XiaoMi-AI文件搜索系统
World File Search Systemruntime
Jay Patrikar
我是一个全面的机器人，致力于实现安全可靠的现实世界自主权。我对将大规模数据驱动的方法与可证明的安全方法巧妙地结合在一起特别感兴趣。我喜欢在多个安全关键领域工作，例如无人驾驶汽车，无飞行员飞机和自动驾驶，并在人体机器人互动中应用，强大的风险意识计划，长尾不确定性量化和运动预测。我当前的效果专注于使用大型视觉语言动作模型来提高机器人技术的运行时安全性。
Solartiner 多功能
• 自主离网电源 • 减少对环境的影响和碳足迹 • 提供单相或三相配置 • 同步后可直接替代高达 70 kVA 或 70kVA+ 的柴油发电机 • 减少发电机运行时间和服务成本 • 降低噪音排放 • 标配远程能源管理 • 标配实时能源报告 • 自适应电源 • 所有装置均“可再生能源就绪”，可连接额外的太阳能光伏板和风力涡轮机 • 可选择同步多组
互联网数据表（产品编号 601508850）
小型 1000 流明无绳工地灯，适用于多种不同应用 灯头可旋转 180°，为灯提供几乎无限的位置 明亮的 LED 灯，适合近距离照明 旋转挂钩，用于悬挂灯 最佳电池组运行时间：足够全天工作使用的照明 两种亮度级别，可在最大电池组运行时间的情况下实现最佳照明 许多品牌，一个电池组系统：本产品可与 CAS 品牌的所有 18V 电池组和充电器结合使用：www.cordless-alliance-systems.com
量子码的局部概率解码
flip 是一种极其简单且最大程度局部化的经典译码器，在某些类的经典代码中得到了广泛应用。当应用于量子码时，存在无法由该译码器纠正的恒重误差（如稳定器的一半），因此先前的研究考虑了 flip 的修改版本，有时还与其他译码器结合使用。我们认为这可能并非总是必要的，并提供数值证据证明当将 flip 应用于立方格子上三维环面码的环状征象时，存在一个阈值。该结果可以归因于以下事实：对于该译码器，最低权重的无法纠正误差比其他无法纠正误差更接近（就汉明距离而言）可纠正误差，因此它们很可能在未来的代码周期中经过额外噪声变换后变得可纠正。在解码器中引入随机性可以使其以有限的概率纠正这些“不可纠正”的错误，对于使用信念传播和概率翻转相结合的解码策略，我们观察到现象噪声下的阈值为 ∼ 5.5%。这与该代码的最佳已知阈值（∼ 7.1%）相当，该阈值是使用信念传播和有序统计解码 [Higgott and Breuckmann, 2022] 实现的，该策略的运行时间为 O(n3)，而我们的本地解码器的运行时间为 O(n)（并行时为 O(1)）。我们预计该策略可以推广到其他低密度奇偶校验码中，并希望这些结果能够促使人们研究其他以前被忽视的解码器。
基于单精度浮点非迭代粗到精配准...
摘要。可变形图像配准是医学图像分析中的关键步骤，用于找到一对固定图像和运动图像之间的非线性空间变换。基于卷积神经网络 (CNN) 的深度配准方法已被广泛使用，因为它们可以快速、端到端地执行图像配准。然而，这些方法通常对具有较大变形的图像对性能有限。最近，迭代深度配准方法已被用来缓解这一限制，其中变换以由粗到细的方式迭代学习。然而，迭代方法不可避免地延长了配准运行时间，并且倾向于在每次迭代中学习单独的图像特征，这阻碍了利用这些特征来促进以后的迭代配准。在本研究中，我们提出了一种用于可变形图像配准的非迭代由粗到细配准网络 (NICE-Net)。在 NICE-Net 中，我们提出了：(i) 单次深度累积学习 (SDCL) 解码器，可以在网络的单次（迭代）中累积学习从粗到细的转换；(ii) 选择性传播特征学习 (SFL) 编码器，可以学习整个从粗到细配准过程的常见图像特征并根据需要选择性传播这些特征。在 3D 脑磁共振成像 (MRI) 的六个公共数据集上进行的大量实验表明，我们提出的 NICE-Net 可以胜过最先进的迭代深度配准方法，而只需要与非迭代方法类似的运行时间。
量子计算的简洁经典验证
摘要。我们为量子计算 (BQP) 构建了一个经典可验证的简洁交互式论证，其通信复杂性和验证器运行时间在 BQP 计算的运行时间内是多对数的（在安全参数中是多项式的）。我们的协议是安全的，假设不可区分混淆 (iO) 和错误学习 (LWE) 的后量子安全性。这是第一个简洁的论证，适用于普通模型中的量子计算；先前的工作（Chia-Chung-Yamakawa，TCC '20）既需要较长的公共参考字符串，又需要非黑盒使用以随机预言机建模的哈希函数。在技术层面，我们重新审视了构建经典可验证量子计算的框架（Mahadev，FOCS '18）。我们为 Mahadev 的协议提供了一个独立的模块化安全性证明，我们认为这是有独立意义的。我们的证明很容易推广到验证者的第一条消息（包含许多公钥）被压缩的场景。接下来，我们将压缩公钥的概念形式化；我们将该对象视为受限/可编程 PRF 的泛化，并基于不可区分混淆对其进行实例化。最后，我们使用（足够可组合的）NP 简洁知识论证将上述协议编译成完全简洁的论证。使用我们的框架，我们获得了几个额外的结果，包括 - QMA 的简洁论证（给定见证的多个副本）， - 量子随机预言模型中 BQP（或 QMA）的简洁非交互式论证，以及 - 假设后量子 LWE（无 iO）的 BQP（或 QMA）的简洁批处理论证。
查询和交易计划的优化
研究主要集中在量子计算[103]上。其中一些研究是通过应用量子退火进行查询优化[101,124]、多查询优化[133]和事务调度[15]来提高数据库性能。[124,133]中的研究表明运行时间提高了 10 3 倍。第三项研究[15]表明，随着问题规模的增加，量子退火的运行时间保持不变，而经典模拟退火的运行时间则迅速增加。此外，预计未来几年量子计算机的容量将迅速增加，并且几年后将出现比云端量子计算机延迟更低的现场量子计算机（见第 2 节）。有了这些有希望的结果，显然有必要研究解决数据库问题的可能的量子加速方法。在本文中，我们旨在通过展示各种量子方法如何通过查询优化和事务调度问题的参数进行扩展，并提出开发这些方法并将其集成到数据库系统中所面临的挑战，为此类研究提供指导。本文的其余部分安排如下。第 2 节重点介绍量子计算技术的现状及其预计的未来时间表。第 3 节详细介绍了两个感兴趣的 DBMS 问题。在第 4 节中，我们介绍了可用于加速数据库问题的各种量子方法及其量子位和电路深度要求。第 5 节通过讨论开放的挑战提出了未来研究的新方向。最后，第 6 节总结了我们的研究结果。
FixDrive：自动修理自动驾驶汽车...
摘要 - 自治车辆（AVS）正在迅速前进，其中4级AVS已经在现实世界中运行。curland Avs仍然落后于人类驾驶员的适应性和表现，通常表现出过度保守的行为，偶尔违反交通法律。现有的解决方案（例如运行时执行）通过自动修复运行时的AV计划轨迹来减轻这种情况，但是这种方法缺乏透明度，应该是最后一个度假胜地的度量。，优先选择AV修复是概括超出特定事件并为用户解释的。在这项工作中，我们提出了Fix d Rive，该框架分析了违反违法行为或法律行为的驾驶记录，以产生AV驾驶策略维修，以减少再次发生此类事件的机会。这些维修是用µ驱动器捕获的，µ驱动器是一种高级域特异性语言，用于针对基于事件的触发器指定驾驶行为。为最先进的自主驾驶系统Apollo实施，Fi d rive识别和可视化驾驶记录中的关键时刻，然后使用零射门学习的多模式大语言模型（MLLM）来生成µ驱动程序。我们在各种基准方案上测试了F IX D Rive，并发现生成的维修改善了AV的性能，相对于以下交通法律，避免碰撞并成功到达目的地。此外，在实践中，修复AV（15分钟的离线分析和0.08美元）的直接成本在实践中是合理的。索引术语 - 自主车辆，自动驾驶系统，多模式大型语言模型，驾驶合规性
边缘计算 AI 负载处理器软件
使用 CogniSAT-HCS 软件可以轻松部署定制计算机视觉 (CV) 管道。该软件库支持特定于应用程序的 CV 和 ISP 管道，这些管道利用了节能处理器流硬件块和矢量引擎上实现的软件过滤器的组合。部署到在处理器上运行的 CogniSat-HCS 仅涉及传输单个配置文件，运行时更新可以更新管道，而无需重新编译应用程序或重新启动系统。可以在设备上的单个流程中执行多个 CV 和 NN 阶段，从而实现 NN 预处理和后处理以及 NN 链接。