数学上的微妙之处，并且已经投入了大量精力来指出一些困难，如果要掌握它，就必须对这门学科进行更深入的研究。作者认为，反复接触困难的主题对教育过程最有帮助；本书旨在成为对概率和随机过程的第一次接触，我们希望这不是最后一次。这本书并不全面，而是有选择地涉及作者认为在解决工程问题中最有用的那些主题。简要讨论本书的一些重要特点将有助于为讨论本书的各种用途奠定基础。第 1 章介绍了离散概率的基本概念：首先从相对频率方法的直观角度介绍，然后从更严格的公理概率角度介绍。简单的例子说明了所有这些概念，对工程师来说，它们比从瓮中选择红球和白球的传统例子更有意义。本章的一个重要特点是对第 2 章介绍了随机变量的概念以及概率分布和密度函数、平均值和条件概率的概念。
用于诊断、预后和...的概率数字孪生
数字孪生范式整合了从传感器数据、物理模型以及物理系统或相关组件的运行和检查/维护/维修历史中获得的信息。随着越来越多的数据可用，由此产生的更新模型在预测系统未来行为方面变得越来越准确，并且可能用于支持多个目标，例如维持、任务规划和作战演习。本演讲将讨论数字孪生方法的最新进展，以基于几种类型的计算来支持所有三个目标：当前状态诊断、模型更新、未来状态预测和决策。所有这些计算都受到系统属性、操作参数、使用和环境的不确定性以及数据和预测模型的不确定性的影响。因此，本演讲将讨论不确定性下的决策以及诊断和预测中的不确定性量化，同时考虑偶然和认知不确定性来源。扩大概率数字孪生方法以支持实时决策是一项挑战，本文将讨论几种结合传感、计算、数据融合和机器学习方面的最新进展以实现扩大规模的策略。本文将介绍与飞机、旋翼机、船舶和增材制造相关的几个用例。
使用随机设备的概率神经计算
在追求这一目标的过程中，消除不可预测的行为已被视为一项必要的工程费用。消除计算噪声的努力涵盖了整个微电子技术堆栈，从研究高可靠性材料和设备到纠错电路和架构，再到容错系统和算法。确定性计算显然取得了令人难以置信的成功——在不到四分之三个世纪的时间里，我们已经从大约一千个只能进行相对简单计算的阴极管阵列过渡到每秒能够处理 10 18 次浮点运算的高性能计算百亿亿次系统。[2,3] 然而，能耗已日益成为传统处理器面临的挑战。人工智能 (AI) 和机器学习 (ML) 在多种应用中的采用越来越广泛，以及对更多计算的需求不断增长，导致对结合多种技术（图形处理单元 (GPU)、中央处理单元 (CPU) 等）的异构计算平台的需求更高。随着越来越多的处理器被整合，未使用的处理器需要关闭以处理散热问题（即“暗硅”）。[4] 这些问题加上大量新设备、内存计算、高效的芯片间通信、3D 堆叠和集成技术