XiaoMi-AI文件搜索系统
World File Search System搜索空间
通过统一系统建模和缩小搜索空间实现可重构电池系统的高效最优控制
摘要 —可重构电池系统 (RBS) 正在成为一种有前途的解决方案，可提高容错性、充电和热平衡、能量输送等。为了优化这些性能指标，需要制定和解决高维非线性整数规划问题。在此过程中，需要解决来自非线性电池特性、离散开关状态、动态系统配置以及大型系统固有的维数灾难的多重挑战。因此，我们提出了一个统一的建模框架来适应 RBS 的各种潜在配置，甚至涵盖不同的 RBS 设计，大大促进了 RBS 的拓扑设计和优化问题制定。此外，为了解决制定的 RBS 问题，搜索空间被定制为仅包含可行的 SSV，从而确保系统安全运行，同时大幅减少搜索工作量。这些提出的方法侧重于统一系统建模和缩小搜索空间，为有效制定和高效解决 RBS 最优控制问题奠定了坚实的基础。仿真和实验测试证明了所提出方法的准确性和有效性。
一个用于优化深神经网络体系结构和超参数
在本文中，我们提出了Dragon（用于定向的无环形优化），这是一种自动生成效率高的深神经网络体系结构并优化其相关超参数的算法框架。该框架基于不断发展的无环图（DAG），定义比文献中现有的搜索空间更具灵活的搜索空间。它允许进行不同的古典操作的混合物：卷积，相互作用和密集的层，但也有更多新的操作，例如自我注意力。基于此搜索空间，我们建议邻里和进化搜索操作员，以选择网络的体系结构和超参数。这些搜索操作员可以与能够处理混合搜索空间的任何元疗法一起使用。我们在时间序列预测基准的时间序列上使用异步进化算法测试了我们的算法框架。结果表明，龙的表现优于最先进的手工制作的模型和汽车技术，用于在众多数据集上预测时间序列。Dragon已被实施为Python开源软件包1。关键字：神经体系结构搜索，超参数优化，元启发式学，进化算法，时间序列预测
眼镜蛇：机器人应用程序的可复合基准
摘要 - 遵守道路规则对于自动驾驶汽车的安全操作至关重要。以前的工作表明，可以通过基于车辆可及的搜索空间来限制搜索空间来加快符合规则的运动计划。我们提出了一种算法，以使车辆在粘附在线性时间逻辑规范时可以达到的状态过度陈述。通过将模型检查整合到可及性分析中，我们可以尽早排除许多不合规的状态。我们只需要在必要时在语义上分配可及的集合，以决定规范的有效性。与现有方法相比，这大大减少了计算时间。我们在录制的现实世界情景中基准了我们的方法，以展示其实时功能。
一种用于 HRES 大小和配置的蚁群算法...
摘要 — 提出了一种蚁群算法 (ACO)，使用连续搜索空间方法对混合可再生能源系统规模和配置进行优化。在所提出的算法中，搜索空间中的信息素分布由高斯分布确定，并根据信息素沉积值通过轮盘赌原理进行概率路径选择。ACO 算法在软件工具 MOHRES 中实现，并进行了三个案例研究，以优化由全配置风能-光伏-电池-柴油-FC 电解器系统衍生的独立混合可再生能源系统的规模和配置。为了评估所提出的 ACO 的性能，将最优解与 MOHRES 中实现的遗传算法 (GA) 优化算法获得的解决方案进行了比较。
AutoML-Zero：从头开始发展机器学习算法
机器学习研究在多个方面都取得了进展，包括模型结构和学习方法。自动化此类研究的努力（称为 AutoML）也取得了重大进展。然而，这一进展主要集中在神经网络的架构上，它依赖于复杂的专家设计层作为构建块——或类似的限制性搜索空间。我们的目标是展示 AutoML 可以走得更远：今天可以仅使用基本的数学运算作为构建块来自动发现完整的机器学习算法。我们通过引入一个新颖的框架来证明这一点，该框架通过通用搜索空间显着减少了人为偏见。尽管这个空间广阔，但进化搜索仍然可以发现通过反向传播训练的两层神经网络。然后可以通过直接在感兴趣的任务上进化来超越这些简单的神经网络，例如 CIFAR-10 变体，现代技术从中出现
酶静电优化研究进展...
图 4. 静电逆设计问题包括寻找反应周围带电残基或点电荷的最佳位置，以降低反应势垒。考虑围绕狄尔斯-阿尔德反应的分区球面，分区的每个斑块分配一个电荷密度（蓝色 - 带负电；红色 - 带正电），理论上可能的环境总数是无限的，因为任何一点的电荷都可以是任何实数值，并且分区可以无限精细。这产生了巨大的搜索空间。此外，由于静电环境的各种配置会产生类似的反应势垒，以及可能的解决方案完全改变反应途径，而这在蛋白质中不再可行，因此解决方案将不唯一。Hartke 和 Sokalski 试图通过使用机器学习或最小化给定反应的 𝐸 !"## 来确定最佳催化环境，从而减少这个搜索空间。
GA3N：生成对抗性自动仪网络
数据增强对改善深度元学习的鲁棒性是有益的。然而，最近的深度元学习的数据预言方法仍然基于光度或几何操作或图像的组合。本文提出了一个生成的对抗自动说明网络（GA3N），用于扩大增强搜索空间并提高分类精度。要实现，我们首先使用gans扩展了图像增强的搜索空间。但是，主要的挑战是生成适合任务的图像。对于解决方案，我们通过优化目标和gan损失来找到最佳策略。然后，我们使用由策略网络确定的操纵和生成的样本作为改进目标任务的增强样本。为了显示我们的方法的效果，我们通过组合GA3N并在CIFAR-100和Tiny-ImageNet数据集上进行评估来实现分类网络。因此，我们比每个数据集上的最新自动说明方法获得了更好的准确性。
量子机器学习的量子嵌入搜索
摘要 —本文介绍了一种自动搜索算法（QES，发音为“quest”），该算法为监督量子机器学习推导出纠缠布局的最佳设计。首先，我们使用 CNOT 门建立纠缠结构与有向多图表示之间的联系，从而实现明确定义的搜索空间。所提出的将量子纠缠编码为基因型向量的方案将 ansatz 优化与经典机器学习联系起来，允许在任何明确定义的搜索空间上进行有效搜索。其次，我们激发纠缠级别以将搜索空间的基数降低到实际实现的可行大小。最后，我们通过基于模型的顺序优化使用代理模型来降低评估真实损失函数的成本。我们在模拟和基准数据集（包括 Iris、Wine 和乳腺癌数据集）上证明了我们提出的方法的可行性，这通过经验表明 QES 发现的量子嵌入架构在预测性能方面优于手动设计。
从聚类效应角度解释神经网络的对抗鲁棒性
对抗训练（AT）是提高深度神经网络鲁棒性的最常用机制。最近，一种针对中间层的新型对抗攻击利用了对抗训练网络的额外脆弱性，输出错误的预测。这一结果说明对抗训练中对抗扰动的搜索空间不足。为了阐明中间层攻击有效的原因，我们将前向传播解释为聚类效应，表征神经网络对于与训练集具有相同标签的样本的中间层表示相似，并通过相应的信息瓶颈理论从理论上证明了聚类效应的存在。随后我们观察到中间层攻击违反了 AT 训练模型的聚类效应。受这些重要观察的启发，我们提出了一种正则化方法来扩展训练过程中的扰动搜索空间，称为充分对抗训练（SAT）。我们通过严格的数学证明给出了经过验证的神经网络鲁棒性界限。实验评估表明，SAT 在防御针对输出层和中间层的对抗性攻击方面优于其他最先进的 AT 机制。我们的代码和附录可以在 https://github.com/clustering-effect/SAT 找到。
色散和码本设计问题的量子加速
摘要 在本文中，我们提出了最大和与最大最小色散问题的新公式，这些公式可通过 Grover 自适应搜索 (GAS) 量子算法实现解决方案，从而实现二次加速。色散问题是被归类为 NP 难的组合优化问题，经常出现在涉及最佳码本设计的编码理论和无线通信应用中。反过来，GAS 是一种量子穷举搜索算法，可用于实现成熟的最大似然最优解。然而，在传统的简单公式中，通常依赖于二进制向量空间，导致搜索空间大小甚至对于 GAS 来说都是令人望而却步的。为了规避这一挑战，我们改为在 Dicke 态上搜索最佳色散问题，即具有相等汉明权重的二进制向量的相等叠加，这显著减少了搜索空间，从而通过消除惩罚项简化了量子电路。此外，我们提出了一种用距离系数的秩替换距离系数的方法，有助于减少量子比特的数量。我们的分析表明，与使用阿达玛变换的传统 GAS 相比，所提出的技术可以降低查询复杂度，从而增强基于量子解决色散问题的可行性。