XiaoMi-AI文件搜索系统
World File Search Systemcomputers
智能作为信息处理：大脑、群体和计算机
还有其他几种比喻用来描述认知、思维和大脑，每种比喻都有其优点和缺点（Varela 等人，1991 年；Steels 和 Brooks，1995 年；Clark 和 Chalmers，1998 年；30 Beer，2000 年；G¨ardenfors，2000 年；Garnier 等人，2007 年；Froese 和 Ziemke，2009 年；Kiverstein 和 Clark，2009 年；31 Chemero，2009 年；Stewart 等人，2010 年；Froese 和 Stewart，2010 年；Downing，2015 年；Harvey，2019 年）。我的目的不是在这里讨论这些，而是要注意到，在研究认知时，存在着丰富多样的风格。尽管如此，所有这些隐喻都可以用信息处理来描述。由于计算可以理解为信息的转换（Gershenson，2012 年），因此“计算机”被广泛理解为处理信息的机器，可以成为包含和比较其他隐喻的有用隐喻。请注意，“机器”（以及计算机）的概念也可以更新（Bongard 和 Levin，2021 年）。
Grover的算法IBM量子计算机
上个世纪的量子力学进步导致了使用该物理学分支在1980年代的定律中出现计算理论。能够依靠一个信息单位的事实，即可以在经典位的基本状态叠加的量子，这打开了提高迄今为止现有计算机的计算能力的可能性。超级计算机无法在合理时间内无法解决的一些问题被放置在此新计算范式的范围内。这就是所谓的量子至上。迄今为止最重要的量子算法之一是Grover的算法[1]。在n个元素列表中找到元素的日常生活问题，例如电话簿中的一个电话号码是通过一个元素一个一个一个一个一个一个元素的一个人来解决的。这意味着当列表增长时，搜索时间会成比例地增长，从而导致O（n）缩放。Grover的算法可拟合叠加原理，并能够在O中找到元素（√
联合新闻稿 新加坡，2021 年 6 月 8 日 南洋理工大学、NP 和 NHCS 科学家发明的新型人工智能工具可加速心血管疾病的诊断 新加坡南洋理工大学 (NTU Singapore)、新加坡义安理工学院 (NP) 和新加坡国家心脏中心 (NHCS) 的一组研究人员发明了一种可以加速心血管疾病诊断的工具。 在人工智能 (AI) 的推动下，他们的创新技术使用心电图 (ECG) 来诊断冠状动脉疾病、心肌梗死和充血性心力衰竭，准确率超过 98.5%。 这种诊断工具的联合开发恰逢其时，因为新加坡过去三年来因心血管疾病导致的死亡人数有所增加。 根据新加坡心脏基金会的数据，2019 年新加坡所有死亡人数的 29.3%，即新加坡几乎三分之一的死亡，是由于心脏病或中风。科学家们希望他们的创新技术能够支持临床环境中心血管疾病的诊断，特别是在医生进行初步心电图检查时，最终加快治疗进程。研究人员使用一种名为 Gabor-卷积神经网络 (Gabor-CNN) 的人工智能机器学习算法设计了这种诊断工具，该算法模仿了人类大脑的结构和功能，使计算机能够像人类一样从过去的经验中学习。使用该算法，
联合新闻稿 新加坡，2021 年 6 月 8 日 NTU、NP 和 NHCS 科学家发明的新型人工智能工具可以加快心血管疾病的诊断 新加坡南洋理工大学 (NTU Singapore)、新加坡义安理工学院 (NP) 和新加坡国家心脏中心 (NHCS) 的一组研究人员发明了一种可以加快心血管疾病诊断的工具。在人工智能 (AI) 的推动下，他们的创新利用心电图 (ECG) 来诊断冠状动脉疾病、心肌梗死和充血性心力衰竭，准确率超过 98.5%。联合开发诊断工具非常及时，因为新加坡过去三年来因心血管疾病导致的死亡人数有所增加。据新加坡心脏基金会称，2019 年新加坡所有死亡人数中有 29.3%（几乎占新加坡死亡人数的三分之一）是心脏病或中风造成的。科学家们希望他们的创新能够支持临床环境中心血管疾病的诊断，特别是在医生进行初步心电图检查时，最终加快治疗进程。研究人员使用一种名为 Gabor-卷积神经网络 (Gabor-CNN) 的人工智能机器学习算法设计了诊断工具，该算法模仿人脑的结构和功能，使计算机能够像人类一样从过去的经验中学习。他们使用该算法，通过输入反映心血管疾病的心电图信号示例来训练他们的工具识别患者心电图中的模式。这项研究的共同作者、NHCS 心脏病学系高级顾问临床副教授 Tan Ru San 表示：“我们对一小组初步研究对象进行的研究表明，在使用常规心电图对一些常见心血管疾病进行分类的准确性方面取得了令人鼓舞的结果。虽然确认特定疾病仍需要额外的测试，但我们的诊断工具将
绝热量子计算机上圈量子引力模拟的前奏
本文讨论了在绝热量子计算机上实现自旋网络状态的可能性，该状态用于环量子引力方法中的普朗克尺度物理。讨论的重点是应用当前可用的技术，并分析了 D-Wave 机器的一个具体示例。介绍了一类简单的自旋网络状态，可以在 D-Wave 量子处理器的 Chimera 图架构上实现。然而，需要超越当前可用的量子处理器拓扑来模拟更复杂的自旋网络状态。这可能会启发新一代绝热量子计算机。讨论了模拟环量子引力的可能性，并提出了一种使用绝热量子计算解决图不变标量（哈密顿）约束的方法。所提出的结果为未来在量子退火器上模拟普朗克尺度物理，特别是量子宇宙学配置奠定了基础。
一种用于噬菌体工程的高效，无疤痕，无选择的技术
未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本的版权持有人（本版本发布于5月29日，2021年。; https：//doi.org/10.1101/2021.05.27.4446060 doi：biorxiv Preprint
使用人工智能和量子计算机预测蛋白质结构
。CC-BY-NC-ND 4.0 国际许可，根据 （未经同行评审认证）提供，是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者，此版本于 2021 年 5 月 24 日发布。；https://doi.org/10.1101/2021.05.22.445242 doi：bioRxiv 预印本
通过模拟益生元分子的基态能量在高性能计算机上的基态能量
摘要。我们使用在Qiskit软件包中实现的变异量子本质量（VQE）来计算源自水，H 2 O和HCN氰化氢的小分子的基态能量。这项工作旨在基准基准算法，以计算与益生元化学相关的分子的电子结构和能量表面，从水和氰化氢开始，并在可用的模拟和物理量子硬件上运行它们。小量子处理器的算法的数值计算使我们能够设计更有效的协议，可以在实际硬件中运行，并分析其性能。对可访问量子处理原型的未来实现将基准量子计算机基准测试，并通过启发式量子算法进行量子优势的测试。
![用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。](/simg/d/d0b24e3de4e984953fcbe1080336ba472eefd4f9.png)
用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。
用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。
计算机中的微型电子管
计算机中的微型电子管 微型电子管早在 50 年代中期就已用于计算机或外围接口，但如今几乎找不到任何证据。由于价格昂贵，它们的使用可能仅限于机载或军用产品。当提到微型电子管时，我们必须考虑到它们包括两大类，即丝状电子管和间接加热阴极型。间接加热型只能减小体积，而丝状电子管则具有进一步的优势，即极低的功率要求和非常快的加热速度。从那时起，我开始寻找 50 年代基于微型电子管的计算机的证据。起点是雷神公司的几则广告，大约在 50 年代中期，它们提议在计算机应用中使用丝状微型电子管。
第 12 章：非通用量子计算机
在模拟量子模拟中，人们在精确控制的条件下重建、模仿原始系统的精确哈密顿量。这个想法并没有乍一看那么荒谬。事实上，在光晶格中的冷原子系统或捕获离子的系统中，人们可以非常精确地重建相互作用的系统，也可以在实验室中探测它们。时间演化是 BQP 完全的事实在这里是一个优势：人们无法设计出通用的量子动力学经典模拟算法。因此，量子蒙特卡罗方法、密度泛函理论或张量网络方法等经典模拟算法很快就会达到其局限性。但模拟量子模拟器不会面临这样的限制。这是一个非常有趣的研究领域。