XiaoMi-AI文件搜索系统
World File Search System模拟逻辑
以可靠性为中心的维护在设施中的应用...
一种方法是，根据通过模拟解决概率问题的特定数据和约束，制定维护成本方程。本研究提出了一种方法，可用作确定在不同系统、子系统和组件上使用哪些维护实践的工具。该方法的重点是制定可行的模拟逻辑。该逻辑考虑了必须识别和定义的维护成本。此外，还需要创建威布尔分布，这有助于根据历史数据预测下一次故障。通过将维护成本与每个系统、子系统或组件的威布尔分布相匹配，可以创建模拟逻辑或方程。有了这个模型，就可以使用蒙特卡罗模拟进行模拟。最后，根据输入确定最佳计划。
![arXiv:2309.05558v2 [quant-ph] 2024 年 9 月 24 日](/simg/g:\will\search\icon\source\b\b946b92fd0ba5b662899eca771c72eba2e1f0996.webp)
arXiv:2309.05558v2 [quant-ph] 2024 年 9 月 24 日
为了充分发挥量子计算机的潜力，必须谨慎管理噪声对量子比特性能的影响。负责诊断噪声引起的计算错误的解码器必须高效利用资源，以便扩展到大量子比特数和低温操作。此外，它们必须快速运行，以避免量子计算机的逻辑时钟速率呈指数级下降。为了克服这些挑战，我们引入了碰撞聚类解码器，并在 FPGA 和 ASIC 硬件上实现它。我们使用领先的量子纠错方案表面代码模拟逻辑内存实验，并展示 MHz 解码速度——符合超导量子比特等快速操作模式的要求——FPGA 和 ASIC 分别高达 881 和 1057 个量子比特表面代码。ASIC 设计占用 0.06mm2，仅消耗 8mW 功率。我们的解码器性能高，资源高效，为实际实现容错量子计算机开辟了一条可行的途径。
基于人工智能（ai）的战斗机战术指导...
本文讨论了一项研究计划，该计划旨在研究如何使用人工智能 (AI) 技术来辅助开发用于视距内 (WVR) 空战的战术决策生成器 (TDG)。本文介绍了人工智能编程和问题解决方法在第二代 TDG 计算机化空对空作战模拟逻辑 (CLAWS) 的开发和实施中的应用。本文详细介绍了 CLAWS 用于辅助战术决策过程的知识库系统，并介绍了用于评估 CLAWS 与使用 FORTRAN 开发的用于在兰利差分机动模拟器 (DMS) 中实时运行的基线 TDG 的性能的测试结果。到目前为止，这些测试结果显示，在一对一空战中，与 TDG 基线相比，其性能有显著提升，而且事实证明，基于人工智能的 TDG 软件比基线 FORTRAN TDG 程序更容易修改和维护。讨论了替代计算环境和编程方法，包括使用并行算法和异构计算机网络，并介绍了原型并发 TDG 系统的设计和性能。
![arXiv:2202.05081v2 [quant-ph] 2022 年 9 月 21 日](/simg/g:\will\search\icon\source\4\4406a04b19d009ebe3fbabbe68f4565aebc6f943.webp)
arXiv:2202.05081v2 [quant-ph] 2022 年 9 月 21 日
语境性是量子力学 (QM) 的一个重要的非经典属性，自 20 世纪 60 年代以来就一直在研究 [1, 2]，而该领域的最新进展与量子信息处理有关。研究这一问题的一个工具是稳定器形式主义 [3]，特别是稳定器状态表表示 (SSTR) [4]，它捕捉了量子理论中稳定器子理论的语境行为。它被广泛用于量子误差校正，也是研究量子优势特性的起点。一个典型的问题是，需要在稳定器量子理论中添加什么才能实现量子优势。然而，SSTR 不是本体论模型，而是稳定器子理论中量子态的表示，在内存和计算复杂度上是二次的。一个有趣的问题是，是否可以找到一个计算效率高的本体论模型，更具体地说是一个结果确定性模型。然后可将其用于研究量子优势与本体模型相比而非与稳定器 QM 相比的属性。目前已知的结果确定性模型要么是非语境化的，要么是指数级复杂度。也许最著名的是 2007 年 Spekkens 的玩具理论 (STT) [5]，该理论将量子位建模为存在于四种离散本体状态之一中，同时将 Y 的预测测量结果与 X 和 Z 的测量结果联系起来。尽管 STT 是非语境化的，但它仍然可以重现许多量子现象。这成为 8 状态（立方体）模型 [6, 7] 的垫脚石，其中为每个量子位引入了一个额外的自由度，“将 Y 与 X 和 Z 分离”。另一个扩展是量子模拟逻辑 (QSL) [8, 9]，见下文。 2019 年，Lillystone 和 Emerson [10] 提出了稳定子理论的上下文 ψ 认知模型，该模型具有结果确定性，但记忆复杂度呈指数增长，这是因为为每个 Pauli 算子分配了一个明确的相位值。还提出了另一种模型，该模型在记忆中是二次的，但该模型不再具有结果确定性。在本文中，我们借鉴了这些先前的努力，以实现我们的目标：
工程中的人工智能 - NIST 的 TSAPPS
人工智能的起源：1950-1980 我们现在所理解的人工智能 (AI) 领域，是在 1956 年夏天由人工智能创始人之一约翰·麦卡锡 (斯坦福大学) 在达特茅斯组织的为期两个月的研讨会上得到推动的。人工智能这个术语就是在这次研讨会上提出的。麻省理工学院 (MIT)、IBM、普林斯顿大学、卡内基梅隆大学 (CMU) 都有出色代表。来自 CMU 的 Allen Newell 和 Herbert Simon 展示了一个模拟逻辑决策某些方面的程序原型。这引起了人们对未来的极大兴趣和希望。在 20 世纪 60 年代和 70 年代，知识表示和问题解决的大部分基础都是在 CMU、斯坦福、麻省理工学院和 IBM 奠定的。这些努力（可能 IBM 除外）由国防高级研究局 (DARPA) 资助。在此期间出版的 Herbert Simon 的《人工智能科学》（麻省理工学院出版社）、Christopher Alexander 的《形式合成笔记》（哈佛大学出版社）和 Marvin Manheim 的《层次结构：设计和规划过程模型》（麻省理工学院出版社）为 20 世纪 80 年代和 90 年代人工智能在设计领域的应用奠定了基础。人工智能的两个显著应用在 20 世纪 70 年代中期首次亮相，推动了知识型专家系统 (KBES) 的发展：用于内科的 MYCIN 和用于地质勘探的 PROSPECTOR。这些系统专注于分类类型问题，并导致开发用于构建诊断 KBES 的领域独立工具。除了 Thanet Norabhoompipat 在 Steven Fenves 教授的指导下发表了一篇博士论文，讨论了解决工程问题所需的几种 AI 问题解决技术外，很少有关于将 AI 应用于工程问题的活动。工程领域 AI 的兴起：20 世纪 80 年代 20 世纪 80 年代，AI 在工程领域的应用开始兴起，该领域主要由美国的卡内基梅隆大学、斯坦福大学和麻省理工学院主导。我很幸运当时在卡内基梅隆大学，在那里我接触到了该领域中坚力量的讲座。我将自己进入该领域的功劳归功于语音识别先驱、卡内基梅隆大学机器人研究所所长 Raj Reddy 教授和土木工程计算应用先驱、美国国家工程院院士 Steven J. Fenves 教授。
工程中的人工智能 - NIST 的 TSAPPS
人工智能的起源：1950-1980 我们现在所理解的人工智能 (AI) 领域，是在 1956 年夏天由人工智能创始人之一约翰·麦卡锡 (斯坦福大学) 在达特茅斯组织的为期两个月的研讨会上得到推动的。人工智能这个术语就是在这次研讨会上提出的。麻省理工学院 (MIT)、IBM、普林斯顿大学、卡内基梅隆大学 (CMU) 都有出色代表。来自 CMU 的 Allen Newell 和 Herbert Simon 展示了一个模拟逻辑决策某些方面的程序原型。这引起了人们对未来的极大兴趣和希望。在 20 世纪 60 年代和 70 年代，知识表示和问题解决的大部分基础都是在 CMU、斯坦福、麻省理工学院和 IBM 奠定的。这些努力（可能 IBM 除外）由国防高级研究局 (DARPA) 资助。在此期间出版的 Herbert Simon 的《人工智能科学》（麻省理工学院出版社）、Christopher Alexander 的《形式合成笔记》（哈佛大学出版社）和 Marvin Manheim 的《层次结构：设计和规划过程模型》（麻省理工学院出版社）为 20 世纪 80 年代和 90 年代未来在设计领域使用人工智能奠定了基础。人工智能的两个显著应用在 20 世纪 70 年代中期首次亮相，推动了知识型专家系统 (KBES) 的发展：用于内科的 MYCIN 和用于地质勘探的 PROSPECTOR。这些系统专注于分类类型问题，并导致开发用于构建诊断 KBES 的领域独立工具。除了 Thanet Norabhoompipat 在 Steven Fenves 教授的指导下发表了一篇博士论文，讨论了解决工程问题所需的几种 AI 问题解决技术外，将 AI 应用于工程问题的活动非常少。工程领域 AI 的兴起：20 世纪 80 年代 20 世纪 80 年代，AI 在工程领域的应用开始兴起，该领域主要由美国的卡内基梅隆大学、斯坦福大学和麻省理工学院主导。我很幸运当时在卡内基梅隆大学，在那里我接触到了该领域中坚力量的讲座。我将自己进入该领域的功劳归功于语音识别先驱、卡内基梅隆大学机器人研究所所长 Raj Reddy 教授和土木工程计算应用先驱、美国国家工程院院士 Steven J. Fenves 教授。