XiaoMi-AI文件搜索系统
World File Search System标准模型
心智的标准模型
n 标准模型体现了社区对某个科学领域的共识，可作为该领域的累积参考点，为研究和应用提供指导，同时也可集中精力对其进行扩展或修改。在此，我们建议为类人思维开发这样一种模型，类人思维是结构和过程与人类认知基本相似的计算实体。我们的假设是，认知架构为定义标准模型提供了适当的计算抽象，尽管标准模型本身并不是这样的架构。所提出的标准模型始于 2013 年 AAAI 秋季综合认知研讨会上的初步共识，但在此通过对三种现有认知架构的综合而进行了扩展：ACT-R、Sigma 和 Soar。由此产生的标准模型涵盖了结构和处理、记忆和内容、学习、感知和运动等关键方面，并强调了架构一致和与共识不一致的位置，同时确定了可能存在不完整性的领域。希望这项工作将为让更广泛的社区参与进一步开发心智标准模型迈出重要一步。
超出标准模型物理的符号回归
，我们建议符号回归是对标准模型以外的物理模型的数值研究的强大工具。在本文中，我们证明了该方法在基准模型上的功效，即受约束的最小超对称标准模型，该模型具有四维参数空间。我们提供了一组分析表达式，这些表达式在理论的参数方面重现了三个低能的观察结果：希格斯质量，对穆恩的异常磁矩的贡献以及冷暗物质依赖密度。为了证明该方法的功能，我们在全局拟合分析中采用了符号表达式来得出参数的后验概率密度，而这些概率密度比使用常规方法更快地获得了两个数量级。
基于零信任标准模型检查项目NIST 7 TENET
这项研究是作为ETRI研究所的托运研究项目（2022-134）进行的。发布论文的内容时，应发现它是研究所执行的货物的结果。诸如本文所述的检查和应用项目的应用与研究托运机构无关的意见。国家安全技术研究所的研究人员 *（choiyeojeong98@gmail.com）汉纳姆大学计算机工程研究生院**
来自标准模型中配对的动态分散功能加密
摘要。动态分散功能加密（DDFE）。（加密20）表示（多客户）功能加密的强大概括。它允许用户动态加入并贡献私人输入，以单独控制联合功能，而无需信任的权威。最近，Shi和Vanjani（PKC'23）提出了用于掩盖功能内部产品（FH-IP）的第一个多客户功能加密方案，而无需依赖随机的甲壳。毫无意义地，他们的构建仍然需要一个值得信赖的关键权威，因此，打开了一个问题，即标准模型中是否可以存在全面的FH-IP-DDFE。在这项工作中，我们通过引入可更新的伪零共享来回答这个问题，这是一个新颖的概念，它提供了在标准模型中构建安全DDFE计划所需的关键功能和安全性。我们的第二个贡献是一种新颖的证明策略，它在将FH-IP的任何功能加密方案转换为FH-IP-DDFE时可以保持自适应安全性。一起，这两种技术实现了FH-IP-DDFE的模块化构造，该模块化是可抵抗标准模型中自适应消息和关键查询的安全性。此外，我们的伪零共享方案具有很高的用途，可以在标准模型中获得属性加权总和的第一个DDFE，并补充了Agrawal等人最近基于ROM的结构。（加密23）。
基于标准模型对称性的数据导向新物理搜索
摘要 我们建议利用标准模型 (SM) 的对称性 (精确或近似) 来使用数据导向范式 (DDP) 探索标准模型以外的物理学 (BSM)。对称性非常强大，因为它们提供了两个无需模拟即可进行比较的样本。专注于数据，可以有效地识别表现出显著不对称性的排他性选择并标记为进一步研究。使用比较两个矩阵的简单通用检验统计量已经提供了良好的灵敏度，仅略差于依赖于对信号形状的精确了解的轮廓似然比检验统计量。这可用于快速扫描大量测量数据，以尝试识别感兴趣的区域。我们还证明弱监督神经网络也可以用于此目的。
在标准模型中具有更紧凑性的晶格的基于身份的加密
基于身份的加密（IBE）是公共密钥加密的概括，其中公钥可以是任意字符串，例如名称，电话数字或电子邮件地址。用户的秘密密钥只能由可信赖的机构（称为密钥生成中心（KGC））生成，该键将其主秘密密钥应用于用户自身身份验证后用户的身份。Shamir [34]提出了IBE的概念，以简化公共密钥和证书管理。自Boneh和Franklin [10]提出的首次意识到，在过去的二十年中，进行了重大研究[1、7、7、8、12、17、18、21、22、25、36、37]，从不同假设中构建了各种IBE方案。最近，为了预言量子计算机的攻击，量词后加密术，尤其是基于晶格的密码学，成为流行的研究方向。在此过程中，我们专注于基于晶格的ibe。
量子状态通道对偶用于计算标准模型散射振幅
虽然首次提出模拟自然界量子力学的建议可以追溯到理查德·费曼 [1]，但最近将量子信息理论应用于高能物理系统研究的尝试已证明特别成功。量子态断层扫描就是一个典型的例子，该过程通过对被观察系统的相同副本集合进行一系列互补测量，可以完全重建系统的密度矩阵 [2]，非常适用于产生大量事件的对撞机 [3-6]，并且已应用于各种高能粒子物理系统的数值模拟研究 [4-7]。包括量子机器学习技术在内的量子算法已被开发用于识别数据中的标准模型及以上特征 [8-10]，以及以更经济的计算方式模拟对撞机事件 [11]。
ONERA-M、AGARD-B 和 HB-2 标准模型在非设计条件下的风洞测试
摘要：非标准测试条件下标准风洞模型的已发表结果非常少见，并且/或者可能无法获得。已发现这些结果对贝尔格莱德军事技术学院 (VTI) 的一系列风洞测试准备工作非常有用。在非标准条件下进行标准模型的测试活动是为了作为未来在此类环境中进行风洞测试的内部数据库。这些测试部分重叠参考马赫数和/或攻角范围，在不同的 VTI 测试设施中进行；使用了不同的模型尺寸和支撑杆。简要介绍了 VTI 静态测量中使用的标准模型，从简单的导弹形状和再入体到复杂的飞机，并给出了非标准测试结果示例。已在可用范围内参考模型和设施之间的测试结果进行了关联，并且在确认了良好的一致性后，假设结果在扩展的条件范围内也有效。这些结果可能对其他风洞设施的研究人员和那些使用 CFD 工具的人有用。
利用经典和量子异常检测揭示标准模型以外的物理学
摘要 在微观尺度上发现新物理现象的希望很大程度上依赖于从高能物理实验中获得的观测结果，例如在大型强子对撞机 (LHC) 上进行的实验。然而，目前的实验并没有显示出可以指导更多超标准模型 (BSM) 理论发展的新物理迹象。从 LHC 产生的大量数据中识别新物理特征属于异常检测类，是最大的计算挑战之一。在本文中，我们提出了一种在监督学习环境中执行异常检测的新策略，该策略基于通过随机过程人工创建异常。对于由此产生的监督学习问题，我们成功地应用了经典和量子支持向量分类器（分别为 CSVC 和 QSVC）来识别 SM 事件中的人工异常。更有希望的是，我们发现使用经过训练以识别人工异常的 SVC，可以高精度地识别真实的 BSM 事件。同时，我们还探索了量子算法提高分类准确性的潜力，并为充分利用这种新颖的计算范式提供了合理的条件。
ATLAS 文档
大部分对暗物质 (DM) 的实验研究都集中在弱相互作用大质量粒子 (WIMP) 上，这种粒子与标准模型 (SM) 粒子直接相互作用，其强度与弱相互作用相当。然而，无论是直接 [ 1 – 9 ] 还是间接探测实验 [ 10 ]，对类 WIMP 暗物质的限制都越来越严格。WIMP 范式的一个引人注目的替代方案是，DM 粒子属于“暗区”(DS)，它在标准模型规范群下是中性的，并且只通过一个或多个标准模型以外的介质粒子与标准模型相互作用 [ 11 – 15 ]。如果介质衰变为 DS 粒子在运动学上是被禁止的，它衰变回标准模型粒子将被标准模型和介质之间的小耦合所抑制，从而产生潜在的宏观固有衰变长度（𝑐𝜏 ≳ 100 𝜇 米）。这些所谓的长寿命粒子（LLP）也在介体粒子通过高维算符与标准模型耦合的场景中被预测，例如在以类轴粒子（ALP）为特征的模型中[ 16 ， 17 ]。