XiaoMi-AI文件搜索系统
World File Search Systemgorithms
量子密码学和量子密钥分布网络，用于社会部署计算上不可破的密码系统
当今广泛使用的密码学的安全性可以通过“构造安全性”来保证，这意味着解密需要极端的质量计算能力。这使我们每天都可以安全地交换数据。然而，由于大规模量子计算机的出现以及将来的全新计算技术/数学算法，今天的加密法正在面临轻松解密的潜在威胁。尤其是，需要数十年保密的关键信息有“现在收获，稍后再结合”攻击的风险，在该攻击中，加密数据被窃听或获取，然后在将来开发新的计算技术时解密。这就是需要紧急响应的原因。正在开发两种新型技术来解决此问题。是“量词后公钥密码学”，具有相同的计算确定性，但具有数学结构，被认为很难通过当前已知的量子计算算法解密，并且现在正在实施和标准化。另一种类型是量子
ESCRYPT 后量子密码学咨询
非对称加密技术目前已得到广泛应用，但如今安全的算法将被未来的量子计算机破解。尽管量子计算的突破可能还需要几年时间，但企业需要及时为顺利过渡到量子安全系统做好准备。寻找合适的后量子算法并迁移到量子安全系统可能会带来许多挑战。
建模6G软件业务生态系统：向前看
算法欣赏，被定义为个人在决策中依赖算法的依赖或倾向，已成为一种学术兴趣日益增长的主题。对该主题的询问对于理解人类决策过程至关重要，就像在人工智能时代一样，算法越来越多地进入决策。为有助于这个不断发展的领域，这项研究研究了可能在增强算法的信任中起着重要作用的三个因素：对算法的熟悉，对任务的熟悉以及对算法性能的熟悉。借助先前的研究，使用场景研究开发了概念模型并经验测试。有关327个个体的数据显示出对算法的熟悉程度与对算法的信任之间的正相关。相比之下，任务熟悉似乎对信任没有重大影响。信任反过来被确定为算法升值的关键驱动力。这项研究还揭示了熟悉算法性能在对Al Gorithms的关系与算法的信任之间的关系中的调节作用。事后分析强调，信任完全介导了算法熟悉度和算法欣赏之间的关系。该研究强调了算法熟悉度和性能透明度在塑造算法的信任方面的重要性。这项研究从理论上做出了贡献，它通过提供有关不同形式熟悉程度对信任的影响的重要见解，实际上是通过规定了实用准则来增强算法欣赏的方法。
防止人工智能在本地服务中的使用可能产生歧视性的影响
前美国司法部长埃里克·霍尔德也持类似观点。他谈到基于算法的量刑决定时表示，尽管这些措施是出于好意，但我担心它们会无意中破坏我们确保个性化和平等司法的努力。他发表此番言论的时机恰好是在美国用于预测未来犯罪可能性的 AI/ADM 工具 COMPAS 丑闻爆发之后。布里莎·博登和弗农·普拉特的例子表明，司法系统用于为保释、假释和监禁量刑决策提供信息的数据驱动决策技术对历史上被边缘化的群体存在偏见
微型无人机室内外导航低成本一体化系统
摘要 本文介绍了一种用于微型旋翼无人机 (UAV) 导航的硬件设备和相关算法。与许多专注于适应单一任务和环境的导航解决方案的研究不同，所提出的方法旨在同时处理室内和室外任务，并且能够抵御传感器丢失和/或错误测量。介绍了一种带有低成本传感器的硬件设备以及用于在线估计由其位置、姿态和速度组成的车辆状态的算法。这种基于互补和卡尔曼滤波器的估计架构能够根据当前环境（室内或室外）从不同的传感器中选择和融合测量值。描述了算法并提供了模拟结果以说明和比较所提方法的性能。
一种健壮而高效的动态哈希表
大多数云服务和分布式应用程序都依赖于哈希算法，这些算法允许动态扩展稳健且高效的哈希表。示例包括 AWS、Google Cloud 和 BitTorrent。一致性和会合哈希是在哈希表调整大小时最小化密钥重新映射的算法。虽然大规模云部署中的内存错误很常见，但这两种算法都不能同时提供效率和稳健性。超维计算是一种新兴的计算模型，具有固有的效率、稳健性，非常适合矢量或硬件加速。我们提出了超维 (HD) 哈希，并表明它具有在大型系统中部署的效率。此外，实际的内存错误水平会导致一致性哈希超过 20% 的不匹配，而 HD 哈希不受影响。
利用人工智能（AI）优化电气自动化控制
针对当前电气工程面临的问题，设计了基于人工智能技术的控制系统。本文提出了基于人工智能算法的电气自动化控制系统模型，通过实现基于人工智能算法的控制方法，对控制参数进行优化。研究结果表明，在20%负荷干扰和2.1 Hz频率干扰下，系统控制下的汽轮机最高故障率为0.02，表明系统具有良好的抗干扰能力。因此，利用人工智能算法进行电气化自主控制可以大大提高控制反应时间，降低成本，提高生产效率。
量子阱肖特基二极管参数
本文的主要贡献是对不同的提取方法进行了比较研究，并在很大的温度范围内进行了测试（从极低的温度 100 K 到室温 300 K）。更准确地说，已经开发了四种技术来解决这个问题，例如 Cheung [ 1 ]、PSO、ABC 和 DE。关于所使用的启发式技术，PSO 算法最初模仿生物的社会行为和运动，例如一群鸟或一群鱼。同时，ABC 算法模拟了自然界中蜜蜂的觅食行为。而最后一种算法，即 DE，是一种基于种群的算法，旨在解决实际的优化问题。该算法需要四个主要步骤，例如初始化、突变、重组和选择。有关这些算法的更多详细信息，请参阅参考文献 [ 5、11、12 ]。