XiaoMi-AI文件搜索系统
World File Search Systempractical
2021 年墨子量子奖的科学背景：超导量子电路简史，引领超导量子实用化
20 世纪 80 年代初，莱格特 [4] 提出实验来检验宏观集体变量是否具有量子力学行为。他对传统的哥本哈根诠释提出了质疑，根据哥本哈根诠释，世界分为遵循量子力学的微观系统和行为经典的宏观系统（包括测量仪器）。特别是，他认为，约瑟夫森隧道结两端的相位差（本质上是两端电压的积分）所表示的宏观集体变量可以足够无摩擦，从而可用于检验宏观层面量子力学的有效性。在确定两个相干宏观态存在的过程中，莱格特指出的一个重要中间步骤是宏观量子隧穿 (MQT) 的存在，其中集体宏观变量穿过势垒。
全球生物样本库荟萃分析时代基因组学驱动药物发现的实用指南
。CC-BY-NC 4.0 国际许可 它是永久可用的。 是作者/资助者，已授予 medRxiv 许可以在（未经同行评审认证）预印本中显示预印本 此版本的版权所有者于 2021 年 12 月 5 日发布。；https://doi.org/10.1101/2021.12.03.21267280 doi：medRxiv 预印本
大脑刺激 - 牛津大学研究档案
1 School of Engineering, Computing and Mathematics, University of Plymouth, Plymouth PL4 8AA, UK 2 School of Engineering, Institute for Infrastructure and the Environment, The University of Edinburgh, Edinburgh EH8 9YL, UK 3 Sea Mammal Research Unit, Scottish Oceans Institute, University of St Andrews, St Andrews KY16 8LB, UK 4 School of Ocean Sciences, Bangor University，Menai Bridge LL59 59 5AB，英国5地球科学与工程系，伦敦帝国学院，伦敦SW7 2AZ，英国6号工程科学系，牛津大学，牛津大学，牛津大学牛津大学，牛津大学3PJ，英国7苏格兰海洋科学协会，苏格兰海洋科学协会，oban Pa37 1QA，英国8英国8号，英国8号工程学，艾伯特·阿布尔·阿布尔·阿布尔·阿布斯24，曼彻斯特，曼彻斯特M1 3BB，英国10个可再生能源集团，Cemps，埃克塞特大学，佩林校园，佩林TR10 9FE，英国佩林校园11，南安普敦大学，南安普敦SO17 1BJ，英国南安普敦大学工程学院，英国
理解和避免人工智能故障：实用指南
就目前的人工智能技术而言，人工智能造成的危害仅限于我们直接控制的权力。正如 [59] 中所说，“对于狭义人工智能，安全故障的重要性与一般网络安全同等重要，但对于 AGI 而言，情况则截然不同。” 尽管 AGI（通用人工智能）仍然遥不可及，但人工智能灾难的性质在过去二十年中已经发生了变化。自动化系统现在不仅会孤立地发生故障，而且还会实时与人类和彼此交互。这种转变使传统的系统分析更加困难，因为人工智能比以前的软件更具复杂性和自主性。针对此问题，我们分析了历史上与复杂控制系统相关的风险是如何管理的，以及当代人工智能故障的模式以及任何人工智能系统的运行会产生哪些类型的风险。我们基于传统系统分析和开放系统理论以及人工智能安全原则，提出了一个分析人工智能系统的框架，以便在它们无法理解它们如何改变其所嵌入系统的风险格局之前对其进行分析。最后，我们根据人工智能系统的属性提出了应采取的建议措施。我们给出了来自不同领域的几个案例研究，作为如何使用该框架和解释其结果的示例。
用线结构的金属零件的线弧添加剂制造的实用制造策略
图3 WAAM系统。（1）IRB 2600; （2）旋转协同5000 CMT焊机； （3）VR 7000 CMT电线馈线； （4）CMT火炬； （5）CCD相机； （6）3D配置文件扫描仪； （7）红外温度传感器； （8）2-DOF工件
动物遗传资源基因组表征的实用指南草案
1。食品和农业遗传资源委员会（委员会）在其第十三届会议上，有1个认可了FAO指南 - 动物遗传资源的分子遗传特征，2于2011年出版。指南：（i）概述了对动物遗传资源（包括分子遗传特征）进行表征的理由； （ii）描述计划分子遗传特征研究中要做出的战略选择； （iii）对进行此类研究时要采取的步骤提供了解释和建议，包括动物采样，基因分型和数据分析，突出了潜在的陷阱； （iv）鼓励数据标准化和将国家研究整合到国际分析中。该指南强调了其周期性更新和进一步完善的需求，因为它们在现场使用的经验是积累的，并且是分子遗传表征的技术。
![通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。](/simg/d/dd5abf0752fcc9f891dc4a96743f916f96f28350.png)
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
从钢铁开始：支持碳工人和减少排放的切实计划
a. 在 2016 年人口普查中，就业人员根据澳大利亚和新西兰标准行业分类 (ANZSIC) 被分配到不同的行业。以下行业被视为碳密集型行业：煤炭开采、天然气供应、石油和天然气开采、化石燃料发电、水泥和石灰制造、铝冶炼、石油精炼和石油燃料制造、石油勘探以及其他石油和煤炭产品制造。综合炼钢也包括在内 - 这些工人人数是根据人口普查数据单独确定的 - 但电弧炉中的钢铁回收不包括在内。如果 SA4（ABS 定义的区域，通常包含 100,000 至 500,000 人，代表劳动力市场）中至少有 1.5% 的工人从事煤矿开采，则以下 ANZSIC 代码也被视为碳工作：采矿和建筑机械制造、起重和物料搬运设备制造、其他采矿支持服务、水运支持服务、水运货物运输和铁路货物运输。b. Daley 和 Edis (2010 年，第 9 页)。c. “惰性”阳极提供了一种无碳替代品；这些正在国际上开发和商业化：Rio Tinto (2018)。d. Ha (2019)。e. MLA (2020)。
用于电子投票应用的实用量子指定的验证签名方案
摘要尽管大多数量子特征可以由指定的接收器验证，但它们与经典指定的验证者签名不匹配，因为不能有足够的模拟不可分割的签名。已提出了在电子投票和电子投标等特定环境中适应量子特征的，已经提出了几种量子指定的verifier signature（QDVS）方案。但是，实践中实施现有的QDVS方案仍然太复杂且不可行。在本文中，我们提出了一个实用的QDVS计划，而无需用于电子投票应用程序。它仅涉及基础量子密钥分布（QKD）的量子处理部分，以生成相关的键字符串，从而保护通信免受潜在的窃听器的影响。无需复杂的量子操作即可轻松，有效地在现有的QKD网络上部署所提出的方案。我们进一步表明，我们的QDVS方案满足了所需的主要安全要求，并具有针对多次常见攻击的能力。
寻找最优的脑电图方法：水基电极脑电图系统的实用评估
。CC-BY 4.0 国际许可，根据 提供（未经同行评审认证）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 6 月 4 日发布。；https://doi.org/10.1101/2021.04.28.441825 doi：bioRxiv 预印本