XiaoMi-AI文件搜索系统
World File Search System维冈
HO Wen Wei (何文维) Emergence of Quantum State ...
何文伟博士现为斯坦福大学理论物理研究所博士后学者，研究非平衡量子多体现象和新兴量子技术的应用。此前，他是哈佛大学的摩尔博士后研究员，与 Mikhail Lukin 教授和 Eugene Demler 教授一起工作。从 2022 年 8 月开始，他将担任新加坡国立大学校长青年（助理）教授。何文伟于 2017 年在日内瓦大学师从 Dmitry Abanin 教授获得博士学位，2015 年在滑铁卢大学/圆周研究所师从 Guifre Vidal 教授获得理学硕士学位，2013 年在普林斯顿大学获得学士学位，与 Duncan Haldane 教授一起工作。摘要：普遍性是指复杂系统普遍属性的出现，这些属性不依赖于精确的微观细节。量子热化是强相互作用量子多体系统非平衡动力学的一个例子，其中局部区域随着时间的推移变得由吉布斯集合很好地描述，而该集合仅受少数几个系统参数（例如温度和化学势）控制。局部区域与其补体（“浴”）之间产生的大量纠缠是这种普遍性出现的关键。在这次演讲中，我将介绍一种新的普遍行为，它源于某些类型的量子混沌多体动力学，超越了传统的热化。我将描述单个多体波函数如何编码由小子系统支持的纯态集合，每个纯态都与局部浴的（投影）测量结果相关。然后，我将展示这些量子态的分布如何接近均匀随机量子态的分布，即集合形成量子信息理论中所谓的“量子态设计”。我们的工作为研究量子混沌提供了一个新视角，并在量子多体物理、量子信息和随机矩阵理论之间建立了桥梁。此外，它还提供了一种实用且硬件高效的伪随机态生成方法，为设计量子态层析成像应用和近期量子设备的基准测试开辟了新途径。
维冈地方计划核心战略 - 剩余政策，2024 年 3 月
2.6 19 世纪开发了广泛的铁路系统，尽管服务质量一直是个问题，但今天该区仍然相对完善。斯坦迪什、利、戈尔本和阿什顿因马克菲尔德是没有火车站的主要城镇。一些废弃的路线现在形成了越野步行和自行车连接。威根市中心有两个火车站，该区有另外七个火车站，威根西北站有西海岸干线服务，尽管该区尚未充分利用这一战略资产。威根市中心的两个主要车站是分开的，位于繁忙的道路 Wallgate 的两侧，不仅它们之间缺乏整合，而且与公交服务也缺乏整合。
讲故事比赛 - 古尔冈
● 国家级：地区级获奖者将由专家委员会进行数字评估。视频时长和大小指南：2-3 分钟，不超过 2 MB 请注意，超过指定时长或大小限制的视频将不被接受。视频提交必须符合这些要求，以避免比赛期间出现技术问题。提交视频后，学校将为入选学生注册参加地区级比赛。我们鼓励所有学生参加这项激动人心的比赛，展示他们讲故事的才华。如有任何疑问，请联系班主任。感谢您一直以来的支持。诚挚问候
古尔冈地铁有限公司
现有的快速地铁已规定在现有的 Mousari Avenue 地铁站连接上行线（朝 56 区方向）的新走廊，并在 Belvedere 地铁站连接下行线（从 56 区开始）。M/S RITES 为该项目编制了详细设计报告，考虑到即使在实施的新线路上也允许使用 2.8 米宽度的快速地铁车厢。但印度政府不同意 2.8 米的车厢宽度，新项目已批准使用 2.9 米的标准车厢宽度。GMRL 正在研究在现有快速地铁轨道上运行 2.9 米宽度车厢的问题，反之亦然。但是，研究并提出使现有线路适合在现有线路上运行 2.9 米宽度车厢的列车的方法，反之亦然，这属于总咨询合同的范围。甚至这类工作的成本核算也属于总咨询合同的范围。此项研究将由 GC 在 LoA 签发之日起 4 个月内按照本合同中提议的人力进行，且 GMRL 无需承担任何额外费用。
藤崎-冈本的后量子验证
证明是有缺陷的 [10]。最近，发现了对 ISO 标准化分组密码模式 OCB2 [25] 的攻击 [24]，尽管 [31] 认为 OCB2 是安全的。虽然严格且结构良好的证明风格（例如，使用 [10, 35] 中提倡的游戏序列）可以减少隐藏错误和不精确的可能性，但仍然很难写出 100% 正确的证明。（特别是当使用随机预言 [13] 或倒带 [42, 45] 等证明技术时。）尤其是如果证明中的错误发生在看似非常直观的步骤中，读者很可能也不会发现这个错误。在后量子安全（即针对量子对手的安全性）的情况下，这个问题更加严重：后量子安全证明需要推理量子算法（对手）。我们的直觉是由对经典世界的经验所塑造的，而对量子现象的直觉很容易是错误的。这使得看似合理但不正确的证明步骤在后量子安全证明中特别容易不被发现。简而言之，为了确保后量子安全证明的高可信度，仅仅由人来检查是不够的。相反，我们提倡形式化（或计算机辅助）验证：安全证明由检查每个证明步骤的软件来验证。在本文中，我们介绍了第一个这样的形式化验证，即由 H¨ovelmanns、Kiltz、Sch¨age 和 Unruh [23] 分析的 Fujisaki-Okamoto 变换 [18] 的变体。
沃尔夫冈·A·沃尔（教授、博士、工程师）
力学（IACM）2012 - 2016 莱布尼茨超级计算中心咨询委员会成员 2012 - 2020 ECCOMAS 执行委员会成员（增选）2013 - 2016 德国计算力学协会 (GACM) 主席 2014 - 2017 TUM 生物工程学院创始董事会成员 2014 – 格拉茨工业大学（奥地利格拉茨工业大学）研究与技术委员会成员 2015 – 奥地利科学院海外通讯院士 2015 - 2017 国际流体数值方法杂志主编 2015 - 2020 ERC 高级资助小组成员（后任小组副主席）2016 – TUM 任命和终身教职委员会成员 2017 – 国际机械科学中心 (CISM) 校长意大利乌迪内 2017 年 – 巴伐利亚州科学与人文学院院士 2019 年 – 亥姆霍兹格斯塔赫特中心 (HZG，材料与海岸研究中心) 技术科学委员会成员 2020 年 – 亥姆霍兹中心 Hereon GmbH 技术科学委员会主席 2021 年 – 慕尼黑生物医学工程研究所 (MIBE) 成员，TUM 2021 年 – 慕尼黑机器人与机器智能研究所 (MIRMI) 成员，TUM 2021 年 – 慕尼黑数据科学研究所 (MDSI) 核心成员，TUM 2022 年 – 奥地利研究基金会指导讲师 2022 年 – 材料、能源与过程工程研究所 (MEP) 核心成员，TUM 2022 年 – 莱布尼茨超级计算中心 (LRZ) 顾问委员会成员 2023 年 – 巴伐利亚州科学与人文学院总统战略顾问委员会成员
语义增强图像-文本预训练模型的零样本三维模型分类
Cheraghian 等人 [ 21 – 23 ] 在零样本 3 维模型分类方 面提出了 3 维点云的零样本学习方法、缓解 3 维零样 本学习中枢纽点问题的方法和基于直推式零样本学 习的 3 维点云分类方法，并将它们封装进一个全新 的零样本 3 维点云方法 [ 24 ] 中。以上方法均是利用已 知类样本的点云表征及其词向量对未知类别进行分 类，开创了零样本 3 维模型分类方法。近年来， CLIP 在零样本图像分类上取得了良好的效果，因此有研 究者将 CLIP 应用到零样本 3 维模型分类方法中， Zhang 等人 [ 25 ] 提出了基于 CLIP 的 3 维点云理解 (Point cloud understanding by CLIP, PointCLIP) 模型， PointCLIP 首先将 3 维点云投影成多个深度图，然 后利用 CLIP 的预训练图像编码器提取深度图特 征，同时将类别名称通过 CLIP 预先训练的文本编 码器提取文本特征。但是 PointCLIP 的性能受到深 度图和图像之间的域差异以及深度分布的多样性限 制。为了解决这一问题，基于图像 - 深度图预训练 CLIP 的点云分类方法 (transfer CLIP to Point cloud classification with image-depth pre-training, CLIP2Point) [ 26 ] 将跨模态学习与模态内学习相结合 训练了一个深度图编码器。在分类时，冻结 CLIP 的图像编码器，使用深度图编码器提取深度图特 征，该方法缓解了深度图和图像间的模型差异。用 于 3 维理解的图像 - 文本 - 点云一致性表征学习方法 (learning Unified representation of Language, Im- age and Point cloud for 3D understanding, ULIP) [ 27 ] 构建了一个图像、文本和点云 3 种模态的 统一嵌入空间，该方法利用大规模图像 - 文本对预 训练的视觉语言模型，并将 3 维点云编码器的特征 空间与预先对齐的视觉 - 文本特征空间对齐，大幅 提高了 3 维模型的识别能力。与之相似的是，基于 提示文本微调的 3 维识别方法 (CLIP Goes 3D, CG3D) [ 28 ] 同样使用 3 元组形式确保同一类别的 3 维模 型特征和图像特征之间以及 3 维模型特征和文本特 征之间存在相似性，从而使点云编码器获得零样本 识别的能力。另外， PointCLIP V2 [ 29 ] 在 Point- CLIP 的基础之上，通过利用更先进的投影算法和 更详细的 3 维模型描述，显着提高了零样本 3 维模型 分类准确率。本文采用语义增强 CLIP 解决图像和文 本的语义鸿沟问题，通过在语义层面为图像和文本 提供更多相似的语义信息，使图像和文本对齐更具有 一致性，从而有效提高 3 维模型的零样本分类性能。 2.2 提示工程
贝叶斯长冈林开往 ...
在通信过程中估计信号时，自然需要利用对未知参数的先验知识进行贝叶斯参数估计 [1]。量子通信是一种很有前途的近期通信技术，它可以比传统协议更安全、更有效地传输信息。关于如何在给定的噪声量子信道上忠实地传输经典和/或量子信息，已经有很多研究，例如 [2]–[4]。量子贝叶斯估计是有效解码量子态中编码的经典信息的关键因素。量子贝叶斯估计在量子传感和量子计量领域也得到了极大关注 [5]–[8]。量子贝叶斯估计大约半个世纪前由 Personick [9]，[10] 发起。由于量子估计理论的最新进展，量子贝叶斯估计问题重新引起了人们的关注。针对贝叶斯风险，提出了几种量子贝叶斯界，例如 [9]–[17]。然而，它们中的大多数都没有捕捉到真正的量子性质，因为已知的下界几乎都是基于经典贝叶斯界的直接翻译。特别是，先前提出的下界是通过对算子空间上的内积的某个选择应用柯西-施瓦茨型不等式推导出来的。Holevo 在一般统计决策问题的背景下发起了对量子估计的非平凡下界的研究 [18]。他还基于量子 Fisher 信息矩阵分析了贝叶斯风险的下界 [19]–[21]。特别是，他对高斯移位进行了彻底的分析