XiaoMi-AI文件搜索系统
World File Search SystemROPS
量子过程演算的效果语义 - DROPS
量子通信协议的发展激发了人们对过程演算和行为等价性的量子扩展的兴趣，但定义与量子系统观测特性相匹配的双相似性是一项出奇困难的任务。明确解决此问题的两个提案 qCCS 和 lqCCS 没有定义算法验证方案：通过比较两个过程在所有输入状态下的行为来证明它们的双相似性。我们引入了一种基于效应的新语义模型，即表示其可观察特性的量子态的概率谓词。我们定义并研究了效应分布和效应标记转换系统 (eLTS) 的属性，分别概括了概率分布和概率标记转换系统 (pLTS)。作为概念证明，我们为最小量子过程代数提供了基于 eLTS 的语义，我们证明它在量子过程的可观察概率行为方面是合理和完整的。据我们所知，我们的提案是第一个符合量子理论特性的可通过算法验证的提案。
使用现成设备进行量子委托 - DROPS
在交互式证明系统中，计算受限的验证者与强大的证明者交互，以验证商定的问题实例的真实性。从 QMA 开始，接着是 QIP 和 QMIP（等等），量子交互式证明系统（其中验证者是量子多项式时间）被定义和研究 [48, 49, 30]。然而，这些量化关键取决于验证者可以访问可信量子多项式时间验证的一个默认假设。鉴于目前量子计算发展的最新水平、表征量子系统的固有困难、以及无法可靠地验证量子计算轨迹的事实，有充分的证据表明这一假设可能是值得怀疑的。事实上，尽管技术取得了令人瞩目的进步，但我们最终可能不得不面对一个现实，即量子计算机永远不会像传统设备那样值得信赖或可靠。这一前景促使人们考虑以下模型：验证者可以访问非常有限但值得信赖的量子功能 [ 1 , 4 , 18 ]，或者验证者完全是经典的而证明者受计算限制 [ 31 ]，而另一类称为 MIP ∗ 的模型则模拟了一个高效的经典验证者与几个孤立的、不受限制的量子证明者交互 [ 14 ]。每种方法都有优势也有挑战：早期的量子服务器价格昂贵，因此在其他条件相同的情况下，最好只使用一个证明者；另一方面，现有的单证明者协议要么需要可信设备，要么做出计算假设。多证明者协议利用强大的设备独立性技术来避免这些假设，但代价是需要几个强大的证明者并需要隔离。该领域的当前时代精神让我们可以富有想象力地考虑如何描述和模拟量子世界中的任务。这些方法的共同点是，我们不考虑经典协议的直接量子模拟，而是努力做出在量子设置中自然激发的考虑 1 。在这里，我们继续保持这种势头，并引入一种新颖的证明验证方法，其中设置本身只能在量子设置中得到激励。为此，我们考虑以下问题：
量子密码学中的单向性 - 滴
单向函数的存在是经典cryp-图表中最基本的假设之一。在量子世界中，有些证据表明，即使单向函数不存在，也可以存在一些加密原语[Kretschmer，TQC 2021; Morimae和Yamakawa，Crypto 2022； Ananth，Qian和Yuen，Crypto 2022]。因此，我们在量子密码学中存在以下重要的开放问题：量子密码学中最基本的假设是什么？In this direction, [Brakerski, Canetti, and Qian, ITCS 2023] recently defined a notion called EFI pairs, which are pairs of efficiently generatable states that are statistically distinguishable but computationally indistinguishable, and showed its equivalence with some cryptographic primitives including commitments, oblivious transfer, and general multi-party computations.但是，他们的工作着重于决策类型的基础，并且不涵盖搜索类型的原始图，例如量子货币和数字签名。在本文中，我们研究了单向状态发生器（OWSG）的性质，这是Morimae和Yamakawa提出的单向函数的量子类似物。我们首先重新访问OWSG的定义，并通过允许混合输出状态进行概括。然后我们显示以下结果。
人工智能与神经心理学研究
人工智能 (AI) 通过将传统的劳动密集型评估转变为高效的数据驱动流程，对神经心理学产生了重大影响。神经心理学研究大脑功能与行为之间的关系，它受益于机器学习、自然语言处理和计算机视觉等 AI 技术。这些技术提高了诊断准确性、个性化治疗计划并改善了患者预后。AI 分析神经影像数据的能力使人们能够检测到表明神经系统疾病的细微模式，通常超越了人类的能力。此外，AI 通过提供自动评分和解释、减少人为错误和确保一致性来增强传统的神经心理学测试。AI 驱动的工具促进了远程评估，使神经心理学服务更容易获得，尤其是在服务不足的地区。然而，将 AI 融入神经心理学带来了挑战，包括与数据隐私和算法偏见相关的道德考虑。确保 AI 系统的透明度对于维持临床医生和患者之间的信任至关重要。在 AI 的增强下，神经心理学的未来有望实现更准确的诊断、个性化治疗和更好的患者护理。持续的跨学科合作和道德框架的发展对于应对这些挑战和最大限度地发挥人工智能在神经心理学方面的潜力至关重要。
什罗普郡公交服务改善计划 (BSIP)
“旅行时间预算”的概念已经很成熟。几十年来，来自世界各地的数据显示，人们倾向于限制他们愿意每天和每周花在旅行上的时间——例如，长时间通勤会占用人们愿意以其他方式度过的时间——与家人在一起，比如从事休闲活动或做志愿者。这意味着人们不愿意在时间上走得太远——所以当交通网络的变化让各个地方更近时，他们的旅行视野和前往目的地的自由度就会增加。因为这关系到旅行时间，而不是距离，更频繁的公交车服务增加了居民出行更远的自由，因为他们不必等那么久的公交车。更快的服务也有同样的效果——它增加了人们愿意在相同时间内前往的目的地范围。
同时间隔数 - 滴
我们通过称为同时间隔号的图形宽度参数提出了一种概括间隔图等级的新方法。此参数与间隔图的同时表示问题有关，并定义为标签的最小数字D，使得该图允许d-相对的间隔表示，即间隔和标签集的分配到顶点的分配，以便在相应的间隔相对间隔内仅相邻两个角度，以及它们的实验室集合，以及它们的实验室集合。我们表明，此参数是NP -HARD来计算并给出参数的几个边界，特别表明它夹在路径宽和线性中的MIM宽度之间。对于具有有界参数值的图类类别，假设该图配备了带有恒定标签数量的同时间隔表示，我们为集团，独立集和主导集合问题提供了FPT算法，以及独立支配集合和着色问题的硬度结果。独立集和统治集的FPT结果是同时间隔数和解决方案大小。相比之下，已知两个问题都是线性含量宽度加上溶液尺寸的hard。
par虫在蔬菜作物中的作用
无种子番茄水果更美味，更干燥（最多1％），含有更多的糖，酸度较小，纤维素较少。更可溶的固体在无种子水果的位置中果实的大小，形态和果冻填充与父母系列的种子水果相当。
组合合同的（in）近似性 - 滴
我们研究了两个最近的组合合同设计模型，该模型突出了合同设计中可能出现的不同复杂性的不同来源，在此校长将代价高昂的项目执行给他人。在这两种设置中，本金都无法观察代理人的选择，只有项目的结果（成功或失败），并使用合同来激励代理商，该合同是在项目成功时指定向代理商指定付款的付款计划。我们提出了解决开放问题并提高我们对两种设置计算复杂性的理解的结果。在多代理设置中，该项目被委派给了一个代理团队，每个代理商都选择是否付出努力。成功概率函数映射了施加努力为项目成功概率的任何子集。对于supporular成功概率函数的家族，Dütting等人。[2023]建立了与最佳合同的多时间常数因子近似，并且是否打开该问题是否允许PTA。我们通过表明没有多个算法可以保证比0更好的情况下回答这个问题。7-最佳合同。对于XOS函数，它们给出了带有值和需求查询的多时间常数近似值。我们仅使用值查询，就无法获得任何常数近似。在多进取设置中，该项目被委派给单个代理，后者可以采取一组措施的任何子集。在这里，成功概率函数将任何子集映射到了项目成功的概率。Dütting等。[2021a]显示了一种用于计算总替代替代概率函数的最佳合同的多时间算法，并表明该问题对于下函数函数是NP-HARD。我们通过表明该问题不承认任何恒定因子近似来进一步增强这种硬度结果。此外，对于更广泛的XOS函数，我们建立了获得任何ε> 0的n -1/2+ε-approximation的硬度。< / div>
量子学习的经典验证 - DROPS
量子数据访问和量子处理可以使某些经典的难处理学习任务变得可行。然而，在不久的将来，量子能力只会提供给少数人。因此，需要允许经典客户端将学习委托给不受信任的量子服务器的可靠方案，以促进广泛获得量子学习优势。基于最近引入的经典机器学习交互式证明系统框架，我们开发了一个用于经典量子学习验证的框架。我们展示了经典学习者无法有效自行解决的学习问题，但他们在与不受信任的量子证明者交互时可以有效可靠地解决这些问题。具体来说，我们考虑了具有均匀输入边际分布的不可知学习奇偶校验和傅里叶稀疏函数问题。我们提出了一种新的量子数据访问模型，我们称之为“混合叠加”量子示例，在此基础上我们为这些任务提供了有效的量子学习算法。此外，我们证明了不可知量子奇偶性和傅里叶稀疏学习可以通过仅具有随机示例或统计查询访问的经典验证器有效地验证。最后，我们展示了学习和验证中的两种一般场景，其中量子混合叠加示例不会导致样本复杂度优于经典数据。我们的结果表明，量子数据用于学习任务的潜在能力虽然不是无限的，但可以通过与不受信任的量子实体交互而被经典代理利用。
量子伪纠缠 - DROPS
纠缠是一种量子资源，在某些方面类似于经典计算中的随机性。受 Gheorghiu 和 Hoban 最近研究的启发，我们定义了“伪纠缠”的概念，这是由有效构造的量子态集合所表现出的一种特性，这些量子态与最大纠缠的量子态没有区别。我们的构造依赖于量子伪随机态的概念——最初由 Ji、Liu 和 Song 定义——这些伪随机态是有效构造的状态，与（最大纠缠的）Haar 随机态没有区别。具体来说，我们给出了伪纠缠态的构造，其纠缠熵在每个切分上任意接近 log n，这是一个严格的界限，提供了计算与信息理论量子伪随机性之间的指数分离。我们讨论了该结果在矩阵积状态测试、纠缠提炼和 AdS/CFT 对应的复杂性中的应用。与该手稿的先前版本（arXiv：2211.00747v1）相比，该版本引入了一种新的伪随机状态构造，具有更简单的正确性证明，并且同时实现了所有切口的低纠缠技术上更强的结果。