XiaoMi-AI文件搜索系统
World File Search System编码方案
Meng Xia博士一种视觉分析方法来理解学生...
摘要 - 大型语言模型（LLMS），尤其是CHATGPT的整合在教育中有望通过引入创新的对话学习方法来彻底改变学生的学习经历。为了使学生能够充分利用教育场景中Chatgpt的能力，了解学生与Chatgpt的互动模式对讲师至关重要。但是，由于缺乏专注于学生聊天对话的数据集以及在识别和分析对话中的进化相互作用模式时的复杂性，因此这项努力是具有挑战性的。为了解决这些挑战，我们从一个学期的硕士级别数据可视化课程中收集了48名与Chatgpt互动的学生的对话数据。然后，我们制定了一种编码方案，该方案基于有关认知水平和主题分析的文献，以对学生与Chatgpt的互动模式进行分类。此外，我们提出了一个视觉分析系统，即Stugptviz，该系统跟踪和比较学生提示中的时间模式以及在多个尺度上的Chatgpt响应质量，从而揭示了教师的重要教学见解。我们通过六名数据可视化讲师和三个案例研究的专家访谈来验证了系统的有效性。结果证实了Stugptviz增强教育者对Chatgpt教学价值的见解的能力。我们还讨论了将视觉分析应用于教育和开发AI驱动的个性化学习解决方案的潜在研究机会。
一项有关视频流的能耗和环境影响的调查
气候变化挑战需要在技术领域的全球温室气体（GHG）排放量显着减少。数字技术，尤其是视频流，计算大多数互联网流量，也不例外。视频流需求随着远程工作，多媒体通信服务而增加（例如，WhatsApp，Skype），视频流内容（例如，YouTube，Netflix），视频分辨率（4K/8K，50 fps/60 fps）和多视频视频，使能耗和环境足迹至关重要。这项调查通过为研究人员，开发人员和工程师，服务提供商，托管平台和消费者提供有关最先进和潜在的未来方向的见解，从而有助于更好地了解可持续和高效的视频流技术。我们扩大了这项调查的关注内容，基于观察到的观察，即视频流下的连续活动的网络设备消耗了与传输数据类型无关的大量能量。我们提出了影响视频流中能源消耗的因素的分类法，例如编码方案，资源需求，存储，内容检索，解码和显示。我们确定了需要进一步研究以提高能源效率的视频流中的显着弱点：（1）HTTP实时流中的固定比特率梯子； （2）现有视频播放器的无效硬件利用； （3）缺乏涵盖可再现研究的各种设备类型和编码参数的全面开放能量测量数据集。
在严肃游戏中使用人工智能技术来发展社会道德推理能力
社会道德推理 (SMR) 是一种社会认知结构，对于决策和社会互动适应至关重要。它通常被定义为“个人如何思考支配日常生活中社会互动的道德情感和惯例”(Beauchamp、Dooley 和 Anderson 2013)。能够预测和诊断一个人的社会道德推理技能水平 (或能力) 是量化人们的社会功能的关键步骤，可用于识别那些有不良社会行为风险的人。这种诊断可以帮助人们获得适当的服务或提供足够的支持来提高这种技能的发展。社会道德推理能力水平 (So-Moral)(Dooley、Beauchamp 和 Anderson 2010) 任务是一种计算机测量的演练，其中向儿童和青少年展示日常生活中的视觉社交困境。然后要求他们用语言描述自己在这种情况下会如何反应，以证明自己的答案。参与者的答案被逐字记录在笔录中，随后由专家使用受科尔伯格道德发展理论 (Kohlberg 1984) 启发的道德成熟度编码方案进行手动评分。逐字记录是包含至少一个句子的短文或长文。每个社会道德推理水平都由专家详细记录。在本文中，我们提出了一种新颖的情绪自适应严肃游戏 (LesDilemmes)，旨在帮助培养 SMR 成熟度。该游戏基于现有的计算机化
马约拉纳表面代码的新变化：用于容错量子计算的玻色子和费米子缺陷
马约拉纳零模式 (MZM) 是拓扑保护量子计算硬件的有希望的候选者，然而它们的大规模使用可能需要量子纠错。马约拉纳表面码 (MSC) 已被提议实现这一目标。然而，许多 MSC 属性仍未得到探索。我们提出了一个统一的 MSC“扭曲缺陷”框架——编码量子信息的任意子类对象。我们表明，MSC 中的扭曲缺陷可以编码两倍于基于量子位的代码或其他 MSC 编码方案的拓扑保护信息量。这是因为扭曲同时编码了逻辑量子位和“逻辑 MZM”，后者增强了微观 MZM 可以提供的保护。我们解释了如何使用逻辑量子位和逻辑 MZM 执行通用计算，同时可能使用比其他 MSC 方案少得多的资源。所有 Clifford 门都可以通过编织扭曲缺陷在逻辑量子位上实现。我们介绍了基于格子手术的逻辑 MZM 和逻辑量子位计算技术，实现了 Clifford 门的效果，且时间开销为零。我们还表明，逻辑 MZM 可能会在足够低的准粒子中毒率下改善空间开销。最后，我们介绍了一种新颖的 MSC 横向门模拟，通过编织微观 MZM 实现小代码中的编码 Clifford 门。因此，MSC 扭曲缺陷为容错量子计算开辟了新途径。
具有拒绝数据的 MDI-QKD 的资源高效实时极化补偿
独立于测量设备的量子密钥分发 (MDI-QKD) 弥补了检测系统中的所有安全漏洞，是密钥共享的有前途的解决方案。偏振编码是最常见的 QKD 编码方案，因为它易于准备和测量。但是，在 MDI QKD 中实施偏振编码会带来额外的挑战，因为必须在两个相互无偏的基础上保持偏振对齐，并且必须在两条路径（Alice-Charlie 和 Bob-Charlie）上保持偏振对齐。偏振对齐通常通过中断 QKD 过程（降低总体密钥生成率）或使用与量子信道复用的额外经典激光源进行偏振对齐来完成。由于低密钥速率和成本是阻碍 QKD 系统广泛采用的两个最紧迫的挑战，因此使用额外资源或降低密钥速率与使 QKD 具有商业可行性背道而驰。因此，我们提出并实施了一种新型的 MDI-QKD 系统中的偏振补偿方案，通过回收部分丢弃的检测事件来避免上述缺点。我们的方案基于与诱饵强度相对应的单次测量来实时评估偏振漂移。我们的全自动实验演示将 40 公里卷绕光纤（无绝缘护套）的平均偏振漂移保持在 0.13 rad 以下至少四个小时。平均量子比特误码率为 3.8 %，我们实现了 7 的平均密钥率。每脉冲 45 × 10 − 6 比特。
超导量子计算：综述
量子计算机利用量子力学的内在特性，有望有效解决某些传统计算机无法解决的问题 [1,2]。最令人印象深刻的例子是，1994 年 Peter Shor 证明量子计算机可以有效地分解数字 [1]，这对 RSA 加密构成了严重威胁。量子计算机还将对量子模拟产生巨大影响 [3]，并可能彻底改变机器学习领域 [4]。因此，实用的量子计算机的诞生将是一项革命性的成就。过去几年见证了量子计算技术的快速发展 [5–16]。现在我们已经进入了噪声中型量子（NISQ）时代 [17]，人们可以期望控制超过 50 个量子比特的量子系统 [15,16]。量子计算机可以用各种量子系统来实现，例如捕获离子[18，19]、超导量子比特[20，21]、光子[6-10]和硅[22，23]。特别地，超导量子比特已经成为可扩展量子处理器架构的主要候选者之一。1999年，Nakamura等人[24]首次开发了一种用于超导计算的简单量子比特。随后，特别是近年来，超导量子计算发展迅速，量子比特的数量迅速增加，量子比特的质量也在迅速提高。2014年，使用五量子比特超导量子系统实现了高保真度（99.4%）的两量子比特门[25]，这为表面编码方案迈出了重要一步[26]。这一重要里程碑被称为量子
论文
尽管深度学习最近取得了成功，但在解释复杂的高维数据流（如视觉、听觉和体感刺激）方面，哺乳动物的大脑仍然无与伦比。然而，大脑在处理不可靠、高维且通常不完整的数据的同时，功耗只有几瓦的底层计算原理仍然鲜为人知。在这项工作中，我们研究了特定功能如何从哺乳动物皮层中观察到的简单结构中产生，以及如何在非冯·诺依曼设备（如“神经形态硬件”）中利用这些功能。首先，我们表明，一组确定性的脉冲神经网络可以通过简单的局部学习规则来塑造，以执行基于采样的贝叶斯推理。这表明了一种编码方案，其中脉冲（或“动作电位”）表示受感官输入约束的后验分布样本，而无需任何随机性来源。其次，我们引入了一个自上而下的框架，其中使用最小作用原理和基于梯度的最小化来推导神经元和突触动力学。综合起来，神经突触动力学近似于实时误差反向传播，可映射到皮质网络的机械组件，其动力学可再次在所提出的框架内描述。所提出的模型缩小了定义明确的功能算法与其生物物理实现之间的差距，提高了我们对大脑可能采用的计算原理的理解。此外，此类模型可以自然地转化为模仿大脑高度并行的神经结构的硬件，有望实现强大的学习和推理算法的加速和节能，我们为物理模型系统“BrainScaleS-1”展示了这一点。
对父母的薄片采样的定量评估...
抽象的行为编码是时间密集型和费力的。薄切片采样提供了一种更改的本地方法，旨在减轻编码负担。但是，关于在薄片上编码的不同行为是否与整个相互作用相同的行为相媲美，几乎没有理解。提供定量证据，以证明各种行为的薄片采样价值。我们使用了来自父母互动的三个人群的数据：来自威尔士（GIW）种植（n = 31）的母亲二元组，来自父母和子女（alspac）同类（n = 14）的雅芳纵向研究的母婴二元组，以及来自Alspac Coohort（n = n = n = n = n = n = n = n = n = n = n = n = n = 11）。平均婴儿年龄分别为13.8、6.8和7.1个月。相互作用是使用由11-14个行为组组成的综合编码方案编码的，每个组由3-13个相互排斥的行为组成。我们计算了言语和非语言行为的频率，过渡矩阵（行为之间的过渡概率，例如，从看婴儿到看待分心）和固定分布（在行为状态下花费的长期分布）（在行为状态下花费的长期时间）。从完整会议中提取的措施与1-，2，3和4分钟切片的措施进行了比较。我们确定了许多实例，尽管我们观察到不同行为之间的薄切片采样（即<5分钟）是一种适当的编码方法。因此，我们使用此信息为研究人员提供了有关每个行为代码多长时间的详细指导，具体取决于其目标。
针对过度使用物质使用和物质使用障碍的数字干预措施：全面而系统的范围审查和文献计量学
上瘾的物质在世界范围内普遍存在，它们的使用带来了一个实质性持久的公共卫生问题。已经探索了多种数字干预措施，以减少使用和负面后果，方法不同，理论基础，特定技术的使用等等。当前的研究旨在以系统的方式全面地绘制现有的文献（2015-2022），并确定被忽视和新兴知识差距。使用数据库特异性搜索策略搜索了四个主要数据库（MEDLINE，WEB of SCOCHICE CORE COLLECT和PSYSINFO），结合了与临床表现（酒精，烟草或其他药物使用），技术和AIM相关的术语。重复数据删除后，剩余的N = 13,917个独特的研究在两个阶段进行了手动筛选，留下了最终的n = 3,056研究，其摘要进行了量身定制的编码方案。的发现显示，该领域的出版物率加速了，随机试验是最常见的研究类型。现已发表了有关该主题的几个荟萃分析，揭示了有希望和强大的效果。数字干预措施在许多层面上，从有针对性的预防到专业诊所。有时通过不一致的特定术语不一致地制作了详细的编码，这对未来的荟萃分析具有重要意义。此外，我们确定了现有文献中的几个差距 - 很少的健康经济评估，对干预措施的不清楚描述，对某些类型的干预措施的荟萃分析支持较弱，以及对许多目标群体，设置和新的视频呼吁，聊天机器人和人工智力等新的干预措施的研究有限 - 我们认为在未来的研究中可以解决重要的问题。
一家用于机器学习的列商店 - 金条
摘要在过去的二十年中，在将柱状存储应用于数据仓库和分析方面取得了重大成功。但是，机器学习的快速增长带来了新的挑战。本文介绍了金条，这是一种针对机器学习工作负载量身定制的柱状存储系统。BULLION解决了数据合规性的复杂性，优化了长序列稀疏特征的编码，有效地管理了广泛的投影，引入了存储中的特征，启用了用于多模式训练数据的优质顺序读取，并提供了一个全面的级联编码框架，可将多样化的编码框架融合到多样化的架构中，以组合模构，并通过模态组合。通过与ML应用程序的不断发展的要求保持一致，Bullion促进了柱状存储和处理在现代应用程序场景中的应用，例如广告，推荐系统和属性AI中的应用程序。初步的实验结果和理论分析表明，与现有的柱状储物解决方案相比，面对机器学习工作负载的独特需求，金条提高了实现强大性能的能力。金条大大降低了DELES合规性的I/O成本，通过其优化的编码方案可用于稀疏特征，从而节省了大量存储，并证明了元数据解析速度用于广泛的预测。这些进步使金条能够成为机器学习基础架构未来的重要组成部分，使组织能够有效地管理和处理现代AI应用程序中培训和推断所需的大量数据。