独立于设备的量子密钥分发 (DIQKD) 提供了最强大的安全密钥交换形式,仅使用设备的输入输出统计数据即可实现信息论安全性。尽管 DIQKD 的基本安全原理现已得到充分理解,但为高级 DIQKD 协议推导出可靠且强大的安全界限仍然是一项技术挑战,这些界限要超越基于违反 CHSH 不等式而得出的先前结果。在这项工作中,我们提出了一个基于半有限规划的框架,该框架为使用不受信任设备的任何 QKD 协议的渐近密钥速率提供可靠的下限。具体而言,我们的方法原则上可用于基于完整输入输出概率分布或任何贝尔不等式选择来为任何 DIQKD 协议找到可实现的密钥速率。我们的方法还扩展到其他 DI 加密任务。
令人满意地遵守上述标准和NABL的相关要求。(要查看该实验室的认证范围,您也可以访问NABL网站www.nabl-india.org)
摘要。本文介绍了用于图像识别的深度卷积神经网络训练的性能-能量权衡研究。使用配备 Nvidia Quadro RTX 6000 和 Nvidia V100 GPU 的系统测试了几种具有代表性且广泛采用的网络模型,例如 Alexnet、VGG-19、Inception V3、Inception V4、Resnet50 和 Resnet152。使用 GPU 功率上限,我们发现除了默认配置之外,还可以最小化三个不同的指标:能量 (E)、能量延迟积 (EDP) 以及能量延迟总和 (EDS),从而节省大量能源,EDP 和 EDS 的性能损失较低到中等。具体来说,对于 Quadro 6000 和最小化 E,我们获得了 28.5%–32.5% 的节能效果;对于 EDP,我们获得了 25%–28% 的节能效果,平均性能损失为 4.5%–15.4%;对于 EDS (k=2),我们获得了 22%–27% 的节能效果,平均性能损失为 4.5%–13.8%。对于 V100,我们发现平均节能效果为 24%–33%;对于 EDP,我们获得了 23%–27% 的节能效果,平均性能损失为 13%–21%;对于 EDS (k=2),我们获得了 23.5%–27.3% 的节能效果,平均性能损失为 4.5%–13.8%。
本文介绍了冲击打印的概念,这是一种新的增材制造 (AM) 方法,通过机器人注射过程聚集可塑性离散元素(或软颗粒)。软颗粒之间的结合源于加速阶段获得的动能转化为冲击时的塑性变形。因此,软颗粒之间不需要额外的粘合材料;材料本身的内聚力和自锁能力充当主要粘合剂。可以调节注射力和随之而来的冲击力,并产生不同的压实率。通过线性注射材料,我们将沉积设备与生产的部件分离,并为沉积过程提供灵活性,使其有可能在任何方向或不受控制的表面上构建。冲击打印生产的部件具有介于砌砖(离散构建块的组装)和 3D 打印(计算机控制的材料沉积或固化)之间的形式特征。它提出了一种新颖的数字制造方法和传统连续 AM 工艺的替代方案。本文通过一系列原型实验验证了冲击打印方法,这些实验采用机器人制造装置进行,该装置由一个六轴机械臂组成,该机械臂上安装有材料发射装置,可以形成、定向和投射软颗粒。我们将解释和演示其原理,并定义制造参数,例如发射力、发射距离和由此产生的聚集体的特征。
为了解决高光谱遥感数据处理中遇到的同构问题,提高高光谱遥感数据在岩性信息提取与分类的精度,以岩石为研究对象,引入反向传播神经网络(BPNN),对高光谱图像数据进行归一化处理后,以岩性光谱与空间信息为特征提取目标,构建基于深度学习的岩性信息提取模型,并使用具体实例数据分析模型的性能。结果表明:基于深度学习的岩性信息提取与分类模型总体精度为90.58%,Kappa系数为0.8676,能够准确区分岩体性质,与其他分析模型相比具有较好的性能。引入深度学习后,提出的BPNN模型与传统BPNN相比,识别精度提高了8.5%,Kappa系数提高了0.12。所提出的提取及分类模型可为高光谱岩矿分类提供一定的研究价值和实际意义。
摘要。飞机燃气轮机发动机的开发已广泛用于开发高级材料。然而,这种复杂的开发过程是通过减少体重,更高的温度能力和/或降低冷却来证明的,每种都会提高效率。这是高温陶瓷取得了很大进步的地方,陶瓷基质复合材料(CMC)在前景中。CMC分为非氧化物和基于氧化物的CMC。两个家庭的材料类型具有很高的潜力,可以在高温推进应用中使用。典型的基于氧化物的基于氧化物纤维和氧化物基质(OX-OX)。一些最常见的氧化物子类别是氧化铝,绿地,陶瓷和氧化锆陶瓷。这样的基质复合材料例如在燃气轮机发动机和排气喷嘴的燃烧衬里中使用。然而,直到现在,尚未就此类应用的可用基于氧化物的CMC进行彻底的研究。本文着重于评估有关机械和热性能的可用氧化陶瓷基质复合材料的文献调查。
