XiaoMi-AI文件搜索系统
World File Search System无约束
多智能体移动边缘计算网络中具有排队动态的分布式任务卸载优化
摘要 — 任务卸载决策在物联网 (IoT) 中的移动边缘计算 (MEC) 技术中起着关键作用。然而，在没有任何集中通信和计算协调的分布式多智能体网络中，它面临着来自应用层任务排队的随机动态和物理层耦合无线干扰的重大挑战。在本文中，我们研究了考虑上层排队动态和下层耦合无线干扰的分布式任务卸载优化问题。我们首先提出了一种新的优化模型，旨在通过优化多个智能体的卸载阈值来最大化它们的预期卸载率。然后，我们将问题转化为博弈论公式，进一步设计了一个分布式最佳响应 (DBR) 迭代优化框架。分析了博弈论模型中纳什均衡策略的存在性。对于每个代理阈值策略的单独优化，我们进一步提出了一种编程方案，将受约束的阈值优化转化为无约束的拉格朗日优化 (ULO)。单独的 ULO 被集成到 DBR 框架中，使代理能够以分布式方式协作并收敛到全局最优。最后，提供了模拟结果来验证所提出的方法，并证明了其相对于其他现有分布式方法的显著优势。数值结果还表明，所提出的方法可以实现与集中式优化方法相当的性能。
目标导向设计代理：将视觉模仿与一步前瞻优化相结合以实现生成设计
工程设计问题通常涉及大型状态和动作空间以及高度稀疏的奖励。由于无法穷尽这些空间，因此人类利用相关领域知识来压缩搜索空间。深度学习代理 (DLAgents) 之前被引入使用视觉模仿学习来模拟设计领域知识。本文以 DLAgents 为基础，并将其与一步前瞻搜索相结合，以开发能够增强学习策略以顺序生成设计的目标导向代理。目标导向的 DLAgents 可以采用从数据中学习到的人类策略以及优化目标函数。DLAgents 的视觉模仿网络由卷积编码器 - 解码器网络组成，充当与反馈无关的粗略规划步骤。同时，前瞻搜索可以识别由目标指导的微调设计动作。这些设计代理在一个无约束桁架设计问题上进行训练，该问题被建模为一个基于动作的顺序配置设计问题。然后，根据该问题的两个版本对代理进行评估：用于训练的原始版本和带有受阻构造空间的未见约束版本。在这两种情况下，目标导向型代理的表现都优于用于训练网络的人类设计师以及之前反馈无关的代理版本。这说明了一个设计代理框架，它可以有效地利用反馈来增强学习到的设计策略，还可以适应未见的设计问题。[DOI：10.1115/1.4051013]
将量子退火应用于尾部分配问题
航空公司每天都在努力安排机组人员、航班和飞机。尾部分配是将单架飞机分配给一组航班的问题，同时确保多重约束并旨在最小化目标函数，比如运营成本。鉴于所涉及的大量可能性和约束，这个问题在过去十年中一直是一个研究案例。许多使用经典计算的解决方案已经出现，但在性能上受到限制。量子退火（QA）是一种使用量子力学在能量景观上寻找全局最小能级的启发式技术。由于其特性，它在解决一些复杂的优化问题方面已被证明具有明显的优势，是一种很有前途的技术，可应用于多个领域。在本研究中，尾部分配问题被设置为二次无约束二元优化（QUBO）模型，使用两种不同的技术，并使用一个经典求解器和两个混合求解器进行求解。测试基于从真实世界数据中提取的数据，分析了实施在时间、可扩展性和所获解决方案的质量（即最低运营成本）方面的性能。我们得出的结论是，使用库来建模问题以及考虑单个航班而不是将它们预先聚合成字符串可能会成为可扩展性的瓶颈。此外，我们发现，与模拟退火 (SA) 等经典启发式算法相比，使用混合求解器之一获得此问题更好解决方案的可能性更高。这些发现可以作为进一步研究的基础。
地球观察图像处理的量子算法
基于卫星的地球观察结果具有广泛的应用，例如自然灾害警告，全球温度影响分析，天气条件分析和土地利用分类。但是，目前用于土地利用分类的机器学习技术在时间和精力方面是昂贵的。有两种可能解决此问题的方法。第一个是变性量子算法。它们是一类量子算法，针对近乎中等规模的量子计算时代的应用。这些算法采用共同参数化的量子电路和经典优化技术来查找从给定应用点起具有理想特性的量子电路或状态。vqas通常在寻找量子哈密顿量的低能状态时发现应用程序，解决了大约二次无约束的二进制优化问题和训练量子神经网络。在地球观测区域中，最有希望的应用领域在于QNN，因为应用VQAS允许创建采用量子信息处理工具的新分类方法。第二种方法是使用量子计算机用于使用自动编码器降低维度的混合机学习方法，以及量子算法的量子算法，量子算法供电量子算法来降低培训成本。使用常规深度学习技术的自动编码器在GPU上执行，而深度信念网络则在D-Wave量子退火器上运行。这种混合方法允许对两个模块进行独立训练，部分减少了重新训练模型所需的时间和能量（请参见图I）。
腾讯人工智能实验室 - 上海交通大学 WMT22 翻译任务的低资源翻译系统
本文介绍了腾讯人工智能实验室 - 上海交通大学 (TAL-SJTU) 针对 WMT22 共享任务的低资源翻译系统。我们参与了英语⇔利沃尼亚语的一般翻译任务。我们的系统基于 M2M100 (Fan 等人，2021)，并采用了使其适应目标语言对的新技术。(1) 跨模型词嵌入对齐：受跨语言词嵌入对齐的启发，我们成功地将预训练的词嵌入转移到 M2M100，使其能够支持利沃尼亚语。(2) 逐步适应策略：我们利用爱沙尼亚语和拉脱维亚语作为辅助语言进行多对多翻译训练，然后适应英语-利沃尼亚语。(3) 数据增强：为了扩大英语-利沃尼亚语的平行数据，我们以爱沙尼亚语和拉脱维亚语为枢轴语言构建了伪平行数据。(4) 微调：为了充分利用所有可用数据，我们使用验证集和在线反向翻译对模型进行微调，进一步提升性能。在模型评估方面： (1) 我们发现以前的研究（Rikters et al.，2022 ）由于 Unicode 规范化不一致而低估了利沃尼亚语的翻译性能，这可能导致高达 14.9 BLEU 分数的差异。(2) 除了标准验证集外，我们还使用往返 BLEU 来评估模型，我们发现这更适合这项任务。最后，我们的无约束系统在英语与利沃尼亚语之间的互译中取得了 17.0 和 30.4 的 BLEU 分数。1
泛美基金年度报告
致股东的信函 1 费用披露 2 经理评论和投资计划 Transamerica Balanced II 7 Transamerica 债券 21 Transamerica 资本增长 36 Transamerica 新兴市场债券 41 Transamerica 新兴市场机会 52 Transamerica 能源基础设施 60 Transamerica 浮动利率 65 Transamerica 政府货币市场 79 Transamerica 高质量债券 83 Transamerica 高收益债券 90 Transamerica 高收益 ESG 103 Transamerica 高收益市政债券 112 Transamerica 通胀机会 122 Transamerica 通胀保值证券 129 Transamerica 中期债券 136 Transamerica 中期市政债券 150 Transamerica 国际股票 174 Transamerica International Focus（原为 Transamerica International） 179 泛美国际小型股价值 185 泛美国际股票 191 泛美大型股价值 198 泛美大型核心 202 泛美大型增长 208 泛美大型价值机会 214 泛美中型股增长 219 泛美中型股价值机会 223 泛美多种资产收益 227 泛美多种管理平衡 236 泛美短期债券 253 泛美小型股增长 266 泛美小型股价值 271 泛美小型/中型股价值 277 泛美可持续债券 285 泛美可持续股权收益 294 泛美无约束债券 299 泛美美国增长 321 资产负债表 325 运营报表 340 州
使用量子和数字退火器的功率流分析
功率流 (PF) 分析是研究电网中功率流的一种基础计算方法。该分析涉及求解一组非线性和非凸微分代数方程。因此，最先进的 PF 分析求解器面临着可扩展性和收敛性的挑战，特别是对于大规模和/或病态情况，这些情况的特点是可再生能源渗透率高。事实证明，绝热量子计算范式能够有效地找到嘈杂中尺度量子 (NISQ) 时代的组合问题的解决方案，并且它可以潜在地解决最先进的 PF 求解器所带来的局限性。我们首次提出了一种用于高效 PF 分析的新型绝热量子计算方法。我们的主要贡献是 (i) 一种组合 PF 算法和一个符合 PF 分析原理的修改版本，称为绝热量子 PF 算法 (AQPF)，它们都使用二次无约束二进制优化 (QUBO) 和 Ising 模型公式；(ii) AQPF 算法的可扩展性研究；(iii) AQPF 算法的扩展，以使用分区方法处理更大的问题规模。使用不同的测试系统大小在 D-Wave 的 Advantage™ 量子退火器、富士通的数字退火器 V3、D-Wave 的量子-经典混合退火器和两个在经典计算机硬件上运行的模拟退火器上进行了数值实验。报告的结果证明了所提出的 AQPF 算法的有效性和高精度，以及它在使用量子和量子启发算法处理病态情况的同时加速 PF 分析过程的潜力。
“热模型”对加拿大气候服务提供商使用的CMIP6合奏的影响：做全球限制会导致R
摘要：加拿大气候服务提供商提供了耦合模型对比项目（CMIP6）的预测，以帮助为气候变化缓解和适应决策提供信息。CMIP6包括几种“热”气候模型，其对温室气体强制的敏感性超过了从多种证据推断的可能范围。通过将观察性约束应用于CMIP6集团的历史持续率，可以减少政府间气候变化委员会（IPCC）的第六次评估报告（AR6）评估的全球变暖估计。本研究评估了对加拿大的全球限制CMIP6预测是否与不受约束的预测有明显不同。考虑了两个约束：一个删除瞬时气候响应的模型在AR6评估范围之内（TCRlaukeLy），而另一种权重模型以匹配平衡元素灵敏度的评估分布（ECSALL）。这两种约束都比不受约束的团结降低了凉爽和更干燥的预测，在整体范围的上端，高排放场景，世纪末期间和加拿大北部地区的降低最强。在这种情况下，年平均温度的约束预测为2 8 - 3 8 C比无约束的预测凉爽，而每年降水的预测通常为20％ - 干燥40％。在温度极端指数的集合中位数中也检测到明显的差异。基于这些结果，建议考虑区域预测的约束合奏，以避免“热模型”问题。另外，可以以规定的全球变暖级别进行预测，并在全球限制下进行了限制，以告知变暖水平超过超过的时间。
准备好飞跃了吗（通过共同设计）？加入量子硬件上的顺序优化
利用量子现象实现计算加速的前景使得量子处理单元 (QPU) 对于许多算法数据库问题具有吸引力。查询优化涉及通常需要探索大型搜索空间的问题，似乎是量子算法的理想匹配。我们提出了连接排序的第一个量子实现，这是最受研究和最基本的查询优化问题之一，基于对二次二元无约束优化问题的重新表述。我们在两种最先进的方法（基于门的量子计算和量子退火）上对我们的方法进行了经验描述，并确定了与最知名的经典连接排序方法相比的加速，这些方法的输入大小符合当前的量子退火器。然而，我们也证实，早期技术的极限很快就会达到。当前的 QPU 被归类为嘈杂的中型量子计算机 (NISQ)，并且受到各种限制的限制，与理想的未来 QPU 相比，这些限制降低了它们的能力，这阻止了我们扩大问题维度并实现实用性。为了克服这些挑战，我们的公式考虑了特定的 QPU 属性和限制，并允许我们在可实现的解决方案质量和问题规模之间进行权衡。与所有针对查询优化和数据库相关挑战的量子计算的先前工作相比，我们超越了当前可用的 QPU，并明确针对可扩展性限制：利用从数值模拟和实验分析中获得的见解，我们确定了共同设计 QPU 以提高其连接排序实用性的关键标准，并展示了即使相对较小的物理架构改进也能带来显着的增强。最后，我们概述了定制设计 QPU 的实际实用性之路。
用于数据特征选择和压缩特征表示的量子算法
量子计算已成为一个新兴领域，可能彻底改变信息处理和计算能力的格局，尽管物理上构建量子硬件已被证明是困难的，而且当前嘈杂中型量子 (NISQ) 时代的量子计算机容易出错且其包含的量子比特数量有限。量子机器学习是量子算法研究中的一个子领域，它对 NISQ 时代具有潜力，近年来其活动日益增多，研究人员将传统机器学习的方法应用于量子计算算法，并探索两者之间的相互作用。这篇硕士论文研究了量子计算机的特征选择和自动编码算法。我们对现有技术的回顾使我们专注于解决三个子问题：A) 量子退火器上的嵌入式特征选择，B) 短深度量子自动编码器电路，以及 C) 量子分类器电路的嵌入式压缩特征表示。对于问题 A，我们通过将岭回归转换为量子退火器固有的二次无约束二元优化 (QUBO) 问题形式并在模拟后端对其进行求解来演示一个工作示例。对于问题 B，我们开发了一种新型量子卷积自动编码器架构，并成功运行模拟实验来研究其性能。对于问题 C，我们根据现有技术的理论考虑选择了一种分类器量子电路设计，并与相同分类任务的经典基准方法并行进行实验研究，然后展示一种将压缩特征表示嵌入到该量子电路中的方法。