XiaoMi-AI文件搜索系统
World File Search Systemautomata
粗粒度量子细胞自动机
可以将某些物理演化视为微观离散模型的突发有效结果。受经典粗粒化程序的启发，我们提供了一种遵循 Goldilocks 规则的粗粒化色盲量子细胞自动机的简单程序。该程序包括 (i) 将量子细胞自动机 (QCA) 在时空上分组为大小为 N 的细胞；(ii) 将细胞的状态投射到其边界上，并将其与精细动力学联系起来；(iii) 通过边界状态描述整体动力学，我们称之为信号；(iv) 为不同大小为 N 的细胞构建粗粒化动力学。这个简单的玩具模型的副产品是斯托克斯定律的一般离散模拟。此外，我们证明在时空极限中，自动机收敛到狄拉克自由哈密顿量。我们在这里介绍的 QCA 可以通过当今的量子平台实现，例如里德堡阵列、捕获离子和超导量子比特。我们希望我们的研究能够为更深入地理解这些分辨率有限的系统铺平道路。
使用查询学习量子有限自动机
抽象学习有限的自动机（称为模型学习）已成为机器学习中的重要领域，并且已成为有用的现实应用。量子有限自动机（QFA）是具有有限内存的量子计算机的简单模型。由于其简单性，QFA具有良好的物理可靠性，但是对于状态复杂性，单向QFA仍然具有与经典有限的自动机相比具有重要优势（Timway QFA在计算能力方面的经典自动机更强大）。As a different problem in quantum learning theory and quantum machine learning , in this paper, our purpose is to initiate the study of learning QFA with queries (naturally it may be termed as quantum model learning ), and the main results are regarding learning two basic one-way QFA (1QFA): (1) we propose a learning algorithm for measure-once 1QFA (MO-1QFA) with query complexity of polynomial time and （2）我们也提出了一种具有多项式时间查询复杂性的测量值1QFA（MM-1QFA）的学习算法。
在量子蜂窝自动机中争夺
cli虫QCAS。QCA是经历离散时间演变的晶格系统。每个都由两件事确定：每个晶格站点上的局部希尔伯特空间和统一的时间进化操作员（或自动化）。在海森伯格图片中，我们可能会将后者写为一组可逆的“规则” [28]，用于每个站点上的本地操作员的发展。我们考虑了一种称为Cli效率量子蜂窝自动机的特定模型系统[38 - 40]。这些QCA生活在空间中有限的1D晶格上，并遵守翻译不变性。每个晶格位点的希尔伯特空间源于量化环形相空间，因此每个lo-cal Hilbert空间都是有效的[41]。我们将此维度表示为n。此外，普朗克常数尺度为1 /n [40]，因此n→∞是半经典的极限。作用于每个当地希尔伯特空间的操作员建立了Q，p：
使用组合通道编码和细胞自动机的超维计算实现高效的情绪识别
摘要 本文提出了一种基于高效受脑启发的超维计算 (HDC) 范式的硬件优化情绪识别方法。情绪识别为人机交互提供了宝贵的信息；然而，情绪识别涉及的大量输入通道 (> 200) 和模态 (> 3) 从内存角度来看非常昂贵。为了解决这个问题，提出了减少和优化内存的方法，包括一种利用编码过程的组合性质的新方法和一个基本的细胞自动机。与所提出的技术一起实施了具有早期传感器融合的 HDC，在多模态 AMIGOS 和 DEAP 数据集上实现了两类多模态分类准确率，效价 > 76%，唤醒 > 73%，几乎总是比最先进的技术更好。所需的矢量存储无缝减少了 98%，矢量请求的频率减少了至少 1/5。结果证明了高效超维计算在低功耗、多通道情绪识别任务中的潜力。关键词：脑启发、超维计算、情绪识别、可穿戴、内存优化、硬件高效、多模态传感器融合
时间自动机作为表达安全性的形式主义 - arXiv
许多关键信息系统依赖于通过共享网络（例如互联网）进行通信。通过此类网络的数据通常很敏感，需要保密。如果处理不当，私人数据、身份验证码、时间信息或本地化等信息可能会被网络上的任何人访问。这可能导致安全攻击以检索或更改敏感数据 [ Kan+07 ; HZN09 ; Mod+13 ]。为了防止此类入侵，已经开发了各种安全方法和协议。然而，这些安全决策并不总能避免入侵。为了分析信息系统的安全性并突出其弱点，自关键信息系统出现初期就开始使用 FMEA（故障模式影响和危害性分析）[ Xu+02 ; Cas+06 ] 等技术标准。此后，人们开始探索更加结构化、基于模型的方法，例如 ADVISE 方法 [ LeM+11 ]，该方法可以自动生成定量指标或形式化方法，例如团队自动机 [ BLP05 ] 和攻击树 [ KPS14 ]，
定时自动机作为表达安全性的形式化 - arXiv
许多关键信息系统依赖于通过共享网络（例如互联网）进行通信。通过此类网络的数据通常很敏感，需要保密。如果不小心处理，私人数据、身份验证码、时间信息或本地化等信息可能会被网络上的任何人访问。这可能会导致安全攻击以检索或更改敏感数据 [Kan+07；HZN09；Mod+13]。为了防止此类入侵，已经开发了各种安全方法和协议。然而，这些安全决策并不总能避免入侵。为了分析信息系统的安全性并突出其弱点，自关键信息系统出现初期就开始使用 FMEA（故障模式影响和危害性分析）[Xu+02；Cas+06] 等技术标准。此后，人们开始探索更加结构化、基于模型的方法，例如 ADVISE 方法 [LeM+11]，该方法可以自动生成定量指标或形式化模型，例如团队自动机 [BLP05] 和攻击树 [KPS14]。
定时自动机作为表达安全性的形式化 - arXiv
许多关键信息系统依赖于通过共享网络（例如互联网）进行通信。通过此类网络的数据通常很敏感，需要保密。如果处理不当，私人数据、身份验证码、时间信息或本地化等信息可能会被网络上的任何人访问。这可能会导致安全攻击以检索或更改敏感数据 [Kan+07；HZN09；Mod+13]。为了防止此类入侵，已经开发了各种安全方法和协议。然而，这些安全决策并不总能避免入侵。为了分析信息系统的安全性并突出其弱点，自关键信息系统出现初期就开始使用 FMEA（故障模式影响和危害性分析）[Xu+02；Cas+06] 等技术标准。此后，人们开始探索更加结构化、基于模型的方法，例如 ADVISE 方法 [LeM+11]，该方法可以自动生成定量指标或形式化模型，例如团队自动机 [BLP05] 和攻击树 [KPS14]。
定时自动机作为表达安全性的形式化 - arXiv
许多关键信息系统依赖于通过共享网络（例如互联网）进行通信。通过此类网络的数据通常很敏感，需要保密。如果处理不当，私人数据、身份验证码、时间信息或本地化等信息可能会被网络上的任何人访问。这可能会导致安全攻击以检索或更改敏感数据 [Kan+07；HZN09；Mod+13]。为了防止此类入侵，已经开发了各种安全方法和协议。然而，这些安全决策并不总能避免入侵。为了分析信息系统的安全性并突出其弱点，自关键信息系统出现初期就开始使用 FMEA（故障模式影响和危害性分析）[Xu+02；Cas+06] 等技术标准。此后，人们开始探索更加结构化、基于模型的方法，例如 ADVISE 方法 [LeM+11]，该方法可以自动生成定量指标或形式化模型，例如团队自动机 [BLP05] 和攻击树 [KPS14]。
定时自动机作为表达安全性的形式化 - arXiv
许多关键信息系统依赖于通过共享网络（例如互联网）进行通信。通过此类网络的数据通常很敏感，需要保密。如果处理不当，私人数据、身份验证码、时间信息或本地化等信息可能会被网络上的任何人访问。这可能会导致安全攻击以检索或更改敏感数据 [Kan+07；HZN09；Mod+13]。为了防止此类入侵，已经开发了各种安全方法和协议。然而，这些安全决策并不总能避免入侵。为了分析信息系统的安全性并突出其弱点，自关键信息系统出现初期就开始使用 FMEA（故障模式影响和危害性分析）[Xu+02；Cas+06] 等技术标准。此后，人们开始探索更加结构化、基于模型的方法，例如 ADVISE 方法 [LeM+11]，该方法可以自动生成定量指标或形式化模型，例如团队自动机 [BLP05] 和攻击树 [KPS14]。
