XiaoMi-AI文件搜索系统
World File Search System搜索空间
用于最优 Clifford 电路综合的 SAT 编码
在量子计算机上执行量子算法需要编译为符合设备施加的所有限制的表示。由于设备的相干时间和门保真度有限，编译过程必须尽可能优化。为此，首先必须使用设备的门库来合成算法的描述。在本文中，我们考虑 Clifford 电路的最佳合成，它是量子电路的一个重要子类，具有多种应用。此类技术对于建立（启发式）合成方法的下限和衡量其性能至关重要。由于搜索空间巨大，现有的最佳技术最多仅限于六个量子比特。这项工作的贡献有两个方面：首先，我们提出了一种 Clifford 电路的最佳合成方法，该方法基于将任务编码为可满足性（SAT）问题，并使用 SAT 求解器结合二分搜索方案对其进行求解。事实证明，该工具可以合成最多 26 个量子比特的最佳电路，比目前最先进的电路多出四倍多。其次，我们通过实验表明，最先进的启发式方法引入的开销平均比下限高出 27%。该工具可在 https://github.com/cda-tum/qmap 上公开获取。
提高基因组编辑效率...
个体在遗传编程（GP）中的表示对进化过程有很大的影响。在这项工作中，我们研究了三种语法引导的GP（GGGP）方法的进化过程，无上下文的语法GP（CFG-GP），语法进化（GE）和结构化语法演化（SGE），在复杂的，现实的，现实的，现实的，现实的问题的问题上，可以预测两个小时的人的Glucose水平。我们的分析通过（1）比较复杂基准上的所有三种方法，（2）在同一框架中实现方法，允许更公平的比较，以及（3）分析性能以外的进化过程。我们得出结论，代表选择更具影响力，最大程度更高，而CFG-GP更好地探索了更深树的搜索空间，从而实现了更好的结果。此外，我们发现CFG-GP更多地依赖于功能构建，而GE和SGE则更多地依赖于功能选择。此外，我们以两种方式更改了GGGP方法：使用ϵ-二素激酶选择，该方法解决了CFG -GP的过度拟合问题；并受到复杂树木的惩罚，以创建更多可解释的树。将ϵ -lexicase选择与CFG -GP相结合的表现最好。最后，我们评估了初始化方法在
dynamollm：设计LLM推理群集的性能和能源效率
摘要 - 生成大语言模型（LLM）的快速发展和广泛采用使它们成为各种应用程序中的关键工作量。今天，LLM推理群集会收到大量具有严格服务级别目标（SLO）的查询。为了达到所需的性能，这些模型在渴望的GPU上执行，从而导致Interence簇消耗大量能量，并且因此导致过多的碳发射。幸运的是，我们发现有一个很好的机会来利用推理计算属性和推理工作载荷中的波动的异质性，以显着提高能源效率。但是，如此多样化且动态的环境在不同的系统配置中创建了一个较大的搜索空间（例如，，实例数量，模型并行性和GPU频率）转化为不同的绩效权衡。为了应对这些挑战，我们提出了Dynamollm，这是LLM推理环境的第一个能源管理框架。dynamollm会自动，动态地重新配置推理群集，以优化服务性能SLO下的LLM服务的能量和成本。我们表明，在服务级别，Dynamollm可以保留53％的能源和38％的运营碳排放，并在满足潜伏期SLOS的同时，为客户降低了61％的成本。
Qubits数量的新记录AES的量子实现
摘要。优化实施高级加密标准（AE）的量子电路对于估计Grover算法攻击AES时所需的源头至关重要。先前的研究已将AES-128/-192/-256量子电路所需的量子数从984/1112/1336到270/334/398，该量子的最佳值接近256/320/384。进一步优化它们成为一项艰巨的任务。针对此任务，我们找到了一种方法，即如何在自动型工具更轻-r的帮助下设计AES S-Box的量子电路。尤其是，f 2 8中的乘法反转是s-box的主要部分，转换为f 2 4中的乘法反向（和乘法），然后可以通过较轻的r来实现后者，因为其搜索空间足够小。通过此方法，我们构造了用于映射的S-box的量子电路| A | 0⟩到| A | s（a）⟩和| A | b⟩to | A |在先前的研究中，b s（a）⟩⟩s（a）⟩有20个QUBITS而不是22个。此外，我们引入了新技术，以减少S-box电路所需的量子数| a⟩to| s（a）⟩从以前的研究中的22个到16。因此，我们将AES-128/-192/-256的量子电路与264/328/392 Qubits合成，这意味着新记录。
drivedreamer：迈向现实世界驱动的世界模型，用于自主驾驶
摘要。世界模型，尤其是在自主驾驶中，由于其构成驾驶环境的能力，人们引起了广泛的关注。既定的世界模型具有产生高质量驾驶视频的重要潜力，并为安全操纵而驱动政策。但是，相关研究的一个关键局限性在于它主要关注游戏环境或模拟设置，因此缺乏现实世界中的动力场景的代表。因此，我们介绍了DrivedReamer，这是一个完全源自现实世界驾驶场景的开创性世界模型。关于在复杂的驾驶场景中建模世界的建模需要一个压倒性的搜索空间，我们建议利用强大的扩散模型来结构复杂环境的全面表示。fur-hoverore，我们引入了两阶段的训练管道。在最初的阶段，DrivedReamer对结构化交通构成的深刻了解，而随后的阶段使其能够抗击未来状态。进行了广泛的实验，以验证DrivedReamer赋予了驱动视频生成和动作词典的能力，忠实地捕获了现实世界的交通限制。此外，DrivedReamer生成的视频显着增强了驾驶感知方法的训练。
加入订单选择深入加固学习
加入订单选择（JOS）是查询操作的基本挑战，因为它会显着影响查询性能。但是，由于近似较大的搜索空间，找到最佳的联接顺序是NP牢固的问题。尽管经过数十年的努力，但传统方法仍然受到限制。深度增强学习（DRL）方法最近越来越兴趣，并且表现出了比传统方法卓越的表现。这些基于DRL的方法可以通过反复试验策略来利用先前的经验，以自动探索最佳的联接顺序。本教程将通过提供各种方法的全面概述，重点介绍最近基于DRL的方法进行加入订单选择。我们将首先简要介绍加入顺序的核心概念和JOS的传统方法。接下来，我们将通过提供有关这些方法的详细信息，分析其关系并总结其弱点和优势，从而提供一些有关DRL的初步知识，然后对基于DRL的联接订单选择方法深入研究。为了帮助观众对JO的DRL方法有更深入的了解，我们将提出两个开源演示，并比较他们的差异。最后，我们将确定研究挑战和开放问题，以提供对未来研究方向的见解。本教程将为JOS开发更实用的DRL方法提供宝贵的指导。
pgraphdta：使用蛋白质语言模型改善药物靶标相互作用预测并接触地图
开发和发现新药是一项复杂且资源密集型的电源，通常涉及大量成本，时间投资和安全问题。药物发现的一个关键方面涉及鉴定新型药物目标（DT）的侵蚀。用于预测DT相互作用的现有计算方法主要集中在二进制分类任务上，旨在确定DT对是否相互作用。然而，蛋白质 - 配体相互作用表现出连续的结合强度，称为结合亲和力，对准确的预测提出了持续的挑战。在这项研究中，我们研究了药物靶相互作用（DTI）预测中采用的各种技术，并提出了新颖的增强以增强其性能。我们的方法包括蛋白质语言模型（PLM）的整合以及将触点图信息作为电感偏见的结合到当前模型中。通过广泛的实验，我们证明了我们所提出的方法的表现优于本研究中考虑的基线模型，这是一个令人信服的案例，以进一步发展这一方向。我们预计从这项工作中获得的见解将很明显地缩小针对特定蛋白质的潜在药物的搜索空间，从而加速了药物发现。pgraphdta的代码和数据可在https://github.com/yijia-xiao/pgraphdta/上找到。
分析进化算法中性问题中的探索 - 开发困境
在探索新机会的探索之间找到了妥协，而新机会可以产生表现出色的表现和通过本地改进来剥削现有解决方案，这是不同部门的主要挑战。实际上，尽管寻找改进的解决方案的搜索可能会昂贵，而且短期内耗时，但从长远来看，其影响可能会产生很大的影响。相反，剥削在短期内可能是有益的，但从长远来看可能会产生灾难性效果。在进化计算方面，几种方法试图从不同的角度解决该问题。在这项工作中，我们分析了中立性问题的探索 - 开发困境 - 根据该问题，搜索空间由通过不危害生存机会的突变访问的广阔区域组成的条件，这是一个独特的特征。具体来说，我们介绍了两个基准问题中实现的结果：（i）功能优化和（ii）5位平价。此外，引入了一种新的方法，一种称为SSSHC*的新方法，并与另外两种算法进行了比较。本文报告的实验表明，SSSHC*在优化功能测试的其他方法中找到的解决方案要好得多，并且在奇偶校验问题方面具有竞争力。总的来说，结果表明了如何有效地组合探索和剥削，但是这样做的策略依赖于任务。
有关时空编码数字元信息的最新进展和观点
由教授领导的团体独立提出了“数字”元结构的概念。Della Giovampaola和Engheta [1]和Cui等。[2]。基于这些类型的人工材料的基本思想是依赖有限数量的基本包裹物（在最极端的情况下，只有两种），但是能够设计各种复杂的局部操作的能力。每当适用时，这种方法会大大简化设计过程，因为可以通过离散优化策略有效地探索搜索空间[3]。此外，它简化了制造过程，还提高了相对于不可避免的公差的鲁棒性。指的是电磁（EM）跨表面场景[2]，人们可能会想到一组反射元素，例如在接地的介电介电底物上放置的金属斑块，理想地是特征在于单位 - 振幅恢复的特征，并以180的量子响应和量化的量子响应，以量身定量的量子，以量身定量的范围，以量身定量的编码为量子。最简单的二进制外壳，在2位案例中，0°，90°，180°和270°，依此类推。以这种方式，这些元素的每个可能的空间组合可以用数字编码顺序进行等效。在某种程度上，这个概念也可以解释为对所谓的“ Checker-board”元面的概括，该概念具有金属和人工 - 磁性导管元件的定期分布[4]。
单位水电单位承诺问题的有效精确A*算法
水力发电植物特有的水电单位承诺问题（HUC）是电力生产计划问题的一部分，称为单位承诺问题（UCP）。更具体地说，所研究的情况是带有单个植物的HUC的病例，表示为1-HUC。该植物位于两个储层之间。地平线在时间段内被离散。该植物以有限数量的点为定义为一对的一对固定功率和相应的水流。考虑了几个约束。每个储层都有一个初始音量以及窗口限制，该约束由每个时间段的最小和最大体积定义。在每个时间段内，水库中的水摄入量都有额外的正，负或零摄入。考虑了价格最大化最大化问题的情况。提出了一个有效的精确a*变体，即所谓的ha*，以解决1-HUC的窗口，并以减少的搜索空间和专用乐观的启发式启发式。将此变体与经典资源约束的最短路径问题（RCSPP）算法和用CPLEX求解的混合整数线性程序制定配方进行比较。结果表明，在一组现实的实例上，所提出的算法平均在计算时间方面优于同时替代方案，这意味着HA*表现出更稳定的行为，并且求解了更多的实例。