XiaoMi-AI文件搜索系统
World File Search System计算成本
异步神经通信的计算成本
为了解决这种设置下的计算挑战，我们首先考虑单个 NOT 门的实现。这个简单的函数已经捕获了异步设置中的基本困难。我们的关键技术结果是 NOT 函数的空间和时间上限和下限，我们的时间界限非常严格。本着分布式同步器 [Awerbuch and Peleg，FOCS'90] 的精神并遵循 [Hitron and Parter，ESA'19]，我们提供了一种通用的同步器机制。我们的构造非常模块化，它基于阈值门的有效电路实现。我们方案的复杂性通过神经元数量的开销和计算时间来衡量，两者都显示为原始网络的最大延迟值和最大传入度 ∆ 的多项式。
低计算成本手动挥舞动作识别系统
这项研究提出了用于家庭服务机器人中非语言通信的低计算成本手动动作识别系统。该系统基于回声状态网络，该网络需要比深神经网络（DNNS）较低的计算成本，并处理人类骨骼坐标的时间序列数据以识别手持动作。此外，本研究提出并比较了骨骼坐标的两种类型的预处理方法，以确保人类位置在框架上的鲁棒性：一种方法提取肩部和手臂角度，无论人的位置以及其他均能使骨骼坐标归一化。实验结果表明，所提出的系统具有竞争精度，并且可以改变人类位置。
一种受大脑启发的算法，可以以较低的计算成本缓解人工和脉冲神经网络的灾难性遗忘
大脑中的神经调节剂以多种形式的突触可塑性发挥作用，这些可塑性被表示为元可塑性，现有的脉冲神经网络 (SNN) 和非脉冲人工神经网络 (ANN) 很少考虑到这一点。在这里，我们报告了一种有效的受大脑启发的 SNN 和 ANN 计算算法，本文称为神经调节辅助信用分配 (NACA)，它使用期望信号将定义水平的神经调节剂诱导到选择性突触，从而根据神经调节剂水平以非线性方式修改长期突触增强和抑制。NACA 算法在学习空间和时间分类任务时实现了高识别准确率，同时大幅降低了计算成本。值得注意的是，NACA 还被证实可有效学习五种不同复杂程度的类别连续学习任务，并以低计算成本显著缓解灾难性遗忘。映射突触权重变化表明，这些好处可以通过基于期望的整体神经调节所导致的稀疏和有针对性的突触修改来解释。
双稀疏量子态制备
状态准备算法可分为精确算法 [2, 3, 4, 5, 6] 和近似算法 [7, 8, 9, 10]。本文主要研究精确状态准备算法。精确状态准备可分为两类：i）准备量子态的算法，将每个模式逐一加载到量子叠加中，计算成本与振幅和量子比特的数量有关 [2, 5, 6]；ii）使用量子态分解来准备状态的算法，计算成本与所需状态的量子比特数呈指数关系 [11, 4, 12]。与量子比特数和输入模式数有关且计算成本呈指数关系的算法效率不高，只能用于生成具有少量量子比特的量子态。计算成本为 O（nM）的算法需要大量 CNOT，不适合 NISQ 设备。本文旨在开发一种算法，将稀疏数据传输到量子设备，经典计算机构建量子电路的计算成本为 O（Mlog（M）+ nM），与文献中以前的算法相比，该算法生成的量子电路具有较少的 CNOT 算子数量。为了实现这一目标，我们优化了连续值 QRAM [6]，定义了 D 中数据呈现的部分顺序。与最近在 [13] 中提出的稀疏量子态准备算法相比，后者使用经典计算机构建量子电路的计算成本为 O（M2 + nM），我们的方法在双稀疏情况下（关于振幅和状态中 1 的数量的稀疏）生成的电路具有较少的 CNOT 门数量。这项工作的其余部分分为 5 个部分。第 2 节介绍了这项工作中使用的量子算子。第 3 节介绍了 CV-QRAM 算法 [6]。第 4 节介绍了本文提出的 CVO-QRAM 算法。第 5 节介绍了实验结果并展示了所提算法所取得的改进。最后，第 6 节是结论。
一致且有效的归因评估策略...
近年来，随着各种局部特征归因方法的提出，后续工作提出了几种评估策略。为了评估不同归因技术的归因质量，图像域中最受欢迎的评估策略是使用像素扰动。然而，最近的进展发现，不同的评估策略会产生相互冲突的归因方法排名，并且计算成本可能过高。在这项工作中，我们对基于像素扰动的评估策略进行了信息论分析。我们的研究结果表明，结果受到通过移除像素的形状而不是实际值泄露的信息的强烈影响。利用我们的理论见解，我们提出了一种称为 Remove and Debias (ROAD) 的新型评估框架，它提供了两个贡献：首先，它减轻了混杂因素的影响，这需要评估策略之间的更高一致性。其次，ROAD 不需要计算成本高昂的再训练步骤，与最先进的技术相比，可节省高达 99% 的计算成本。我们在 https://github.com/tleemann/road_evaluation 发布了我们的源代码。
在人脑组织的逆粘弹性参数识别中使用基于 dropout 的主动学习和替代模型
逆向力学参数识别可以表征难以实现均匀变形状态的超软材料。但是，这通常需要很高的计算成本，而这主要取决于正向模型的复杂性。虽然有限元模型等模拟方法可以捕捉几乎任意的几何形状并实现相关的本构方程，但它们的计算成本也很高。机器学习模型（例如神经网络）在用作替代复杂高保真模型的替代模型时可以帮助缓解此问题。因此，在初始训练阶段之后，它们充当降阶模型，在此阶段它们学习高保真模型的输入和输出关系。由于需要进行模拟运行，因此生成所需的训练数据需要很高的计算成本。在这里，主动学习技术可以根据训练模型的估计获得准确度来选择“最有价值”的训练点。在这项工作中，我们提出了一个循环神经网络，它可以很好地近似粘弹性有限元模拟的输出，同时显著加快评估时间。此外，我们使用基于蒙特卡洛辍学的主动学习来识别信息量很大的训练数据。最后，我们通过识别人类脑组织的粘弹性材料参数来展示开发的管道的潜力。
位置：基准测试在增强学习研究中受到限制
新颖的增强学习算法或对现有的算法进行的改善，通常通过评估其在基准环境上的性能来概括，并将其与不断变化的标准算法集进行比较。但是，尽管有许多需要改进的要求，但经验实践仍会产生误导或不支持的主张。进行不合标准的做法的一个原因是进行严格的基准测试实验需要基本计算时间。这项工作投资了严格的实验设计中计算成本增加的来源。我们表明，严格的性能基准可能会产生通常很重要的计算成本。因此，我们主张使用附加实验范式克服基准测试的局限性。
质量足够吗？在神经音频合成模型的大规模评估中整合能耗
抽象的深度学习模型现在是现代音频综合的核心组成部分，近年来它们的使用已大大增加，从而导致了高度准确的多个任务系统。但是，这种对质量的追求以巨大的计算成本产生了巨大的能源消耗和温室气体的排放。这个问题的核心是科学界用来比较各种贡献的标准化评估指标。在本文中，我们建议依靠基于Pareto最优性的多目标度量，该指标同样考虑模型的准确性和能耗。通过将我们的度量应用于生成音频模型的当前最新技术，我们表明它可以逐渐改变结果的重要性。我们希望提高人们对高质量模型的能源效率的需求，以便将计算成本放在深度学习研究重点的中心。
核物理和粒子物理中的人工智能
https://doi.org/10.1103/PhysRevLett.124.162502：“深度神经网络能够预测超过 1800 个原子核的基态和激发能量，其精度与最先进的核能量密度泛函相当，而且计算成本明显更低”