XiaoMi-AI文件搜索系统
World File Search System约束满足
AISpace2：用于学习和教授人工智能的交互式可视化工具
AIspace 是一套用于学习和教授基本 AI 算法的工具。AIspace 的原始版本是用 Java 编写的。算法和可视化之间没有明确的区分；对于学生来说，修改底层算法太复杂了。它的下一代产品 AIspace2 是基于 AIPython 构建的，AIPython 是开源 Python 代码，旨在尽可能接近伪代码。AISpace2 在 JupyterLab 中可视化，保留了简单的 Python 代码，并使用 AIPython 中的钩子来实现算法的可视化。这允许学生查看和修改 Python 中的高级算法，并以图形形式可视化输出，旨在更好地帮助他们建立对 AI 概念和算法的信心和舒适度。到目前为止，我们有用于搜索、约束满足问题 (CSP)、规划和贝叶斯网络的工具。在本文中，我们概述了这些工具，并根据用户反馈给出了一些评估。
早期阶段的交互式不确定性分配和权衡...
既要考虑由于缺乏知识而导致的不确定性的影响，又要减少这种影响 [1],[2]。一种方法是量化和分配不确定性来源中可接受的可变性。在本文中，这种方法称为“不确定性分配”。分配不确定性是必要的，以便系统架构师或设计师避免参数或行为的未知变化可能导致性能出现不良偏差的情况 [2]。不确定性分配还可用于识别确保约束满足的期望概率的不同潜在方法，或为低级几何特征分配适当的公差限度。我们的研究是近期和当前行业主导项目的一部分，包括飞机热整体集成概念 (TOICA) [3],[4] 和高级产品概念分析环境 (APROCONE) [5]，表明不确定性分配确实被视为决策过程的一部分。然而，它主要基于经验，因此，决策者可能不知道可供权衡的全部选项。
LIPIcs.ITCS.2023.53.pdf - DROPS
经典复杂性理论中的一个著名成果是 Savitch 定理，该定理指出非确定性多项式空间计算 (NPSPACE) 可以通过确定性多空间计算 (PSPACE) 来模拟。在这项工作中，我们开始研究 NPSPACE 的量子类似物，记为 Streaming-QCMASPACE (SQCMASPACE)，其中指数长的经典证明被流式传输到多空间量子验证器。我们首先证明 Savitch 定理的量子类似物不太可能成立，因为 SQCMASPACE = NEXP 。为了完整起见，我们还引入了具有指数长流式量子证明的伴随类 Streaming-QMASPACE (SQMASPACE)，并证明 SQMASPACE = QMA EXP（NEXP 的量子类似物）。然而，我们的主要重点是研究指数长的流式经典证明，接下来我们将展示以下两个主要结果。第一个结果表明，与经典设置形成鲜明对比的是，当允许指数长度的证明时，量子约束满足问题（即局部哈密顿量）的解空间始终是连通的。为此，我们展示了如何通过一系列局部幺正门模拟单位超球面上的任何 Lipschitz 连续路径，代价是增加电路尺寸。这表明，如果演化速度足够慢，量子纠错码无法检测到一个码字错误地演化为另一个码字，并回答了 [Gharibian, Sikora, ICALP 2015] 关于基态连通性问题的未决问题。我们的第二个主要结果是，任何 SQCMASPACE 计算都可以嵌入到“非纠缠”中，即嵌入到具有非纠缠证明器的量子约束满足问题中。正式地，我们展示了如何将 SQCMASPACE 嵌入到 [Chailloux, Sattath, CCC 2012] 的稀疏可分离汉密尔顿问题（1 / 多承诺差距的 QMA(2) 完全问题）中，代价是随着流式证明大小的扩大而扩大承诺差距。作为推论，我们获得了第一个系统构造，用于在任意多证明者交互式证明系统上获得 QMA (2) 型上限，其中 QMA (2) 承诺差距随着交互式证明中的通信位数呈指数增长。我们的构造使用了一种新技术来利用解缠结来模拟二次布尔函数，这在某种意义上允许历史状态对未来进行编码。
如何处理按订单设计的产品/系统 ......
摘要。1 本文考虑了企业对企业环境中物理系统的配置（机床、航空航天设备、起重机……）。在这种业务中，基于知识的配置软件经常用于处理装配/按订单生产或（按订单配置（CTO））情况，其中所有客户的要求都可以通过标准系统来满足。但是，在按订单设计（ETO）情况下，必须设计非标准系统才能满足所有客户的要求，现有的基于知识的配置软件无法使用。事实上，配置假设指出所有配置的系统都是由标准子系统和组件组装而成的。因此，本文的目的是研究如何修改或调整现有的产品/系统配置假设、问题定义和模型，以允许在 ETO 情况下使用配置软件。为此，首先分析了标准系统和非标准系统之间的主要区别。然后，确定并讨论了区分 CTO 和 ETO 的六种系统配置情况。最后，提出了一些基于约束满足问题 (CSP) 的建模扩展，以允许在这些情况下使用配置软件。
人工智能与机器学习
评估 ML 算法的性能 UNIT - I：简介：AI 问题、代理和环境、代理结构、问题解决代理基本搜索策略：问题空间、无信息搜索（广度优先、深度优先搜索、深度优先与迭代深化）、启发式搜索（爬山法、通用最佳优先、A*）、约束满足（回溯、局部搜索） UNIT - II：高级搜索：构建搜索树、随机搜索、AO* 搜索实现、极小极大搜索、Alpha-Beta 剪枝基本知识表示和推理：命题逻辑、一阶逻辑、前向链接和后向链接、概率推理简介、贝叶斯定理 UNIT - III：机器学习：简介。机器学习系统，学习形式：监督学习和无监督学习，强化 – 学习理论 – 学习可行性 – 数据准备 – 训练与测试和拆分。第四单元：监督学习：回归：线性回归、多元线性回归、多项式回归、逻辑回归、非线性回归、模型评估方法。分类：支持向量机 (SVM)、朴素贝叶斯分类
基于人工智能的移动量子计算...
摘要 — 在本文中，我们讨论了如何使用人工智能中的约束满足问题概念对某些无线接入网络优化问题进行建模，并使用量子计算机大规模解决这些问题。作为一个案例研究，我们讨论了根序列索引 (RSI) 分配问题 — 一个重要的 LTE/NR 物理随机接入信道配置相关自动化用例。我们将 RSI 分配公式化为使用从商业移动网络获取的数据构建的二次无约束二进制优化 (QUBO) 问题，并使用基于云的商用量子计算平台对其进行求解。结果表明，量子退火求解器可以成功分配无冲突的 RSI。与众所周知的启发式方法相比，一些经典算法在解决方案质量和计算时间方面甚至更有效。非量子优势是由于当前实现是一种半量子概念验证算法。此外，结果取决于所使用的量子计算机的类型。尽管如此，所提出的框架具有高度灵活性，并且在利用移动网络自动化中的量子计算能力方面具有巨大潜力。
CCSCA11 核心课程 XIII - 人工智能
科目代码：CCSCA11 核心课程 XIII - 人工智能 第一单元 人工智能定义 – 人工智能技术 – 人工智能应用 – 问题 – 问题空间和搜索 – 将问题定义为状态空间搜索 – 生产系统 – 问题特征。 第二单元 启发式搜索 – 生成和测试 – 爬山法 – 广度优先搜索 – 最佳优先搜索 – 问题简化 – 约束满足 – 手段目的分析。 第三单元 游戏 – 极小最大搜索 – 添加 alpha – beta 截止值 – 谓词逻辑 – 表示简单事实和逻辑可计算函数和谓词 – 解析 – 自然演绎。 第四单元 使用规则表示知识 – 程序性与陈述性知识 – 前向推理与后向推理 – 非单调推理。 第五单元 专家系统 – 结构 – 组件 – 专家系统开发过程 – 专家系统开发工具。 教科书：1. Elaine Rich 和 Kevin Knight 著《人工智能》，Tata McGraw Hill，第二版。 2. David Rolston 著《人工智能与专家系统开发原理》，McGraw Hill。 3.《人工智能与专家系统》，K.Meena 和 R.Dhanapal 著，国际图书，2000 年。
第四学期人工智能（AI）学分
第一单元 - 介绍 9 介绍 - 定义 - 人工智能的未来 - 智能代理的特征 - 典型的智能代理 - 典型人工智能问题的解决方法。第二单元 - 问题解决方法 9 问题解决方法 - 搜索策略 - 不知情 - 知情 - 启发式 - 局部搜索算法和优化问题 - 使用部分观察进行搜索 - 约束满足问题 - 约束传播 - 回溯搜索 - 游戏玩法 - 游戏中的最佳决策 - Alpha - Beta 剪枝 - 随机游戏。第三单元 - 知识表示 9 一阶谓词逻辑 – Prolog 编程 – 统一 – 前向链接 – 后向链接 – 解析 – 知识表示 - 本体工程-类别和对象 – 事件 - 心理事件和心理对象 - 类别推理系统 - 使用默认信息进行推理。第四单元 - 软件代理 9 智能代理架构 – 代理通信 – 谈判和讨价还价 – 代理之间的争论 – 多代理系统中的信任和声誉。第五单元 - 应用 9 人工智能应用 – 语言模型 – 信息检索- 信息提取 – 自然语言处理 - 机器翻译 – 语音识别 – 机器人 – 硬件 – 感知 – 规划 – 移动。
6 后摩尔时代的科学计算加速
2 图形处理单元在加速计算方面的新用途通过提供针对算法要求量身定制的专门工作流程，彻底改变了高性能科学计算领域。 4 随着摩尔定律时代接近尾声，许多新型非冯·诺依曼处理器正在成为潜在的计算加速器，包括基于神经形态计算、张量代数和量子信息原理的处理器。虽然这些新处理器的开发正在不断成熟，但预计对加速计算的潜在影响将是深远的。我们讨论了不同的处理模型如何推动关键科学范式的计算：机器学习和约束满足。 9 值得注意的是，每一种新的处理器类型都采用了根本不同的计算模型， 10 这就引发了如何在应用程序的设计和实施中最好地使用这些处理器的问题。 11虽然许多处理器都是针对特定领域开发的，但自旋玻璃 12 模型和神经网络的普及为多功能应用提供了途径。这也暗示了将下一代处理单元集成到未来高性能计算 14 系统所需的基础设施。15
人工智能带来的不可能结果：一项调查
2 路易斯维尔大学 mario.brcic@fer.hr, roman.yampolskiy@louisville.edu 摘要 不可能定理表明，某个特定问题或一组问题无法按照声明中描述的方式解决。此类定理限制了人工智能（尤其是超级智能）所能做的事情。因此，这些结果可作为人工智能安全、人工智能政策和治理研究人员的指导方针、提醒和警告。这些可能以在约束满足框架内形式化理论的形式解决一些长期存在的问题，而无需承诺一种选择。我们坚信这是长期人工智能安全计划最谨慎的方法。在本文中，我们将适用于人工智能的不可能定理分为五种基于机制的类别：演绎、不可区分、归纳、权衡和难解性。我们发现某些定理过于具体或具有限制应用的隐含假设。此外，我们还添加了新的结果（定理），例如可解释性的不公平性，这是归纳类别中第一个与可解释性相关的结果。其余结果处理克隆之间的错位，并对代理的自我意识设置限制。我们得出结论，演绎不可能性否认了 100% 的安全保证。最后，我们给出了一些在可解释性、可控性、价值一致性、道德和群体决策方面具有潜力的想法。它们可以通过进一步调查来深化。