XiaoMi-AI文件搜索系统
World File Search System演算
1 量子 Lambda 演算
20 世纪 30 年代，Church 和 Curry 开发了 lambda 演算，这是一种表达高阶函数的形式化方法。简而言之，高阶函数是一种输入或输出“黑箱”的函数，而黑箱本身也是一个 (可能是高阶的) 函数。高阶函数是一种计算能力强大的工具。事实上，纯无类型 lambda 演算具有与图灵机 (Turing, 1937) 相同的计算能力。同时，高阶函数对程序员来说是一种有用的抽象。它们构成了函数式编程语言的基础，例如 LISP (McCarthy, 1960)、Scheme (Sussman and Steele Jr, 1975)、ML (Milner, 1978) 和 Haskell (Hudak et al., 2007)。在本章中，我们将讨论如何将高阶函数与量子计算相结合。我们认为这是一个有趣的问题，原因有很多。首先，高阶函数与量子现象的结合带来了纠缠函数的前景。某些众所周知的量子现象可以自然地描述为
以人为本的人工智能的演算 - 论证
人工智能最初是认知科学中对人类智能的研究与计算机科学的方法和理论的综合。1 总体目标是制定人类智能的计算模型，并基于这些模型实现系统以模拟自然形式的智能。在人工智能发展的中期（1980-2010 年），这一最初的动机大部分时间都被搁置，重点转向超智能人工智能（Bostrom，2014 年），这种人工智能可以超越特定应用领域中普通人类的解决问题的能力，例如大规模规划（Bonet 和 Geffiner，2001 年）、数据分析和数据挖掘（Nisbet 等人，2018 年）。过去十年，人工智能重新回归其早期目标，即理解和构建以认知兼容和协同方式与人类运作的类人智能系统。 2 这在很大程度上是由市场对人工智能系统日益增长的需求推动的，这些系统可以充当人类用户的（专家）同伴或同伴。“旧人工智能”的重新出现，现在被称为以人为中心的人工智能（HCAI），旨在在自然或常识智能领域提供服务，以支持和增强用户在从组织日常工作到确保合规等任务中的自然能力
数据驱动的概率数字孪生外部演算
“政府、工业和军队正在建设的许多系统的规模和复杂性已经达到了极限，传统的分析、设计、实施和操作方法不再足够可靠。许多大型系统被恰当地描述为“系统的系统”，因为它们由许多系统组成” (Dvorak 2005)
图解演算中的量子多值决策图
用于量子计算的图形演算，例如 ZX 演算 [9]、ZW 演算 [10] 和 ZH 演算 [2]，是设计和分析量子过程的强大而直观的工具。它们已经成功应用于基于测量的量子计算研究 [15]、通过对表面码进行格点手术进行纠错 [12,13]，以及量子电路优化 [4,11,22]。它们与“路径求和” [1,23,28] 的紧密联系，以及它们各自的完整方程理论 [4,16,21,27]，使它们成为自动验证的良好候选者 [7,14,17]。一个重要的问题是综合问题，其答案对许多不同方面都有好处。给定一个量子过程的描述，我们如何将其转换成 ZX 图？这一切都取决于所提供的描述。我们已经展示了如何有效地从量子电路 [4]、基于测量的过程 [15]、一系列格子手术操作 [13]、“路径求和” [23] 甚至过程的整个矩阵表示 [20] 获取图表。虽然最后一种转换在矩阵大小方面是有效的，但是矩阵本身的大小会随着量子比特的数量呈指数增长，因此实际上很少有过程会以整个矩阵的形式给出。然而，矩阵表示有一个优势：它 (本质上) 是唯一的。两个量子算子在操作上相同当且仅当它们的矩阵表示共线。这与之前的所有不同例子形成了对比，例如两个不同的量子电路可以实现相同的算子。
学术地图：工程物理（演算准备）
奖学金获得者：请注意您奖学金的资格标准。尤其要注意（1）每学期的注册要求，以支付您的奖学金，以及（2）每学期和/或年度需要续签奖学金的小时数和GPA。一些学术地图可能建议在您的奖学金支出所需的时间少的时间内入学。在这种情况下，与您的学术顾问一起调整时间表以最有效地满足要求。与（501）450-3140联系学生经济援助办公室，任何疑问都在您的奖学金的注册/更新要求方面联系。有关在线信息资源，请参见EndNote 1。
量子过程演算的效果语义 - DROPS
量子通信协议的发展激发了人们对过程演算和行为等价性的量子扩展的兴趣，但定义与量子系统观测特性相匹配的双相似性是一项出奇困难的任务。明确解决此问题的两个提案 qCCS 和 lqCCS 没有定义算法验证方案：通过比较两个过程在所有输入状态下的行为来证明它们的双相似性。我们引入了一种基于效应的新语义模型，即表示其可观察特性的量子态的概率谓词。我们定义并研究了效应分布和效应标记转换系统 (eLTS) 的属性，分别概括了概率分布和概率标记转换系统 (pLTS)。作为概念证明，我们为最小量子过程代数提供了基于 eLTS 的语义，我们证明它在量子过程的可观察概率行为方面是合理和完整的。据我们所知，我们的提案是第一个符合量子理论特性的可通过算法验证的提案。
使用 ZX 演算进行图形 CSS 代码转换
1 香港科技大学 2 滑铁卢大学量子计算研究所 3 滑铁卢大学组合学与优化系 4 牛津大学计算机科学系 5 Quantinuum，17 Beaumont Street，牛津 OX1 2NA，英国 6 圆周理论物理研究所
采用 ZX 演算的多控制相位门合成应用于中性原子硬件
量子电路合成描述了将任意酉操作转换为固定通用门集的门序列的过程，该门集通常由给定硬件平台的原生操作定义。大多数当前合成算法旨在合成一组单量子比特旋转和一个额外的纠缠双量子比特门，例如 CX、CZ 或 Mølmer-Sørensen 门。然而，随着中性原子硬件的出现及其对两个以上量子比特门的原生支持，针对这些新门集量身定制的合成方法变得必要。在这项工作中，我们提出了一种使用 ZX 演算合成（多）控制相位门的方法。通过将量子电路表示为图形状的 ZX 图，可以利用对角门的独特图形结构来识别某些量子电路中固有存在的多控制相位门，即使原始电路中没有明确定义。我们在各种基准电路上评估了该方法，并将它们与标准 Qiskit 综合进行比较，比较了其在具有多控制门原生支持的中性原子硬件上的电路执行时间。我们的结果显示了当前最先进硬件的可能优势，并代表了第一个支持任意大小多控制相位门的精确综合算法。
使用人工智能 (AI) 从操作声音中检测异常
最近，我们越来越多地听到人工智能这个词。因为人工智能的研究已经进行了很多年，但并不总是取得成功，但随着近年来深度学习的出现，终于有可能使这成为现实。人工智能研究，即利用机器执行人类智力活动的实践，几乎与计算机的出现同时开始，并且自 1956 年达特茅斯会议以来一直在认真开展。最初人们认为这可以借助计算机的强大计算能力来实现，但是并没有成功。此外，人们还研究是否可以通过对一切进行编程来实现智能，但所得到的结果还远远称不上智能。这个时代的技术仍在今天的智能扬声器和 Pepper 机器人中使用，但在与它们短暂交谈之后，人们很快就会厌倦它们，并且在很多情况下停止使用它们。基于这些经验的反思，通过模拟控制人类智力的大脑的功能来实现人工智能的想法诞生，并提出了神经网络和模糊概念。我当时也参与了这些领域的研究，虽然也取得了一些成果，但很多成果很难称得上是突破性的。深度学习就是在这样的历史背景下诞生的。这本质上是一个多层神经网络，研究发现，与当时使用的三到五层的神经网络相比，多层可以显著提高性能。多层化之所以困难，主要原因是当时计算机的计算能力较差，无法在实际的计算时间内完成多层神经网络所需要的大量计算。多层神经网络中的计算涉及大量的乘法和加法运算，但大多数运算都是独立的，没有顺序依赖性，从而可以实现并行运算。因此，利用近年来个人计算机中搭载的具有大量计算单元的GPU，以实用的计算时间和成本进行计算是高效的，这也是深度学习在许多应用领域得到应用的原因之一。另外，由于优化深度学习的机器学习部分是类似旅行商问题的优化问题，因此也可以使用量子计算机。因此，基于深度学习的人工智能现在可以以实际的计算时间和成本实现，并且正在用于各种应用领域。人工智能的应用开始出现在广泛的领域，包括超越人类大师的围棋和将棋程序、自动驾驶汽车、图像识别、语音识别、翻译以及文本、音乐和绘画的创作。这使得机器能够在很多领域做出智能决策，这在过去并不是完全可能的。