XiaoMi-AI文件搜索系统
World File Search Systemexecutions
![arXiv:2112.09345v2 [quant-ph] 2022 年 9 月 1 日](/simg/g:\will\search\icon\source\0\046feac603a75ed93e70e5239b6c9f60b4e0e313.webp)
arXiv:2112.09345v2 [quant-ph] 2022 年 9 月 1 日
基于冯·诺依曼体系结构的现代计算机系统是一个由多个交互模块组成的复杂系统。它需要彻底了解信息存储、处理、保护、读出等物理原理。量子计算是量子信息最普遍的用途，迄今为止采用混合体系结构，即量子算法以经典方式存储和控制，而其执行主要是量子的，从而产生所谓的量子处理单元。这种量子-经典混合受到其经典成分的限制，无法揭示该领域从一开始就设想的全量子计算机系统的计算能力。最近，量子信息的本质得到了进一步的认识，例如无编程和无控制定理，以及对量子算法和计算模型的统一理解。因此，在本文中，我们提出了一种通用量子计算机系统模型，即冯·诺依曼体系结构的量子版本。它使用 ebit（即贝尔态）作为量子存储单元的元素，使用量子位作为量子控制单元和处理单元的元素。作为数字量子系统，其全局配置可视为张量网络状态。其通用性通过基于程序组合方案通过通用量子门隐形传态执行量子算法的能力得到证明。它还受到不确定性原理（量子信息的基本定律）的保护，使其具有不同于传统情况的量子安全性。特别是，我们引入了一些量子电路的变体，包括尾部、嵌套和拓扑电路，以表征量子记忆和控制的作用，这在其他情况下也可能具有独立的兴趣。总之，我们的主要研究展示了量子信息的多种力量，并为在不久的将来创建量子计算机系统铺平了道路。
瑞典与肯尼亚的发展合作战略...
近年来，肯尼亚的经济增长使其重新被归类为中低收入国家。两国关系前景良好，双方关系更加广泛、更加自给自足。近年来，肯尼亚政府成功采取措施吸引投资、消除贸易壁垒并达成贸易协定。然而，腐败继续阻碍肯尼亚的发展，经济不平等现象正在加剧。新冠肺炎疫情严重影响了肯尼亚的经济，许多工作岗位流失。国际货币基金组织和世界银行预计复苏将缓慢进行。青年失业率和就业不足率都很高，这是导致青年人极端化加剧的因素。女性获得生产性就业的机会比男性少，从冲击中恢复的能力也较差。肯尼亚近 80% 的人口生活在多维贫困线以下或略高于该线，地区差异很大。贫困在该国北部地区尤为普遍，该国 50 万难民中的大多数都住在难民营中，其中许多人几十年来一直被难民营收容。近年来，政治权利和公民权利的空间不断缩小，侵犯人权的行为不断增加，包括当局使用暴力、酷刑和法外处决。妇女和女孩享有人权、代表权和获得资源的权利受到当地传统习俗和冗长的法庭程序的限制。民间社会广泛而多面，但其运作空间受到政治格局的严重影响。精英统治和裙带关系限制了民主空间。农业为大多数农村人口提供了生计。气候变化、生物多样性和生态系统服务的丧失以及
使用自动化简单 SCA 打破开源完全平衡椭圆曲线设计
椭圆曲线密码 (ECC) 的主要运算是将椭圆曲线 (EC) 点 P 与长二进制标量 k 相乘，记为 kP 。攻击者的目标是获取标量 k（进一步记为密钥 k ）。这通常可以通过分析测量的功率或 kP 执行的电磁痕迹或其他旁道效应来实现。蒙哥马利阶梯算法是实现 kP 计算最常用的算法。文献中报道，该算法可以抵抗简单的旁道分析 (SCA) 攻击，因为它是一种平衡算法，即，标量 k 的每个位值的处理都按照相同的运算序列完成，即一个 EC 点加法和一个 EC 点加倍。但是，蒙哥马利阶梯算法中寄存器的使用取决于密钥，因此容易受到垂直数据位和水平地址位攻击。已知的对策之一是随机化算法主循环每次迭代的 EC 点操作（加法和加倍）的顺序。只有当计算 EC 点加法的域操作顺序与计算 EC 点加倍的域操作顺序相同时，随机化才有意义，例如，如果应用了统一的 EC 点加法公式。[4] 报告了一种完全平衡的 ASIC 协处理器，该协处理器在 Weierstrass 椭圆曲线上实现了完整的加法公式。该设计是开源的，VHDL 代码可在 GitHub 存储库 [3] 中找到。我们为 IHP 250 nm 单元库合成了这个开源设计，并使用 EC secp256k1 的基点作为与原始测试台相对应的输入点 P 来模拟 kP 执行的功率轨迹。我们尝试了不同长度的标量 k。我们模拟了约 20 位以及约 200 位密钥的功率轨迹，并执行了
定量语义中对称性的分析
从线性逻辑，定量语义中汲取灵感旨在代表有关程序及其执行的定量信息：它们包括关系模型及其众多扩展，游戏语义和句法方法，例如非互动交叉点类型以及taylor的扩展。这些模型的关键特征是将程序解释为消耗资源“袋子”的证人。“袋子”通常被视为有限的多人，即商结构。在关系模型的分类中通常看到的另一种方法是使用无关紧要的结构（例如secience）与此处称为符号的显式形态有关，表达资源的交换。对称性显然是这些分类模型的核心，但我们认为它们的兴趣超出了这些模型，尤其是，在某些非分类的定量模型（例如加权关系模型或泰勒的扩展）中，对称性泄漏在数字形式下的组合解释形式并不总是清晰。在本文中，我们建立在一个最近的生物模型的基础上，称为Clairambault和Forest介绍的类似薄的群。不明确，细跨度具有对称性分解为两种偏光和负对称性的亚组。我们首先根据序列而不是家庭构建薄跨度原始指数的变体。然后，就刚性相交的类型和刚性资源术语而言，我们对薄跨度简单类型的the的解释进行了句法表征。最后，我们将薄跨度与加权的相对模型和广义结构物种相关联。这使我们能够展示这些模型中的某些数量如何反映两极分化的符号：特别是我们表明，加权的关系模型是从一般结构物种中计数的证人，除以一组正对称性的基本主教。
ASHA：通过人机协同强化学习实现辅助远程操作
摘要 — 构建用于通过任意、高维、嘈杂的输入（例如，网络摄像头的眼部注视图像）控制机器人的辅助界面可能具有挑战性，尤其是在没有自然的“默认”界面的情况下推断用户期望的操作时。通过在线用户对系统性能的反馈进行强化学习为这个问题提供了一个自然的解决方案，并使界面能够适应个人用户。然而，这种方法往往需要大量的人在环训练数据，尤其是在反馈稀疏的情况下。我们提出了一种从稀疏用户反馈中有效学习的分层解决方案：我们使用离线预训练来获取有用的高级机器人行为的潜在嵌入空间，这反过来又使系统能够专注于使用在线用户反馈来学习从用户输入到期望的高级行为的映射。关键见解是，使用预训练策略可使系统从稀疏奖励中学到比单纯的强化学习算法更多的知识：使用预训练策略，系统可以利用成功的任务执行来重新标记用户在未成功执行期间实际想要做的事情。我们主要通过一项用户研究来评估我们的方法，该研究有 12 名参与者，他们使用网络摄像头和他们的目光在三个模拟机器人操作领域执行任务：拨动电灯开关、打开架子门以接触里面的物体以及旋转阀门。结果表明，我们的方法在不到 10 分钟的在线训练中成功地学会了从稀疏奖励中将 128 维凝视特征映射到 7 维关节扭矩，并无缝帮助采用不同凝视策略的用户，同时适应网络摄像头输入、任务和环境的分布变化。
使用 COTS 异构平台进行空间计算
由于高性能商用现货 (COTS) 计算平台的技术进步，空间计算正在蓬勃发展。太空环境复杂且具有挑战性，具有尺寸、重量、功率和时间限制、通信限制和辐射效应。本论文提出的研究旨在研究和支持在空间系统中使用 COTS 异构计算平台进行智能机载数据处理。我们研究在同一芯片上至少有一个中央处理器 (CPU) 和一个图形处理单元 (GPU) 的平台。本论文提出的研究的主要目标有两个。首先，研究异构计算平台，提出一种解决方案来应对空间系统中的上述挑战。其次，使用新颖的调度技术补充所提出的解决方案，用于在恶劣环境（如太空）中在 COTS 异构平台上运行的实时应用程序。所提出的解决方案基于考虑使用并行任务段的替代执行的系统模型。虽然将并行段卸载到并行计算单元（如 GPU）可以改善大多数应用程序的最佳执行时间，但由于过度使用 GPU，它可能会延长某些应用程序中任务的响应时间。因此，使用所提出的任务模型是减少任务响应时间和提高系统可调度性的关键。基于服务器的调度技术通过保证 CPU 上并行段的执行时隙来支持所提出的任务模型。我们的实验评估表明，与应用程序的静态分配相比，所提出的分配可以将实时系统的可调度任务集数量增加高达 90%。我们还提出了一种使用基于服务器的调度和所提出的任务模型的动态分配方法，该方法可以将可调度性提高高达 16%。最后，本文提出了一个模拟工具，支持设计人员使用所提出的任务模型选择异构处理单元，同时考虑处理单元的不同辐射耐受性水平。
蒙哥马利梯子对简单SCA
摘要蒙哥马利KP算法，即在文献中报道了蒙哥马利阶梯，因为使用相同的操作序列进行标量K的每个密钥值的处理，因此对简单的SCA有抗性。，我们使用洛佩兹 - 达哈布（Lopez-Dahab）投影坐标为NIST椭圆曲线B-233实施了Montgomery KP算法。，我们针对相同目标FPGA的广泛时钟频率实例化了相同的VHDL代码，并使用了相同的编译器选项。我们使用相同的输入数据（即标量K和椭圆曲线点P和测量设置。此外，我们为两种IHP CMOS技术合成了相同的VHDL代码，用于广泛的频率。我们在执行KP操作期间模拟了每个合成设计的功耗，始终使用相同的标量K和椭圆曲线点P作为输入。我们的实验清楚地表明，简单的电磁分析攻击对FPGA实现的攻击以及对合成的ASIC设计的简单功率分析攻击之一取决于实现了设计的目标频率以及在其执行中执行的目标频率。在我们的实验中，当使用标准编译选项以及使用标准编译选项以及从50 MHz到240 MHz时，使用了40至100 MHz的频率，通过简单的目视视觉检查FPGA的电磁痕迹成功揭示了标量K。我们获得了相似的结果，攻击了为ASIC模拟的功率轨迹。尽管此处研究的技术存在显着差异，但设计对执行攻击的电阻是相似的：痕迹中只有几个点代表了强泄漏源，可以在非常低和非常高的频率下揭示钥匙。对于“中间”频率，允许在增加频率时成功揭示钥匙增加的点数。
深度强化学习，实现能量和时间优化......
物联网 (IoT) 的广泛采用和集成不可避免地导致物联网设备数量的激增。这反过来又导致了大量数据的产生，这些数据需要传输、处理和存储，以便有效地解释和利用。边缘计算已成为一种可行的解决方案，它补充了云，从而使集成的边缘云范式能够成功满足物联网应用的设计要求。绝大多数现有研究都提出了针对单个任务的调度框架，只有极少数研究考虑了更具挑战性的复杂工作负载调度问题，例如跨边缘云环境的工作流。工作流调度是分布式基础设施中的 NP 难题。当调度框架需要协调资源受限且高度分布的边缘云环境中的工作流执行时，情况会变得更加复杂。在这项工作中，我们利用深度强化学习来设计一个能够克服上述挑战的工作流调度框架。与所有现有工作不同，我们设计了一个新颖的分层动作空间，以促进边缘和云节点之间的明确区分。除此之外，还提出了一种基于混合参与者-评论家的调度框架，该框架增强了近端策略优化技术，以有效处理边缘云环境中的复杂工作流调度问题。使用能耗、执行时间、截止日期命中率和完成的作业百分比作为评估指标，将所提出的框架的性能与几种基线算法进行了比较。与时间和能量优化的基线相比，所提出的深度强化学习技术在能耗方面表现更好 56%，在执行时间方面表现更好 46%。这是在保持与能量优化基线相当的能源效率和与时间优化基线相当的执行时间的情况下实现的。因此，结果证明了所提出的技术在建立最小化能耗和执行时间的相互冲突的目标之间的最佳权衡方面的优越性。© 2022 由 Elsevier BV 出版
人工智能驱动的共同基金表现是否更好？
首只人工智能公募基金AIEQ于2017年10月18日成立，采用机器学习技术主动选股，成为2017年最受欢迎的基金之一，短短几周内募集资金超过7000万美元。算法交易被广泛应用于优化和自动化订单提交和执行，但只有在做出投资组合选择之后才会发生（Lo et al., 2000; Hendershott et al., 2011）。而人工智能则在投资组合选择的早期阶段做出决策，与此形成鲜明对比。此外，人工智能基金使用专有技术进行实时预测，大大提高了传统量化基金的灵活性和时效性（Abis, 2020）。与人类相比，人工智能的优势是多方面的。首先，人工智能具有超强的计算能力，可以在短时间内对海量数据进行分析，且性能不俗（Donaldson and Kamstra，1997 年；Neely 等，1997 年；Chouard，2016 年；Krauss 等，2017 年；Adcock and Gradojevic，2019 年）。其次，人类的理性是有限的，容易受到各种认知偏见的影响（Bazley 等，2020 年；Linnainmaa 等，2021 年）。相比之下，人工智能会优化预期结果，并学习变得更有效率，预计也会变得更加理性（D'Acunto 等，2019 年）。第三，人力管理的共同基金的业绩一直在下滑，因为在新千年里，熟练的基金经理的比例大幅下降，甚至几乎不存在（Barras 等人，2010 年；Ratanabanchuen 和 Saengchote，2020 年）。因此，投资界渴望通过尖端技术创新获得利润（Gencay 和 Stengos，1998 年；Gradojevic 和 Gençay，2013 年；Fischer 和 Krauss，2018 年）。然而，人工智能基金的缺点也同样明显。第一个担忧与现有金融文献的成就和人工智能技术潜在的增量贡献有关。最近有大量论文研究深度学习是否能比“传统”线性因子模型或特征更好地预测定价核和股票收益的横截面（Hutchinson 等人，1994 年；Fernandez-Rodrıguez 等人，2000 年；Garcia 和 Gençay，2000 年）。迄今为止的进展是积极的，但绝不是突破性的。其中，顾等人（2020 年）发现“所有（机器学习）方法都同意同一组
编辑维基数据的十个快速技巧
本文继承了十年前编辑维基百科的十条简单规则[1]。它介绍了维基百科的机器可读表亲：维基数据——从计算生物学的角度来看，这个项目可能更具相关性。维基数据是一个免费的协作知识库[2]，为每个维基百科页面及其他页面提供结构化数据。它依赖于与维基百科相同的同行生产原则：任何人都可以做出贡献。开放的协作模式在实践中往往出人意料地高效，尽管在理论上它们似乎不太可能奏效。尽管如此，它们在学术圈仍然遭到很多抵制和怀疑[3,4]。自 2012 年上线以来，维基数据已迅速发展成为一个跨学科的开放知识库，内容涵盖从基因到细胞类型再到研究人员[2,5-7]。它具有广泛的应用，例如验证有关疾病爆发的统计信息[8]、协调人类冠状病毒资源[9]或评估生物多样性[10，11]。它可以被认为是一个巨大的网络图（图1A），其中的项目作为节点（现在超过1亿个），通过超过十亿条语句相互链接，并通过数十亿条语句进一步链接到更广泛的网络。我们将在文中用斜体字链接到示例维基数据项目和属性（图1）。在线界面使项目本身具有一定的人性化可读性（图1B），但它们的结构化特性使其能够以完全用散文编写的信息源无法实现的方式查询和组合信息。这种多功能性使其在计算生物学中的应用比仅仅依赖维基百科更加通用和灵活[12]。维基数据上的查询范围很广，从哪些基因变异可以预测结直肠癌的阳性预后，到按荷兰以其名字命名的街道数量对分类单元进行分类。我们将尝试使用与计算生物学相关的例子，但请记住，几乎所有东西都可以这样做，从苏格兰中世纪女巫处决地图到按使用人口划分的紧急电话号码，再到描绘青蛙的画作。由于它属于 CC0 版权豁免，因此 Wikidata 的结构化内容基本上已发布到公共领域以用于其他项目 [ 13 ]。您可能已经在搜索引擎结果的顶部看到了它的结构化数据，但它也在幕后使用