XiaoMi-AI文件搜索系统
World File Search Systemfault
这是谁的错？国际空间法中的人工智能与责任
Michael Chatzipanagiotis* 摘要 人工智能 (AI) 越来越多地用于太空活动。人工智能采用机器学习技术，使系统能够通过接触大量数据自动提高其性能。这种技术发展意味着太空活动将以更高的系统自主性进行。然而，这使得它的行为在很大程度上变得不可预测，因此，人们开始质疑人工智能如何影响国际空间法下的现行责任制度。本文认为，鉴于定义“过错”和建立过错与损害之间的因果关系的挑战，需要发射国“过错”的案件将变得（甚至）更难处理。过错可能表现为不遵守既定的国际规则或行为准则、对其他国家在《太空条约》第 IX 条下的利益考虑不足或行为不合理。这些参数与人工智能以及其他特定于人工智能的因素（例如训练数据）一起进行检查。如果使用人工智能通过建议来支持人类决策，那么还应考虑人为因素，例如适当的警告和用户友好的系统设计。此外，人工智能决策的可解释性非常可取，但由于人工智能系统的复杂性，也很难实现。无论如何，不应排除将人工智能行为与人类行为进行比较，但需要极其谨慎。本文的结论是，有必要制定有关太空活动的国际法规，即使是非约束性形式，以及基于绩效的国际安全标准。受害者保护方面的任何空白都必须通过国家立法和保险来填补。
根据容错阈值对量子逻辑运算进行基准测试
当前用于对噪声量子处理器进行基准测试的方法通常测量平均错误率或过程保真度。然而，容错量子误差校正的阈值是以最坏情况错误率（通过钻石范数定义）表示的，这可能与平均错误率相差几个数量级。解决这种差异的一种方法是使用随机编译 (RC) 等技术对量子门的物理实现进行随机化。在这项工作中，我们使用门集断层扫描对一组双量子位逻辑门进行精确表征，以研究超导量子处理器上的 RC。我们发现，在 RC 下，门错误可以通过随机泡利噪声模型准确描述，而没有相干误差，并且空间相关的相干误差和非马尔可夫误差受到强烈抑制。我们进一步表明，对于随机编译的门，平均错误率和最坏情况错误率相等，并且测量到我们的门集的最大最坏情况误差为 0.0197(3)。我们的结果表明，当且仅当门是通过调整噪声的随机化方法实现的，随机化基准是验证量子处理器的错误率是否低于容错阈值以及限制近期算法的失败率的可行途径。
故障估计与容错控制的鲁棒集成迭代策略 ✩
本文考虑了具有执行器和传感器故障、不确定性和干扰的线性参数变化系统的故障估计 (FE) 和容错控制 (FTC)。在设计中需要考虑 FE 和 FTC 功能之间不可避免的耦合，以确保基于 FE 的 FTC 闭环系统的整体性能和鲁棒性。本文提出了一种迭代策略，利用分离原理和小增益定理的概念实现 FE 和 FTC 的稳健集成。迭代算法涉及在每次迭代中求解多目标线性矩阵不等式优化问题，并具有有限步收敛保证。通过数值模拟说明了所提算法的有效性及其相对于现有工作的优势。© 2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
时空信息融合在船舶辅助系统故障检测中的应用
传感器融合一直是数据分析及其应用的重点主题之一。个体传感信息通常用于揭示潜在的过程动态并识别其中的潜在变化。这些系统通常配备具有（可能）不同模态的多个传感器。这些问题表明需要融合分布式和异构信息，以便实时准确推断关键系统的状态。为此，本文开发并验证了分布式物理过程（例如，船上辅助系统）中的故障检测和分类方法。文献中提出了几种传感器融合方法来解决故障检测问题，包括线性和非线性滤波器、自适应模型参考方法和基于神经网络的估计方案。然而，据作者所知，这些技术尚未应用于船上系统，因为存在一些固有的困难，包括：（可能）信号的非平稳行为、过程动态的潜在非线性、输入输出和反馈相互作用、多模态数据的缩放和对齐以及乘性过程噪声。上述一些问题可以在一定程度上简化或通过更简单的解决方案来近似。例如线性和线性化建模和贝叶斯估计技术（例如扩展卡尔曼滤波和粒子滤波）[1][2]。研究人员还使用了软计算
具有量子扩展器代码的恒定开销量子容错
在本文中，我们研究了容错量子计算所需的空间开销的渐近缩放。我们表明，标准阈值定理中的多对数因子实际上是不需要的，并且存在一个容错结构，它使用的量子比特数仅比理想计算的量子比特数多一个常数因子。这个结果是 Gottesman 推测的，他建议用具有恒定编码率的量子纠错码代替标准阈值定理中的级联码。当时的主要挑战是找到一个合适的量子码系列以及一个即使在噪声综合征下也能工作的高效经典解码算法。效率约束在这里至关重要：请记住，量子比特本质上是有噪声的，并且在解码过程中故障会不断累积。因此，解码器的作用是在整个计算过程中控制错误的数量。
跨域模拟故障注入用于设计稳健智能系统
摘要 — 在工业 4.0 革命的压力下，以及现在的《欧洲芯片法案》，智能系统在所有工业领域（例如汽车和航空航天）中无处不在。此类系统包含属于多个物理域（例如电气和机械）的数字和模拟组件。为了确保稳健性，必须在开发周期的早期验证整个系统，并考虑所有这些域，正如 ISO 26262 标准对汽车系统等情况所建议的那样。不幸的是，包括故障注入和模拟在内的验证技术在模拟方面并不像数字方面那么先进：i) 它们没有完全标准化 ii) 它们高度依赖于领域，并且 iii) 它们与数字流分开执行。本文提出通过在多个物理域中进行模拟故障注入来生成故障场景，从而改进智能系统的设计。通过利用这些故障场景，可以提高模拟部分的稳健性，同时提高控制系统功能的数字部分的质量。介绍了一个包含微控制器和三轴加速度计的多领域案例研究，以证明所提方法在许多工业环境中的有效性。索引术语——故障模拟、设计自动化、设计稳健性、多领域模拟。
基于人工智能的航天器故障检测与识别技术
摘要 航天器系统及其任务的复杂性日益增加，需要更高水平的性能和创新的解决方案。为确保可靠性、可用性和安全性，必须实现机载自主性和最少故障。故障检测和识别 (FDI) 对于在航天器故障导致重大故障之前识别它们至关重要。然而，由于太空环境和对系统信息的依赖，FDI 的设计和应用具有挑战性。为了提高准确性、速度和抗噪性，已经开发了基于人工智能 (AI) 技术的现代 FDI 方法。本文研究了航天器姿态确定和控制子系统 (ADCS) 和电力子系统 (EPS) 中的最新 FDI 技术。本文讨论了各种 FDI 方法和框架，强调了它们的优点、缺点以及实施 AI 的重要性。此外，本文还对不同的方法进行了彻底的分析和比较。
π相间层间移位和kagome超导体CSV3SB5
堆叠自由度是调整材料特性的关键因素，并且已在分层材料中进行了广泛的研究。最近发现Kagome超导体CSV 3 SB 5在T CDW〜94 K下方显示出三维CDW相位。尽管对内平面调制进行了彻底的研究，但平面外调制仍然模棱两可。在这里，我们的极化和温度依赖性拉曼测量结果揭示了C 6旋转对称性的破坏，并且在大约120°的三个不同域的存在下，彼此之间存在三个不同的域。观察结果表明，CDW相可以自然解释为2C交错阶相，相邻层显示相对π相移。此外，我们在大约65 K处发现了一阶结构相变，这是由于堆叠断层而引起的堆叠顺序diSorder相变，并受到CS相关唱片模式的热磁滞行为的支持。我们的发现突出了CSV 3 SB 5中堆叠自由度的重要性，并提供了结构见解，以理解超导性和CDW之间的纠缠。
用于训练贝叶斯网络进行制造系统故障诊断的数字孪生
摘要：人们提倡智能制造系统利用技术进步，通过快速诊断提高故障抵御能力，从而保证性能。在本文中，我们提出了一种用于设计数字孪生（DT）的协同仿真方法，该方法用于训练贝叶斯网络（BN），以便在设备和工厂层面进行故障诊断。具体而言，协同仿真模型是使用由联网传感器、每台设备的高保真仿真模型和工厂的详细离散事件仿真（DES）模型组成的信息物理系统（CPS）设计的。所提出的 DT 方法能够在虚拟系统中注入故障，从而减轻了昂贵的工厂车间实验的需要。应该强调的是，这种注入故障的方法消除了获取包括故障和正常工厂操作的平衡数据的需要。我们在本文中提出了一种结构干预算法 (SIA)，首先检测所有可能的有向边，然后区分 BN 的父节点和祖先节点。我们在实验室中设计了一个 DT 研究测试台，由配置成装配单元的四个工业机器人组成，每个机器人都有一个可以监测双轴振动的工业物联网传感器。这些机器人的详细设备级模拟器与机器人装配单元的详细 DES 模型集成在一起。生成的 DT 用于进行干预，以学习用于故障诊断的 BN 模型结构。实验室实验通过准确学习 BN 结构验证了所提方法的有效性，并且在实验中，发现所提方法获得的准确性（使用结构汉明距离测量）明显优于传统方法。此外，发现的BN结构对参数的变化是可靠的，例如平均失败时间（MTTF）
激光断层注射攻击对扩展的Merkle签名方案（XMSS）
基于状态的签名（HBS）方案的标准化始于2018年和2019年的IETF RFC的出版物IETF RFCS的扩展Merkle签名方案（XMSS）和基于Leighton-Micali Hash的签名（LMS）的出版物[8]，[8]，[11]。2020年，美国国家标准技术研究所（NIST）发表了进一步推荐的参数[7]。德国联邦信息安全办公室（BSI）在自己的出版物中指定了这两种算法[5]。自从其标准化以来，已将状态HBS算法部署在多种产品中，从嵌入式设备到服务器[3]，[6]，[12]。由于其固有的状态，可以使用密钥对创建的签名数量有限，这也限制了应用程序的范围。实际上，它们最适合验证很少更改的数据的完整性和真实性，例如嵌入式设备的固件。然后进行验证过程，然后在安全的启动或固件更新过程中进行。在过去的工作中，研究界已经调查了此用例[9]，[10]，[15]，[17]的硬件和软件优化，并且供应商带来了前进的产品[12]。