XiaoMi-AI文件搜索系统
World File Search System模拟退火
CRUISE 关于推荐系统中特征选择的量子计算
协同过滤技术[1,2]根据用户行为模式和物品特征预测潜在的用户-物品交互，广泛应用于推荐算法中，该领域的一些著名技术包括矩阵分解方法[3]、基于邻域的方法[4]、深度学习方法[5,6]、基于图的技术[7,8]、因式分解机[9]、混合方法[10]、贝叶斯方法[11]和大型语言模型（LLM）[12]。然而，协同过滤技术[1]严重依赖于数据的质量。例如，使用用户个人资料、物品特征、评论、图像和其他信息可以显著提高推荐算法的性能，但在某些情况下，也会降低其性能。因此，区分哪些信息对推荐有用至关重要，这有助于构建高效的系统并降低能耗[13、14、15、16]。量子计算机利用量子比特和叠加、纠缠、量子隧穿等量子效应，是从冗余数据中识别有用信息的有效工具[17]。它显著提高了搜索问题和大整数分解的处理速度[18]。因此，在本文中，我们旨在利用量子计算技术寻找对推荐有用的特征。我们的目标是通过识别和利用相关数据来提高推荐系统的效率和准确性，从而降低计算要求和能耗[18、19、20]。在 QuantumCLEF 2024 中，我们专注于任务 1B，其中为每个项目分别提供 150 和 500 个特征[21、22]。我们将分析这些特征以提取与推荐系统最相关的特征。该任务要求参与者使用量子退火和模拟退火从给定数据中选择合适的特征，用于基于项目的 KNN 推荐算法（Item-KNN）。组织者提供了一个使用互信息进行特征选择的示例 [18]。但是，我们的初步实验表明，与使用所有特征而不进行任何选择相比，仅使用互信息进行特征选择对 Item-KNN 性能的改善有限。这是因为互信息仅反映两个变量之间的相互关系，与推荐算法的最终目标无关。因此，
用于对称设计的人工智能......
现代密码学依赖于使用精确的数学定义和严格的证明来保证在特定对手策略模型下达到一定的安全级别。因此，设计一个可靠的密码原语或协议通常是一项艰巨的任务，对其进行密码分析也是如此。在这方面，人工智能 (AI) 提供了许多有趣的方法和工具来解决密码方案设计中的问题。通过查看现有文献，可以发现许多作品使用人工智能领域的各种方法来解决与密码学相关的几个用例。根据潜在问题的性质，可以将这些作品分为两个主要领域：搜索和优化。密码原语设计中的几个问题可以归结为离散搜索空间上的组合优化问题，例如，搜索具有所需加密属性的布尔函数和 S 盒等，它们是对称加密方案设计的基本构建块。为此，基于人工智能的启发式技术，如进化算法[51]、模拟退火[14]和群体智能[37]已被证明对于解决与密码学相关的优化问题非常有用。计算模型。第二个领域涉及使用属于人工智能领域的计算模型作为密码方案设计的组成部分。在这种情况下，基本思想是将整体方案的安全性与此类计算模型的复杂动态行为联系起来，这些计算模型原则上很难进行密码分析。也许这个研究线索中最著名的例子是细胞自动机，它主要用于设计对称加密原语，如用于流密码的伪随机数生成器（PRNG）[66，67]和用于分组密码的 S 盒 [20，39]。本章旨在对使用人工智能方法和模型设计密码原语和协议的最新进展进行概述，重点关注上述两个领域。特别是，我们考虑了基于人工智能的密码学最重要的用例，即布尔函数、S 盒和伪随机数生成器 (PRNG) 的设计。对于每个用例，我们介绍相应的密码设计问题，然后概述相关文献。最后，我们考虑了该研究领域在未来几年可能发展的两个新方向。本章的其余部分组织如下。第 2 节简要介绍了密码学的基本概念，并涵盖了与基于人工智能的启发式技术和细胞自动机相关的基本概念。第 3 至第 5 节重点介绍用于设计密码原语的人工智能技术，特别是布尔函数、S 盒和伪随机数生成器的用例。最后，第 6 节在最后讨论了基于人工智能的密码学领域的未解决的问题和未来研究的方向。
用脑电图测量量子钙离子的情感影响
Lester Ingber 教授，博士 摘要：背景：自 1980 年左右以来，大脑皮层相互作用的模型——大脑皮层相互作用的统计力学 (SMNI) 已成功计算了许多实验现象，包括使用重要性采样代码自适应模拟退火 (ASA) 拟合注意力任务中的脑电图 (EEG) 数据。SMNI 模型是在经典路径积分的背景下开发的，它提供了直观的见解以及直接的数值优势，例如，使用有效作用作为数据参数拟合的成本/目标函数。目标：先前的作者已经将情感 EEG 数据拟合到神经网络模型中。该项目旨在使用基于物理和生物学的模型来拟合相同的数据。先前的研究表明，注意力状态的 EEG 拟合有所改善；该项目将这些方法扩展到情感状态。方法：路径积分用于经典和量子背景。经典路径积分用于定义成本/目标函数以拟合数据，量子路径积分用于推导在磁矢量势存在下 Ca 离子波的闭式解析表达式，该磁矢量势由高度同步的神经元放电产生，从而产生 EEG。ASA 用于拟合 EEG 数据。结果：该研究的数学物理和计算机部分是成功的，因为使用这些模型拟合 EEG 数据的成本/目标函数与其他作者发表的先前研究一致。但是，由于 SMNI 模型包括这些量子效应，这是继续研究这些问题的另一个原因。这里的结果是一致的，而不是比以前使用神经网络模型的工作更好，尽管这里只使用了一个参数，而不是以前在这些数据上使用的多个过滤器和内核。结论：虽然这些量子效应具有高度推测性，但明确的计算表明它们与实验数据一致，至少到目前为止是这样。当前的超级计算机项目将此模型扩展到情感/情绪数据。几位作者在单个电极位置使用神经网络方法的结果显示出一定的预测能力；这里给出的结果与其他结果一致。然而，由于 SMNI 模型包括这些量子效应，这是继续研究这些问题的另一个原因。关键词：量子力学；路径积分；重要性抽样；神经科学 2022 年 1 月 11 日收到；2022 年 1 月 23 日修订；2022 年 1 月 25 日接受 © 作者 2022。在 www.questjournals.org 上以开放获取方式出版
贾尼斯·蒂莫申科 (Janis Timoshenko, 贾尼斯·蒂莫申科)
4. 研究专长和兴趣 a) 专业领域：材料科学、纳米催化、X 射线吸收光谱、原位 XAS 研究、高级 XAS 数据分析、机器学习方法、原子模拟技术（分子动力学、逆蒙特卡罗方法）、全局优化技术（模拟退火、进化算法）、线性代数方法（主成分分析、多元曲线分辨/盲源分离方法）、理论物理（介观电荷传输、量子计算、统计物理）、一些计算流体动力学经验。 b) 目前的研究兴趣：使用时间分辨 XAS 方法对材料进行实验研究，将 XAS 的结构和动力学信息与材料特性和功能联系起来。我对开发和应用先进的数据分析方法特别感兴趣，以充分利用 X 射线吸收光谱中编码的信息，并将实验测量与理论建模的结果相结合。 c) 参与同步辐射装置的实验； XAS 经验：我曾参加过 BESSY、DORIS、PETRA III 和 ANKA（德国）、SLS（瑞士）、ELETTRA（意大利）、SOLEIL、ESRF（法国）、ALBA（西班牙）、SSRL、NSLS-II APS（美国）同步辐射设施的 XAS 实验，包括荧光、透射模式和掠入射模式的测量、温度相关、压力相关 XAS 测量、催化过程的原位研究、RIXS 测量（APS、ESRF）、QXAFS 模式测量（NSLS-II、SOLEIL、SLS 和 DESY）、X 射线拉曼散射实验（ESRF）和光学色散装置测量（SOLEIL）。此外，我还在 SOLEIL 同步加速器和基于同步加速器的 XRD（NSLS II 和 DESY）方面有 FTIR 测量经验。目前，我还领导着一个团队，负责设计 PETRA III/IV 上由马克斯·普朗克学会资助的新光束线，该光束线致力于使用 XAS、XRD、SAXS 和 XES 方法对催化剂进行原位研究。此外，我和 FHI 的团队目前正在努力改造新的实验室 XAS 光谱仪，以对催化剂进行原位研究。我与他人合作撰写了 100 多篇关于 XAS 研究的论文，其中包括关于 XAS 数据分析高级方法的论文。 d) 参与重大研究项目：CatLab 研究平台的扩展（德国联邦教育与研究部（BMBF）和马克斯普朗克学会资助）：与 Beatriz Roldan Cuenya 教授共同提议设计 PETRA 同步加速器的光束线前端站，2021 年至今美国国家科学基金会项目工具包，用于表征和设计 DMREF 计划下的双功能纳米颗粒催化剂（合作项目，涉及叶史瓦大学/石溪大学、德克萨斯大学奥斯汀分校、匹兹堡大学），2015 年 – 2018 年。EUROFUSION 项目 ODS 颗粒何时以及如何形成？- ODS 钢和高蠕变强度 ODS 钢的 X 射线吸收光谱和从头算建模（拉脱维亚大学与德国卡尔斯鲁厄理工学院和西班牙 CIEMAT 合作项目），2014- 2015 年。 EURATOM 项目 实验室规模的纳米结构 ODSFD 批次的生产和特性以及模型的实验验证（拉脱维亚大学与德国卡尔斯鲁厄理工学院和芬兰赫尔辛基大学合作项目，2013 – 2015 年。 e) 参加暑期学校和研讨会 1) 原子模拟技术暑期学校（2010 年 7 月 4 日 - 2010 年 7 月 25 日，意大利的里雅斯特）； 2) 超快 X 射线科学与 X 射线自由电子激光器 (2011 年 3 月 29 日至 2011 年 4 月 2 日，德国汉堡 DESY)；3) 第 32 届柏林中子散射学校 (2012 年 3 月 7 日至 2012 年 3 月 16 日，德国柏林 HZB)。4) HERCULES-2013（大型实验系统用户高级欧洲研究课程）（2013 年 2 月 24 日至 2013 年 3 月 28 日，法国格勒诺布尔 ESRF）。