XiaoMi-AI文件搜索系统
World File Search System计算周期
CPU 410-5H 过程自动化/CPU 410 SMART
16.15 CPU 410-5H 的周期和响应时间 .......................................................................................... 272 16.15.1 周期时间 ................................................................................................................................ 272 16.15.2 计算周期时间 ............................................................................................................................. 274 16.15.3 通信负载 ............................................................................................................................. 277 16.15.4 响应时间 ............................................................................................................................. 279 16.15.5 计算周期和响应时间 ............................................................................................................. 285 16.15.6 计算周期和响应时间的示例 ................................................................................................ 286 16.15.7 中断响应时间 ............................................................................................................................. 288 16.15.8 中断响应时间计算的示例 ............................................................................................................. 290 16.15.9 延迟和看门狗的可重复性中断................................................................................ 291
人工智能的进步与潜在影响之间
我们将系统的任务性能以及系统开发和部署过程中产生的时间和资源成本纳入总体框架，从而重新构建对人工智能进展的分析。这些成本包括：数据、专家知识、人工监督、软件资源、计算周期、硬件和网络设施以及（什么样的）时间。这些成本分布在系统的生命周期中，可能对不同的开发人员和用户提出不同的要求。我们提出的多维性能和成本空间可以缩减为一个效用指标，用于衡量系统对不同利益相关者的价值。即使没有单一的效用函数，也可以通过人工智能是否扩展帕累托曲面来一般性地评估人工智能的进步。我们将这些类型的成本标记为人工智能进步中被忽视的维度，并使用四个案例研究对其进行探索：Alpha*（围棋、国际象棋和其他棋盘游戏）、ALE（Atari 游戏）、ImageNet（图像分类）和虚拟个人助理（Siri、Alexa、Cortana 和 Google Assistant）。这种更广泛的人工智能进步模型将带来评估人工智能系统潜在社会用途和影响的新方法，并为未来的进步设定里程碑。
使用周期误差重建估计误差分布的相干贡献
缓解和校准方案对于最大限度地扩大当今的嘈杂中型量子 (NISQ) 硬件的计算范围至关重要，但这些方案通常专门用于解决相干或退相干误差源。因此，量化这两类误差是在对误差抑制工具进行基准测试时理想的特性。在本文中，我们提出了一种可扩展的以周期为中心的方法，用于详细估计相干对硬计算周期误差分布的贡献。我们建议的协议基于周期误差重建 (CER)，也称为 K 体噪声重建 (KNR)。该协议类似于周期基准测试 (CB)，因为它基于泡利保真度估计提供以周期为中心的诊断 [1]。我们在 CER 中引入了一个额外的超参数，允许硬周期在进行泡利旋转之前折叠多次。对我们添加的超参数的不同值执行 CER 可以通过保真度衰减公式的推广来估计相干误差贡献。我们通过量子模拟器上的数值模拟确认了我们方法的准确性，并在三个 IBM 芯片（即 ibmq_guadalupe 、 ibmq_manila 和 ibmq_montreal ）上进行了概念验证实验。在这三个实验中，我们测量了 Z 中存在显著的相干误差偏差。