XiaoMi-AI文件搜索系统
World File Search System冯等
见证负条件熵
具有负条件冯诺依曼熵的量子态在多种信息论协议中提供了量子优势，包括超密集编码、状态合并、分布式私有随机性提炼和单向纠缠提炼。虽然纠缠是一种重要资源，但只有一部分纠缠态具有负条件冯诺依曼熵。在这项工作中，我们将具有非负条件冯诺依曼熵的密度矩阵类描述为凸和紧的。这使我们能够证明存在一个 Hermitian 算子（见证人），用于检测任意维度二分系统中具有负条件熵的状态。我们展示了两种此类见证人的构造。对于其中一种构造，状态中见证人的期望值是状态条件熵的上限。我们提出了一个问题，即获得状态条件熵集的严格上限，其中算子给出相同的期望值。我们对两个量子比特的情况用数字方法解决了这个凸优化问题，发现这提高了我们证人的实用性。我们还发现，对于特定证人，估计的严格上限与 Werner 状态的条件熵值相匹配。我们阐明了我们的工作在检测几个协议中的有用状态方面的实用性。
长期运动学习引起的人脑皮质微观结构的变化
1人类科学学院，III研究所，体育科学系，奥托·冯·吉里克大学，玛格德堡39104，德国，2，麦克斯·普朗克人类认知和脑科学研究所2神经退行性疾病（DZNE），德国Magdeburg 39120，5行为和脑科学中心（CBBS），奥托·冯·吉里克大学，德国39106，德国39106，6莱布尼兹 - 玛格尼尼兹·纳斯特斯 - 纳斯特斯·纳神经生物学（林），德国39118，德国，7个研究所，研究所研究，研究。 Guericke University，Magdeburg 39120，德国和8学院认知神经科学研究所，伦敦大学学院，伦敦WC1N 3AZ，英国
PTB 通讯 2013 年第 4 期
亥姆霍兹基金由 Emil Warburg 创立，他于 1905 年至 1918 年间担任德国物理技术研究所 (PTR) 主席。瓦尔堡是继赫尔曼·冯·亥姆霍兹和弗里德里希·科尔劳施之后的第三任总统。赫尔曼·冯·亥姆霍兹，当时的德国科学总理，根据他与维尔纳·冯·西门子共同提出的想法建立了德国国家科学研究院。弗里德里希·科尔劳什 (Friedrich Kohlrausch)，被威利·维恩 (Willy Wien) 称为“测量物理学大师”，在亥姆霍兹去世后接任主席职务他始终如一地延续了亥姆霍兹的计划，并带领这个年轻的研究所走向了“机构成熟”，正如大卫·卡汉在他的《测量大师》一书中所说的那样。1905年，健康状况严重受损的Kohlrausch被Emil Warburg取代（图1）。埃米尔·瓦尔堡 (Emil Warburg) 是德国国会不到 20 年后的第一位创新者。可以说，他确实震撼了帝国议会，尤其是在组织方面。然而，直到1914年他才得以实施他的计划，即解散以前的两个部门，即技术部门和物理部门，并将PTR划分为职能部门
计算量子熵和距离的新量子算法
我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依熵、量子 R´enyi 熵、迹距离和保真度。所提出的算法在低秩情况下的表现明显优于之前的最佳算法（甚至是量子算法），其中一些算法实现了指数级加速。具体来说，对于秩为 r 的 N 维量子态，我们提出的用于计算加性误差 ε 内的冯·诺依曼熵、迹距离和保真度的量子算法的时间复杂度分别为 ˜ O ( r/ε 2 )、˜ O ( r 5 /ε 6 ) 和 ˜ O ( r 6 . 5 /ε 7 . 5 )。相比之下，先前的冯诺依曼熵和迹距离的量子算法通常具有时间复杂度 Ω( N )，而先前的最佳保真度算法具有时间复杂度 ˜ O ( r 12 . 5 /ε 13 . 5 )。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。这是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。与现有方法相比，我们的技术的优势在于不需要对密度算子进行任何限制；与此形成鲜明对比的是，以前的方法通常需要对密度算子的最小非零特征值有一个下限。
格雷戈里上校“先生
丹尼尔 T. 冯汤姆先生是新墨西哥州科特兰空军基地 (AFB) 空军研究实验室、空间飞行器理事会企业信息部主管。他领导着一支由 50 多名文职和承包商员工组成的团队，支持空间飞行器和定向能理事会 1700 多名人员的信息技术需求。冯汤姆先生曾担任过空军士兵、军官、承包商，现在是空军文职人员。他职业生涯的大部分时间都奉献给了科特兰空军基地的空军研究实验室。冯汤姆先生最初担任高空气球实验 (HABE) 副项目经理，成功领导并将这项风险降低工作转变为天基激光项目。在进入公共服务部门之前，作为诺斯罗普·格鲁曼公司的高级工程师，冯汤姆先生帮助 AFRL 开发了一个一流的卫星测试设施，现在被多个机构使用，对硬件进行飞行前的严格测试。 2020 年 1 月，冯·汤姆先生被选为菲利普斯研究站点 IT 部门负责人。 教育经历 1998 年，中央华盛顿大学，行政管理学士 1998 年，阿拉巴马州麦克斯韦空军基地，航空航天基础课程 2001 年，圣达菲学院，计算机科学学士 2001 年，圣达菲学院，工商管理硕士 工作经历 1. 1992 年 8 月 - 1994 年 7 月，行政管理专家，佐治亚州穆迪空军基地 2. 1994 年 7 月 - 1996 年 8 月，AIC 行政管理专家，怀俄明大学 ROTC，怀俄明州拉勒米 3. 1996 年 8 月 - 1998 年 6 月，学生，ROTC，中央华盛顿大学，华盛顿州埃伦斯堡 4. 1998 年 7 月 - 2002 年 6 月5. 2002 年 7 月 - 2007 年 1 月，高级工程师，诺斯罗普·格鲁曼公司 (TASC)，新墨西哥州阿尔伯克基 6. 2007 年 1 月 - 2015 年 12 月，CITO 特别项目，定向能理事会，新墨西哥州科特兰空军基地 7. 2016 年 12 月 - 2020 年 1 月，IT 高级技术顾问，航天器理事会，新墨西哥州科特兰空军基地 8. 2020 年 1 月至今，企业信息部负责人，航天器理事会，新墨西哥州科特兰空军基地
Changying Ding
3. C. Ding，S. Kunnawalkam Elayavalli，论相对双精确群冯诺依曼代数的结构，arXiv:2211.05298，数学物理通讯，第 405 卷，第 104 期，2024 年。
采用混合 CMOS-RRAM 集成的混合信号神经形态计算电路
随着深度神经网络 (DNN) 在嵌入式设备上的广泛应用，硬件的能效和尺寸成为关注焦点。例如，最近基于 Arduino 的 MAIXDuino 套件集成了用于卷积神经网络 (CNN) 的 K210 神经网络处理器，旨在开发嵌入式人工智能 (AI) 和物联网 (IoT) 解决方案 [1]，[2]。在这种 Edge-AI 加速器专用集成电路 (ASIC) 中，DNN 模型在图形处理单元 (GPU) 上使用基于梯度下降的反向传播或 Backprop 算法 [3]–[5] 进行离线训练，然后“传输”到“推理”ASIC。反向传播是计算密集型的，由于冯诺依曼瓶颈，大量数据在内存和 CNN 加速器之间不断穿梭，因此会消耗大量能量。人们越来越重视创新“非冯·诺依曼”架构，即在内存内部执行计算。此类架构有望利用超越摩尔或后 CMOS 非易失性存储器 (NVM) 技术 [6]。这需要对整个设备、电路和算法层次结构中的非冯·诺依曼计算架构进行跨层研究。神经启发或神经形态片上系统 (NeuSoC) 架构将内存计算与基于稀疏尖峰的计算和通信相结合，以实现接近生物大脑能效的超低功耗运行 [7]。基于 NVM 的计算架构采用 1R 或 1T1R 交叉开关或交叉点架构，其中 DNN 权重存储在 NVM 单元的状态中，神经元驻留在
机载中红外腔增强吸收...
Corinna Kloss 1,* , Vicheith Tan 1 , J. Brian Leen 2 , Garrett L. Madsen 2 , Aaron Gardner 2 , 徐杜 2 , Thomas Kulessa 3 , Johannes Schillings 3 , Herbert Schneider 3 , Stefanie Schrade 1 , 晨曦邱 1 , 马克·冯·霍布 1