XiaoMi-AI文件搜索系统
World File Search SystemWinograd
广义 Winograd 模式及其语境性
量子计算机有望比传统计算机具有显著的优势，但量子计算的强大力量来源仍未可知。在这里，我们证明了语境性的出现与通过“魔法状态”蒸馏实现通用量子计算的可能性之间存在显著的等价性，这是实验实现容错量子计算机的主要模型。这是一个概念上令人满意的联系，因为语境性排除了简单的量子力学“隐藏变量”模型，提供了独特量子现象的基本特征之一。此外，这种联系为量子信息资源提供了一个统一的范式：量子理论的非局域性是一种特殊的语境性，而非局域性已经被认为是实现量子通信优势的关键资源。除了澄清这些基本概念之外，我们还将讨论如何将量子计算与语境性联系起来。
WINOGRAD J、LAMA J、CODELIA-ANJUM A、BHOJANI N、ELTERMAN DS、ZORN KC、MARGOLIS E、BRAHMBHATT J、GONZALIEZ R、CHUGHTAI B. 测量 Ser 的功效
消费者在做决定时会将其作为考虑因素。5 一种流行的 LUTS 营养保健品涉及使用锯棕榈脂质固醇提取物 (LSESR USPlus)。鉴于自然疗法的流行，评估这种疗法的安全性和有效性对于理解和与可能对 LUTS 自然疗法感兴趣的患者建立治疗联盟非常重要。从矮小的美国棕榈树 (Serenoa repens) 中提取的 LSESr 具有抗炎特性，并可能逆转 BPH 相关前列腺炎症中的细胞凋亡/增殖比率。6-9 LSESr 对某些促炎细胞因子有抑制作用，进一步发展了其在 BPH 相关炎症症状中的用途。10 锯棕榈提取物的使用越来越受欢迎，据报道许多国家都将其用作 BPH 患者的一线疗法。11-13 尽管其具有潜在功效，但现有关于 LSESr 对治疗 LUTS 影响的研究数据相互矛盾。 4 评估这些效果的挑战在于传统的评估方法，这通常需要繁琐的尿流测量。我们的主要目标是测量标准化 USP 验证的锯棕榈提取物对 BPH 继发的男性 LUTS 的影响。
人工智能的下一个十年：
这些问题中的每一个都是经典人工智能的核心。例如，约翰·麦卡锡 (John McCarthy) 在他的开创性论文《具有常识的程序》[McCarthy 1959] 中指出了常识知识的价值；道格·莱纳特 (Doug Lenat) 将常识知识以机器可解释的形式表示出来作为他一生的工作 (Lenat、Prakash 和 Shepherd，1985；Lenat，2019)。经典人工智能“积木世界”系统 SHRLDU 由特里·温诺格拉德 (Terry Winograd)（谷歌创始人拉里·佩奇 (Larry Page) 和谢尔盖·布林 (Sergey Brin) 的导师）设计，围绕一个内部的、可更新的世界认知模型展开，该模型代表了软件对一组堆叠物理对象的位置和属性的理解 (Winograd，1971)。SHRLDU 随后对这些认知模型进行推理，以推断出随着时间的推移积木世界的状态。2
通过...
摘要 - 基于CPU的推理可以作为外芯片加速器的拟合作用。在这种情况下，由于其高效率，新兴的矢量体系结构是一个有前途的选择。然而，卷积算法和硬件实现的庞大设计空间使设计选项的选择具有挑战性。在本文中，我们介绍了针对基于CPU的卷积神经网络（CNN）推断的共同设计的未来矢量体系结构的持续研究，重点是IM2Col+Gemm和Winograd内核。使用GEM5模拟器，我们探讨了几个硬件微体系特征的影响，包括（i）向量泳道，（ii）向量长度，（iii）缓存尺寸和（iv）将向量单元集成到CPU管道中的选项。In the context of im2col+GEMM, we study the impact of several BLIS-like algorithmic optimizations such as (1) utilization of vector registers, (2) loop unrolling, (3) loop reorder, (4) manual vectorization, (5) prefetching, and (6) packing of matrices, on the RISC-V Vector Extension and ARM-SVE ISAs.我们使用Yolov3和VGG16网络模型进行评估。我们的共同设计研究表明，BLIS样的优化对所有类型的矢量微体系结构都不是有益的。我们还证明，与我们优化的CNN内核相比，较长的矢量长度（至少为8192位）和较大的缓存（256MB）可以提高5倍的性能，而512位和1MB的载体长度则可以提高性能。我们的共同设计研究还表明，与IM2Col+GEMM相比，Winograd需要较小的缓存尺寸（高达64MB）。在Winograd的背景下，我们通过使用每个通道的8×8图块来介绍跨输入/输出通道之间的新颖的瓷砖并行方法，以对向量长度不可知（VLA）体系结构进行载体化算法。我们的方法利用了较长的向量长度并提供了高内存重复使用，与我们在Fujitsu A64FX处理器上优化的IM2Col+Gemm方法相比，对于具有3×3内核大小的非弯曲卷积层的性能提高了2.4倍。索引术语 - CNN，GEMM，Winograd，长量架构，向量长度不可知论ISA，共同设计，优化
年度报告2023-2024
Craig Allen，Craig A. Allen，FCAS George Atallah，GA工程和咨询韦恩·乔纳德（Wayne Chouinard） Lachmayr，哈佛大学马丁·皮尔斯伯里（Martin Pillsbury），大都会地区规划委员会Alfredo Vargas，牛顿市，DPW Kannan Vembu，（主席）Aquaenvirobio Solutions LLC LLC -------→Dan Winograd，（副主席）Woodard＆Curran。执行董事：Andreae Downs：Andreae.wac@gmail.com 617-378-8972执行董事：Andreae Downs：Andreae.wac@gmail.com 617-378-8972
在核心分辨率方面达到透明度
在语法结构的指导下，单词可以形成句子，并在段落结构的指导下，句子构成形成对话和文档。句子和话语单位的组成方面通常被机器学习算法忽略了。最近的一项名为“量子自然语言加工”（QNLP）的计划将单词均值作为希尔伯特空间中的点学习，并通过将语法结构翻译成参数化的量子回路（PQC）来对其进行作用。先前的工作将QNLP翻译扩展到了闭合希尔伯特空间中的点。在本文中，我们对Winograd风格的代词分辨率任务进行了评估。我们训练二进制分类的变分量子分类器（VQC），并实现端到端代词分辨率系统。在IBMQ软件上执行的仿真，F1分数为87.20％。该模型的表现优于三分之三的核心分辨率系统和接近最新的Spanbert。混合量子古典模型，但F1得分增加约为6％，但改进了这些结果。
多模式质谱成像标识细胞类型...
Hua Tian, 1 , 2 , 10 , * Presha Rajbhandari, 3 , 10 Jay Tarolli, 4 Aubrianna M. Decker, 3 Taruna V. Neelakantan, 5 Tina Angerer, 6 , 7 Fereshteh Zandkarimi, 5 Helen Remotti, 8 Gilles Frache, 6 Nicholas Winograd, 9 and Brent R. Stockwell 3 , 5 , 8 , 11 , * 1环境和职业健康，匹兹堡，宾夕法尼亚州匹兹堡，15261年，美国2儿童神经科学研究所，医学院，宾夕法尼亚州匹兹堡，宾夕法尼亚州匹兹堡15224，美国3哥伦比亚大学生物科学系，纽约，纽约，纽约，纽约10027，10027卢森堡科学技术研究所，4362 Esch-Sur-Alzette，卢森堡7号药物系，乌普萨拉大学，乌普萨拉大学，751 05 UPPSALA，瑞典8病理学与细胞生物学系，哥伦比亚大学艾尔维尔大学医疗中心，纽约州哥伦比亚大学医疗中心，纽约州伊利诺伊大学，外科医生学院，纽约州，伊利诺伊斯大学。大学公园，宾夕法尼亚州16802，美国10这些作者同等贡献11个铅联系 *通信：hut17@pitt.edu（H.T.），bstockwell@columbia.edu（b.r.s.）https://doi.org/10.1016/j.devcel.2024.01.025
人工智能支持的基于模拟的学习
自我调节学习（SRL）在学习过程中起着重要作用，帮助学习者优化实践（Zimmerman 2006）。自我调节学习一词强调学习者在学习过程中的责任感和自主性（Paris and Winograd 1998）。根据 Zimmerman（2000a）的说法，该术语描述“为实现个人目标而计划和周期性调整的自我产生的想法、感受和行动”（第 14 页）。在调节过程中，学习者可以计划、设定目标、组织、自我监控和自我评估，这使他们自我意识到并了解学习过程。当任务具有挑战性时，他们会努力和坚持而不是放弃。通过采取战略行动，学习者寻求适当且有用的建议、信息和策略来支持他们的学习，并在表演过程中自我指导和自我强化（Zimmerman 2000b；Perry 和 Rahim 2011；Pintrich 2003）。调节过程的对象是学习过程中不同的行为、动机和情感方面（Zimmerman 2006）。在本研究中，我们从情感的角度探讨 SRL 的主题，并关注模拟器学员调节其学习过程的情感决定因素。
使用构造语法的人工智能：自动获取单词知识
摘要：本文讨论了一种使用原始构造语法 (CG) 格式的知识来深入理解文本的 AI 实现。CG 是一种处理知识片段（又称构造）的方法，这些知识片段描述了文本部分的形式和含义。理解在于自动在文本中查找构造所包含的知识，并创建反映文本信息结构的知识网络。通过在网络内传播知识可以实现更深入的理解，即一些构造可以与其他构造共享有关语法、语义、语用和其他文本属性的信息。这种信息丰富的方法的一个缺点是覆盖范围有限：只能理解 CG 数据库可用的文本；由于该数据库的复杂性，通常需要手动构建。作者尝试通过从外部（非 CG）知识库等来源自动获取词汇知识并将知识格式化为 CG 构造来增加覆盖率。由此产生的 CG 数据库已用于评估实验，以了解 Winograd 模式（WS）——一种 AI 测试。准确覆盖率增加了 28%，并且有进一步改进的机会。
人工智能与动物的常识
先有常识，后有语言 赋予计算机常识的挑战自人工智能 (AI) 诞生之初就被视为实现其宏伟目标的主要障碍 [1]，至今仍是一个重大问题 [2 – 6]。常识没有一个普遍接受的定义。然而，大多数作者都使用语言作为试金石，他们遵循 [1] 的例子，他说“如果一个程序能够自动推断出足够广泛的直接后果，这些后果来自它被告知的任何事情和它已经知道的事情”，那么它就拥有常识。因此，常识测试通常基于语言。例如，一个这样的测试使用所谓的“Winograd 模式”[7 – 9]。这些句子之间只有一个单词不同，并且包含一个模棱两可的代词，其解析取决于对某些常识方面的理解。考虑句子“落石砸碎了瓶子，因为它很重”和“落石砸碎了瓶子，因为它很易碎”。代词“它”在第一个句子中指的是石头，但在第二个句子中指的是瓶子。由于我们对坠落和易碎性的常识理解，我们能够在每种情况下正确解析代词。相比之下，在本文中，我们将暂时将语言放在一边，重点关注非人类动物中也存在的常识能力。我们的理由是，这些能力也是人类常识的基础。可以说，它们在概念上先于语言，而人类语言建立在它们提供的基础之上 [10] 。