XiaoMi-AI文件搜索系统
World File Search System离散
离散调制的连续变量量子密钥分布的安全性
连续可变量子密钥与离散调制具有可能使用广泛可用的光学电源和现有的电信基础来提供信息理论安全性的潜力。尽管其实施比基于高斯调制的协议要简单，但证明其针对连贯攻击的有限尺寸安全性带来了挑战。在这项工作中，我们证明了有限尺寸的安全性，以针对涉及四个相干状态和杂化检测的离散调制量子键分配协议的共同攻击。要这样做，与大多数现有方案相反，我们首先将所有连续变量分解为协议期间的所有连续变量。这使我们可以使用熵累积定理，该工具以前已在离散变量的设置中使用，以结构有限尺寸的安全性证明。然后，我们通过半准编程计算相应的有限键速率，并在光子数截止下计算。我们的分析提供了0范围内的渐近率。1-10 - 4位每回合，用于数百公里的差异，而在有限的情况下，对于实际的参数，我们在n〜10 11回合和几十公里的距离之后获得了10 GBITS的秘密钥匙。
比较分析：使用离散事件模拟评估电池和柴油机负载拖运（LHD）单位的生产力（DES
在地下硬岩地雷中使用电池电动汽车（BEV）由于消除柴油排气气，柴油机颗粒物（DPM）和降低空气温度而改善工作条件的能力，因此获得了吸引力。这将使矿山更容易遵守越来越严格的职业健康与安全（OH＆S）规定，并使地下矿山环境更健康。此外，由于其能源效率较高，BEV比柴油机消耗的能源更少。所有这些示例将提高地下采矿作业的效率。柴油机由于其高生产率而在开采中已使用了很长时间。目前的BEV是否可以匹配柴油机的生产率。使用BEV时，诸如所需数量的电池和充电站等方面，交换时间和交换间隔是可能影响其生产率的方面。因此，使用来自可行性研究阶段的块洞穴矿山的矿山设计数据，使用竞技场软件进行离散事件模拟（DES）分析。分析的目的是使用两种不同的拖运策略，可用的可用性以及机器的速度来评估两个等效18吨重载量转储（LHD）单位的生产率：柴油和电池供电。结果表明，拖运策略和速度对所需的机器数量有重大影响，并且在使用等效齿轮时，电池机的生产率平均可以比等效柴油机高6.5％至10.3％。这项工作是作为智能智能采矿系统项目（Nexgen Sims，www.nexgensims.eu）的下一代碳中性飞行员的一部分完成的，该飞行员由欧盟资助。
太空级离散RF采样收发器参考设计（Rev. A）
此参考设计是一个离散的RF采样收发器，支持瞬时信号带宽高达5GHz。设计利用-sep（空间增强的塑料）等级，辐射耐受的活性设备，设计用于空间应用。接收器使用ADC12DJ5200-SEP ADC（模数转换器）。发射器使用DAC39RF10-SEP DAC（数字到Analog转换器）。数据转换器支持各种不同的JESD模式，这些模式促进了1或2个输出通道，直至X波段的下部。接收器包括TRF0208-SEP活动Balun，用于将单端输入转换为差分输出。发射器包括TRF0108-SEP活动balun，用于将差分输出转换为单端。时钟设计位于插入主要数据转换器板顶部的子板上。时钟卡包括用于生成和分发低频时钟和参考信号向合成器，数据转换器和FPGA的LMK04832-SEP。LMX2694-SEP RF合成器将10GHz样品时钟和5GHz样品时钟提供给ADC。电源设计位于插入板底部的女儿卡上，并将电源分配处理到板上的所有活动设备上。
学习启发式搜索的离散世界模型
对于许多顺序决策问题，通常需要计划才能找到解决方案。但是，对于诸如机器人技术中遇到的域，换句函数（也称为世界模型）通常是未知的。虽然基于模型的强化学习方法学习了可以用于计划的世界模型，但此类方法受到在许多时间段应用模型应用时会累积的错误限制，并且无法重新识别计划的状态。为了解决这些问题，我们介绍了DeepCubeai，这是一种算法，该算法学习了一个世界模型，该模型代表了在离散的潜在空间中代表状态，使用增强学习学习学习一种启发式功能，该功能使用该学识渊博的模型将概括性和目标状态概括，并将学习的模型结合在一起，并将启发式功能与启发式搜索相结合，以解决问题。由于潜在空间是离散的，因此我们可以通过舍入来防止小错误的积累，我们可以通过简单地比较两个二进制向量来重新识别状态。在我们对Rubik Cube，Sokoban，Icelider和DigitJump的像素表示的实验中，我们发现DeepCubeai能够将模型应用于数千个步骤，而不会出现任何错误。此外，DeepCubeai在所有领域中解决了99％以上的测试实例，跨目标状态概括了，并且大大优于贪婪的政策，而贪婪的政策没有与学识渊博的世界模式计划。
指令：在离散潜在...
摘要 - 表达文本到语音（TTS）的目的是通过不同的口语风格综合语音，以更好地反映人类的语音模式。在这项研究中，我们试图使用自然语言作为一种提示，以控制合成语音中的样式，例如，“充满悲伤的情绪中的叹气语调，并有些无助的感觉”。考虑到没有现有的TTS语料库适合基于这项新型任务，我们首先构建了语音语料库，其语音样本不仅用内容转录，而且还具有自然语言的样式描述。然后，我们提出了一种表现力的TTS模型，名为Constructtts，该模型在以下方面是新颖的：（1）我们充分利用了自我监督的学习和跨模式公制学习，并提出了一种新颖的三阶段训练程序，以获得一种可有效地嵌入良好的句子模型，可以有效地从样式中捕获促进语音和对照式的演讲风格，从而有效地捕获语义信息。（2）我们建议在离散的潜在空间中对声学特征进行建模，并训练一种新型的离散扩散概率模型，以生成载体定量（VQ）声音令牌，而不是常用的MEL频谱图。（3）我们在声学模型培训期间共同应用共同信息（MI）估计和最小化，以最大程度地减少扬声器和样式的MI，避免使用样式提示中可能的内容和扬声器信息泄漏。已经进行了广泛的客观和主观评估，以验证指令的有效性和表现力。实验结果表明，指令可以通过控制口语样式的样式来合成高层和自然语音。
迪斯科舞厅：增强具有离散潜在潜在的连续扩散模型
扩散模型（DMS）已彻底改变了一般学习。他们利用扩散过程将数据编码为简单的高斯分布。但是，将复杂的，潜在的多模式数据分布编码为单个连续的高斯分布可以说是一个不必要的挑战性学习问题。我们建议通过引入互补的离散la-Tent变量来简化此任务，以简化此任务。我们使用可学习的离散潜在潜在的DMS增强DM，并用编码器推断出DM和DM和编码器端到端。Disco-Diff不依赖于预训练的网络，因此该框架普遍适用。离散的潜伏期可以通过降低DM生成ode的曲率来大大简化学习DM的复杂噪声到数据映射。加法自动回归变压器模型离散潜伏期的分配，这是一个简单的步骤，因为迪斯科舞厅只需要很少有带有小型代码的离散变量。我们在玩具数据，几个图像合成任务以及分子对接方面验证了DISCO-DIFF，并发现引入离散潜在潜伏期始终可以改善模型性能。例如，Disco-Diff在具有ODE Sampler的类调节Imagenet-64/128数据集上获得了最先进的FID分数。
使用离散扩散
在特定细胞类型中具有精确活性水平的工程调控DNA序列具有巨大的医学和生物技术潜力。然而，可能序列的庞大组合空间和复杂的调节语法管理基因调控已被证明对现有的apar术具有挑战性。监督了由本地搜索算法提出的评分序列的深度学习模型，忽略了功能序列空间的全局结构。尽管基于扩散的生成模型在学习这些分布方面已显示出希望，但它们在调节性DNA中的应用受到限制。评估生成序列的质量也仍然具有挑战性，这是由于缺乏统一的框架来表征调节DNA的关键特性。在这里，我们引入了DNA离散扩散（D3），这是一种具有靶向功能活性水平的有条件采样调节序列的生成框架。我们开发了一套全面的评估指标套件，以评估生成序列的功能相似性，序列相似性和调节组成。通过对跨越人类启动子和型增强子的三个高质量功能基因组学数据集进行基准测试，我们证明，D3优于捕获顺式调节语法的多样性和生成更准确地反映基因组调节性DNA特性的序列的现有方法。此外，我们表明D3生成的序列即使在数据限制的情况下，也可以有效地增强监督模型并提高其预测性能。
从普朗克尺度离散量子引力理论恢复广义相对论
1 本文的论证也不需要因果集程序中的动态假设。因为我们的主题是恢复整个 4 维时空，所以我们可以将每个因果集视为一个整体，而不管它可能如何动态形成。但我们注意到，事实上因果集程序：(i) 对因果集具有经典动力学，具有许多优点 (Rideout and Sorkin 2000) ；以及 (ii) 至于量子动力学，支持路径积分方法，尽管尚未找到完全令人满意的动力学。本文的较长版本 (Butterfield and Dowker 2021) 讨论了 (i) 和 (ii) 的某些方面。
（离散）扩散的顺序蒙特卡洛指导...
扩散模型已成为机器学习中生成建模的重要方法。这些模型是通过模拟一些“破坏性”随机过程来训练的，这些随机过程在训练数据样本中初始化，并且具有易于采样的限制分布。通过学习如何逆转随机过程来获得生成模型。扩散模型的大多数应用都用于连续数据，并使用高斯扩散作为随机过程。但是，相同的想法也可以通过适当的破坏过程选择，例如基于离散的马尔可夫链和吸收状态的引入。通过指导进一步提高了扩散生成模型的性能和适用性，这是一种基于某些辅助信息或外部模型来指导生成过程的技术。指导既可以用于有条件生成（例如带有分类器指导）和改善样本质量（鉴别器指导）。在本演讲中，我将讨论如何将顺序的蒙特卡洛用于扩散模型的指导。我将重点放在不容易适用的基于常规得分的指导技术的离散设置上。基于与FilipEkströmKelvinius的联合工作（自回旋扩散模型的歧视指南，AISTATS 2024，https：//arxiv.org/abs/2310.15817）