执行摘要 感谢您有机会对美国国家电信和信息管理局 (NTIA) 关于“具有广泛可用模型权重的双重用途基础人工智能模型”的评论请求 (RFC) 做出评论,1 涉及 NTIA 根据《关于安全、可靠和值得信赖地开发和使用人工智能的行政命令》(EO) 第 4.6 节所承担的责任。2 此处表达的评论反映了约翰霍普金斯大学健康安全中心的想法,并不一定反映约翰霍普金斯大学的观点。下面,我们提供了有关“开放”双重用途基础模型(即模型权重广泛可用的模型)的政策和监管方法相关主题的生物安全考虑信息。约翰霍普金斯大学健康安全中心正在研究新政策方法、科学进步和技术创新如何加强健康安全和挽救生命。该中心在生物安全领域拥有 25 年的经验,致力于确保未来流行病、灾难和生物武器不再威胁我们的世界。我们的中心由科学、医学、公共卫生、法律、社会科学、经济学、国家安全和新兴技术领域的研究人员和专家组成。行政命令第 4.6 节要求 NTIA 编写一份报告,报告涉及具有广泛可用模型权重的双重用途基础模型的益处和风险。3 行政命令特别关注用户微调开放的双重用途基础模型或删除模型保护措施所带来的风险。行政命令将双重用途基础模型定义为,除其他外,任何包含至少数百亿个参数的人工智能模型,“适用于广泛的环境”,并且“在对安全、国家经济安全、国家公共卫生或安全构成严重风险的任务中表现出高水平的性能,或可以轻松修改以表现出高水平的性能。” 4 行政命令强调的第一个令人担忧的能力是“大幅降低非专家设计、合成、获取或使用化学、生物、放射或核武器 (CBRN) 的准入门槛。”
摘要:随着航空中的发展技术,向更多电气系统的过渡日益增加。因此,对电池开发的研究加速了。如今,由于其能量重量比,锂离子(锂离子)电池更为广泛,例如与其他电池技术相比,不工作时的自我释放率较低。电池将储存的化学能转换为电能,并且由于化学反应而释放了热量。释放的热量会对电池的寿命产生负面影响,充电/放电时间和电池输出电压。必须正确建模电池以查看这些负面影响并及时干预。以这种方式,电池中可能发生的负面情况可以在正确的时间进行干预,而不会发生任何事件。在这项研究中,无人机(UAV)由锂离子电池提供动力。使用电气等效电路在MATLAB/SIMULINK环境中进行模拟。考虑到温度,充电状态(SOC),细胞动力学和操作功能,创建了一个详细的模型。要估计电池的健康状态(SOH),必须知道电阻值。借助仿真模型获得了锂离子电池等效电路中的电阻和容量值。因此,可以通过获得的结果准确预测锂离子电池的SOH。关键词:锂离子,无人机,电池模型,仿真。
本课程将重点介绍控制工程材料微观结构的基本和高级概念,并将这些概念与工程材料的最终物理特性联系起来。本课程分为三个模块:1) 金属,2) 陶瓷和玻璃,3) 聚合物和复合材料。每个模块首先回顾描述原子键合和微观结构的概念,并将微观结构与特定类别材料的物理特性联系起来。然后,学生将学习影响材料性能的制造技术,包括材料成型、后处理热处理和表面处理。每个模块都以选定的案例研究和/或详细的材料相关问题的分析结束
加拿大的海事管辖权必须与联邦和省级之间的权力分配。有时,这一事实挑战了加拿大法院在解释双重方面案件中联邦和省级法律之间的界面以及确定适用的法律或寻找联邦和省级法律的补充应用时的界面。本文反映了自1971年加拿大联邦法院成立以来,加拿大海事法律管辖权的演变。从那时起,它讨论了海上法律管辖区的稳定和现实的必要性,重点是加拿大法院对该管辖权的不断发展的理解以及随着时间的推移,联邦法律和省级法律之间的界面。随着合作联邦制宪法学说的出现,管理海事法的法院经常在双重方面案件中遇到困难,并在加拿大海事法中追求统一。 本文得出结论,合作联邦制似乎正在留下有关加拿大海事法和管辖权应用范围的挥之不去的问题。随着合作联邦制宪法学说的出现,管理海事法的法院经常在双重方面案件中遇到困难,并在加拿大海事法中追求统一。本文得出结论,合作联邦制似乎正在留下有关加拿大海事法和管辖权应用范围的挥之不去的问题。
是计算机科学和运筹学中最基本的问题之一。在过去的半个世纪里,人们致力于开发时间高效的线性规划求解器,例如单纯形法 [23]、椭球法 [44] 和内点法 [41]。近几年,利用内点法 (IPM) 加速线性规划求解得到了深入研究 [20, 55, 13, 35, 65, 25, 71]。当 m ≈ n 时,最先进的 IPM 运行时间为 O(m2+1/18+mω),当 m≫n 时,运行时间为 O(mn+n3)。为了实现这些令人印象深刻的改进,大多数此类算法利用随机和动态数据结构来同时维护原始解和对偶解。虽然这些算法在时间上是高效的,但它们不太可能以空间高效的方式实现:维护原始对偶公式需要 Ω(m + n2) 空间,当 m ≫ n 时尤其不能令人满意。在本文中,我们研究了在流式模型中求解线性规划的问题:在每一遍中,我们可以查询 A 的第 i 行和 b 的对应行。目标是设计一个既节省空间又节省遍历次数的 LP 求解器。所谓高效,我们的目标是获得一种不依赖于 m 的多项式的算法,或者更具体地说,我们提出一个健壮的 IPM 框架,该框架仅使用 e O(n2) 空间和 e O(√n log(1/ϵ)) 次遍历。1据我们所知,这是实现与 m 无关的空间和遍历最高效的流式 LP 算法。目前最好的 LP 流式算法要么需要 Ω(n) 次传递,要么需要 Ω(n2+m2) 空间来进行 O(√n) 次传递。对于高密集 LP(m≫n)的情况,我们的算法实现了最佳空间和传递。获得这些 LP 算法的关键因素是从时间高效的原始对偶 IPM 转变为时间效率较低的仅对偶 IPM [64]。从时间角度来看,仅对偶 IPM 需要 e O(√nlog(1/ϵ)) 次迭代,每次迭代可以在 e O(mn+poly(n)) 的时间内计算完成。然而,它比原始对偶方法更节省空间。具体而言,我们表明每次迭代,只需维护一个 n×n 的 Hessian 矩阵即可。为了获得 e O ( √ n log (1 /ϵ )) 次传递,我们证明了诸如 Lewis 权重 [ 56 , 21 ] 等非平凡量可以以仅使用 e O ( n 2 ) 空间的就地方式递归计算。既然我们有了用于流式模型中一般 LP 的空间和传递效率高的 IPM,我们将使用半流式模型中的图问题应用程序对其进行实例化。在半流式模型中,每条边及其权重都以在线方式显示,并且可能受到对抗顺序的影响,并且算法可以在 e O ( n ) 空间中对流进行多次传递。2我们特别关注最大权重二分匹配问题,其中带有权重的边以流式传输给我们,目标是找到一个匹配,使其中的总权重最大化。虽然对这个问题的研究已经很多([ 2 , 36 , 24 , 3 , 9 ] 等),但大多数算法只能计算近似匹配,这意味着权重至少是最大权重的 (1 − ϵ )。对于精确匹配的情况,最近的一项研究 [ 6 ] 提供了一种算法,它取 n 4 / 3 + o (1)
量子计量有望成为量子技术的一个突出用例。然而,噪声很容易降低这些量子探测状态的质量,并抵消它们在无噪声环境中提供的量子优势。虽然量子纠错 (QEC) 可以帮助解决噪声问题,但容错方法对于近期使用来说资源过于密集。因此,需要一种 (近期) 稳健的计量策略,该策略可轻松适应未来基于 QEC 的量子计量。在这里,我们通过研究由最小距离 d ≥ t + 1 的 [ n, k, d ] 二进制块码构成的量子探测状态的性能,提出了这样一种架构。此类状态可以解释为 CSS 码的逻辑 | + + · · · + ⟩ 状态,其逻辑 X 组由上述二进制码定义。当量子探测状态的常数 t 个量子比特被擦除时,利用量子 Fisher 信息 (QFI),我们证明由此产生的噪声探测可以给出磁场估计值,其精度与相应 2 t 缩短代码的权重分布的方差成反比。此外,我们证明,如果 C 是任何与长度为 n 的线性内部重复代码连接的代码,那么量子计量中就可能存在量子优势。这意味着,给定任何恒定长度的 CSS 代码,与长度为 n 的线性重复代码的连接对于具有恒定擦除误差数量的量子计量是渐近最优的。除了基本的 QFI 结果之外,我们还明确构建了一个可观测量,当在这种受噪声代码启发的探测状态上测量时,它可以对磁场强度产生一定的精度,并且在磁场强度消失的极限下也表现出量子优势。我们强调,尽管使用了编码理论方法,但我们的结果并不涉及综合征测量或错误校正。我们用 Reed-Muller 码构建的探测状态示例来补充我们的结果。
b"摘要:Dicke 态是具有汉明权重 k 的 n 个量子比特的叠加,表示为 | D nk \xe2\x9f\xa9 。Dicke 态经常用于为量子搜索算法(例如,Grover 搜索和量子行走)准备输入叠加,这些算法解决具有一定数量 nk 个候选解的组合问题。B\xc2\xa8artschi 和 Eidenbenz 提出了一种具体的量子电路,用于使用多项式量子门构造 Dicke 态 | D nk \xe2\x9f\xa9,并且他们根据汉明权重 k 对该电路进行了推广,以准备 Dicke 态的叠加。随后,Esser 等人提出了另一种量子电路,用于使用多项式门和一些辅助量子比特生成 Dicke 态 | D nk \xe2\x9f\xa9。在本文中,我们推广了 Esser 的状态准备电路以构造一个Dicke 态的叠加。我们对两个广义 Dicke 态准备电路进行了具体的比较。我们使用来自 IBM 量子体验服务 (IBMQ) 的真实量子机器进行噪声模拟和实验。这两个电路都使用噪声中尺度量子 (NISQ) 设备成功构建了广义 Dicke 态叠加,尽管受到噪声的影响。”
摘要:近年来,变分量子电路 (VQC) 在量子机器学习中的应用大幅增加。VQC 的灵感来自人工神经网络,它作为大规模参数化函数逼近器,在广泛的 AI 任务中实现了非凡的性能。VQC 已经通过利用量子计算中更强大的算法工具箱,在泛化和训练参数要求更少等方面取得了令人鼓舞的成果。VQC 的可训练参数或权重通常用作旋转门中的角度,而当前基于梯度的训练方法并未考虑到这一点。我们引入了 VQC 的权重重新映射,以将权重明确地映射到长度为 2 π 的区间,这从传统 ML 中汲取了灵感,其中数据重新缩放或规范化技术在许多情况下都表现出巨大的好处。我们使用一组五个函数,并以变分分类器为例,在 Iris 和 Wine 数据集上对它们进行评估。我们的实验表明,权重重新映射可以提高所有测试设置中的收敛性。此外,我们能够证明,与使用未修改的权重相比,权重重新映射可将 Wine 数据集的测试准确率提高 10%。
如果神经网络规模较大,则往往在训练时获得更高的准确度,即使生成的模型参数过多。但是,在训练之前、之中或之后小心地删除过多的参数,也可能产生准确度相似甚至更高的模型。在许多情况下,这可以通过简单的启发式方法实现,例如删除一定比例的绝对值最小的权重,即使绝对值并不是权重相关性的完美指标。前提是,获得明显更佳的剪枝性能取决于考虑删除多个权重的综合影响,因此,我们重新审视基于影响的剪枝的经典方法之一:最佳脑外科医生 (OBS)。我们提出了一种易于处理的启发式方法来解决 OBS 的组合扩展,其中我们选择要同时删除的权重,并将其与未剪枝权重的单次系统更新相结合。我们的选择方法在高稀疏性方面优于其他方法,如果在这些方法之后应用单次权重更新,也会很有优势。源代码:github.com/yuxwind/CBS。
摘要 美国国家航空航天局任务负荷指数 (NASA-TLX) 是一种评估心理工作负荷的常用方法。NASA-TLX 从六个负荷维度评估心理工作负荷。当假设各个维度的重要性不大致相同时,则通过对每个维度对进行成对比较来加权,然后对反映维度重要性的权重进行标准化。这种原始的 NASA-TLX 加权方法带来了一些挑战,这些挑战在分配权重时难以识别。首先,原始的 NASA-TLX 权重不允许直接将两个或多个维度表示为同等重要。其次,如果始终进行成对比较,则维度的重要性顺序只有一种。第三,在始终进行成对比较的情况下,会人为地对最重要的维度强加 0.33 的权重。为了解决这些挑战,提出了用于得出维度权重的摆动和层次分析法加权方法。从理论上介绍了在 NASA-TLX 中应用这些方法的优势,并使用虚拟空战模拟数据进行了实证证明。本文的目的是帮助学者和从业者在心理工作负荷评估中使用 NASA-TLX,从而避免讨论的加权问题。