XiaoMi-AI文件搜索系统
World File Search System对时间
奥莱娜·克拉斯诺塞尔斯卡 (Olena Krasnoselska) 的小说《SOLpik》中人工智能对时间和空间的建模：虚构还是未来的现实？奥列克桑德拉·尼科洛娃 1 , 卡捷琳娜
3 乌克兰扎波罗热国立理工大学新闻系。摘要本文通过艺术表现人工智能建模的可能性，研究了 Olena Krasnoselska 的小说《SOLpik》中时间和空间的细节。本文证明，就现代科学技术的进步而言，小说中描绘的人工智能建模时间和空间的方法（借助人工智能进行 3D 打印）似乎在理论上是合理和可预测的。本文作者特别关注分析作家对时间和空间本质的哲学思考，以及人类与人工智能积极互动的后果。值得注意的是，Olena Krasnoselska 呈现的未来形象在 21 世纪的科学技术成就背景下似乎是完全可信的，其中人工智能可能会失控并开始建模时空连续体，创造虚拟现实。这个故事反映了现代科学的思想和对其成就的态度。本文得出结论，上述所有事实都为将乌克兰作家的这部作品认定为“预言小说”提供了依据。此外，它概述了从现代科技进步的成就角度分析“科幻人工智能”时空体的相关研究观点。关键词：人工智能（AI）、人工智能叙事、科幻人工智能、时空体、混合体裁。
数据量大、后量子 TLS 1.3 对时间的影响......
摘要 — 事实证明，使用 NIST 的后量子算法 ML-KEM 和 ML-DSA 进行后量子密钥交换和身份验证将对 Web 或其他应用程序中使用的 TLS 1.3 性能产生影响。迄今为止的研究主要集中在抗量子算法对 TLS 首字节时间（握手时间）的开销。虽然这些工作对于量化连接建立速度的减慢非常重要，但它们并没有捕捉到现实世界中携带大量数据的 TLS 1.3 连接的全貌。直观地说，在连接协商中引入额外的 10KB ML-KEM 和 ML-DSA 交换将按比例增加连接建立时间，而不是增加携带 200KB 数据的 Web 连接的总连接时间。在这项工作中，我们量化了 ML-KEM 和 ML-DSA 对典型 TLS 1.3 连接的影响，这些连接将几百 KB 从服务器传输到客户端。我们研究了在正常网络条件下以及在数据包延迟变化性和丢失概率较高的较不稳定环境中后量子连接的最后一个字节时间的减慢情况。我们表明，在稳定的网络条件下，ML-KEM 和 ML-DSA 对 TLS 1.3 最后一个字节时间的影响低于对握手的影响，并且随着传输数据的增加而减小。对于高带宽、稳定的网络，最后一个字节时间的增幅保持在 5% 以下。在低带宽、稳定的网络条件下传输 50KiB 或更多数据时，握手时间从增加 32% 变为最后一个字节时间增加 15% 以下。即使拥塞控制影响连接建立，当连接数据增加到 200KiB 时，额外的减慢也会降至 10% 以下。我们还表明，有损或不稳定网络中的连接可能会受到后量子握手的更大影响，但这些连接的最后一个字节传输时间下降仍会随着传输数据的增加而下降。最后，我们表明，无论 TLS 握手如何，此类连接已经非常缓慢且不稳定。
利用机器学习对时间相关量子哈密顿量进行断层扫描
相互作用的量子汉密尔顿量是量子计算的基础。时间无关的量子汉密尔顿量的基于数据的断层扫描已经实现，但一个开放的挑战是使用从一小部分自旋局部获取的时间序列测量来确定时间相关的量子汉密尔顿量的结构。物理上，自旋系统在时间相关驱动或扰动下的动态演化由海森堡运动方程描述。受这一基本事实的启发，我们阐明了一个物理增强的机器学习框架，其核心是海森堡神经网络。具体来说，我们根据基于海森堡方程的一些物理驱动损失函数开发了一种深度学习算法，该算法“强制”神经网络遵循自旋变量的量子演化。我们证明，从局部测量中，不仅可以恢复局部汉密尔顿量，而且还可以忠实地重建反映整个系统相互作用结构的汉密尔顿量。我们在各种结构的自旋系统上测试了我们的海森堡神经机。在仅从一次自旋进行测量的极端情况下，实现的断层扫描保真度值可以达到约 90%。开发的机器学习框架适用于任何时间相关系统，其量子动力学演化受海森堡运动方程控制。
利用深度神经网络解决量子动力学中的逆问题：机器学习对时间相关最优控制场的预测 Xi
逆问题在物理科学中持续引起人们的极大兴趣，特别是在控制非平衡系统中所需现象的背景下。在这项工作中，我们利用一系列深度神经网络来预测时间相关的最优控制场 E(t)，从而实现降维量子动力系统中所需的电子跃迁。为了解决这个逆问题，我们研究了两种独立的机器学习方法：(1) 用于预测频域中功率谱的频率和幅度内容的前馈神经网络（即 E(t) 的傅里叶变换）；(2) 用于直接预测时域中的 E(t) 的互相关神经网络方法。这两种机器学习方法都为探索底层量子动力学提供了互补的方法，并且在准确预测最优控制场的频率和强度方面也表现出色。我们为这些深度神经网络提供了详细的架构和超参数，并为每个机器学习模型提供了性能指标。从这些结果中，我们表明机器学习方法，特别是深度神经网络，可以作为一种经济有效的统计方法来设计电磁场，以实现这些量子动力系统中所需的转变。