摘要 - 量子计算机硬件的快速开发为实现QNN奠定了硬件基础。由于量子特性,与经典相比,QNN显示出更高的存储容量和计算效率。本文将从三个部分中回顾过去六年中QNN的开发:实施方法,量子电路模型和面临的困难。在第一部分中,实现方法主要是指用于构建QNN模型(例如VQA)的某些非衍生算法和理论框架。第二部分引入了QNN的几个量子电路模型,包括QBM,QCVNN等。第三部分描述了目前遇到的一些主要困难问题。简而言之,这个领域仍处于探索阶段,充满了魔法和实践意义。
摘要:本文提出了一种星体跟踪算法,使用智能手机等商用现货 (COTS) 移动设备确定纳米卫星、无人机和微型无人机等自主平台的精确全球方向。这种星体跟踪尤其具有挑战性,因为它基于现有的摄像机,这些摄像机可以捕捉天空的部分视图,并且应该连续自主地工作。所提框架的新颖之处在于计算效率和星体跟踪器算法使用经济实惠的 COTS 移动平台应对噪声测量和异常值的能力。所提出的算法已在几个流行平台上实现和测试,包括:Android 移动设备、商用微型无人机和 Raspberry Pi。报告的方向的预期精度为 [0.1 ◦ ,0.5 ◦ ]。
分裂学习(SL)和联合学习(FL)的整合提供了一个令人信服的机会,可以解决两种方法的固有局限性,并创建更强大的,具有隐私性的分布式学习系统。拆分学习,涉及将机器学习模型跨多个方分开,并在数据隐私和计算效率方面具有优势。通过分发模型组件,敏感数据保持本地化,从而减轻与集中数据收集相关的隐私风险。此外,SL可以通过在Singh等人的多个设备上分配训练工作量来提高计算效率,2019年。联合学习专注于分散数据的培训模型,而无需共享原始数据。这种方法在实现协作模型开发的同时保留了数据隐私。但是,FL可能会遭受沟通开销和处理异质数据分布的挑战。结合这两种技术具有创造一种协同方法的潜力,该方法在减轻它们的弱点的同时利用了两者的优势。例如,通过将SL的模型分区与FL的分散培训集成在一起,可以解散既具有隐私性且在计算上有效的分布式学习系统。这种组合还可以通过减少数据异质性和改善收敛性的影响来增强系统的鲁棒性。此外,SL和FL之间的协同作用可以为研发开辟新的途径。例如,探索针对不同类型的模型和数据分布的最佳分区策略是一个关键的调查领域。此外,开发有效的通信协议,用于在联合设置中的分配模型组件之间交换模型更新对于实际实施至关重要。总而言之,分裂学习和联合学习的结合为开发更安全,高效和可扩展的分布式学习系统提供了有希望的途径。通过仔细考虑两种方法的优势和劣势,研究人员和从业人员都可以释放这种协同组合的全部潜力。
awnon bhowmik *独立研究员电子邮件:awnonbhowmik@outlook.com orcid id:https://orcid.org/0000-0000-0001-5858-5417 *接收到的作者接收到:2023年9月10日;修订:2023年10月7日;接受:2023年12月16日;发表:2024年2月8日摘要:在加密系统的基岩中,陷入困境,是决定加密机制的安全性和功效的基本构建块。这些功能作为单向变换,证明了固有的不对称性:它们被设计为在一个方向上易于计算,同时证明了相反方向的计算挑战(即使不是不可行)。本文通过引入新型的陷阱门功能,为加密研究的不断发展的景观做出了贡献,从而提供了有关加密协议中计算效率和安全性之间复杂平衡的新观点。
摘要 - 准确的任务计划对于控制自主系统(例如机器人,无人机和自动驾驶车辆)至关重要。行为树(BTS)被认为是任务计划中最突出的控制政策定义框架之一,由于其模块化,灵活性和可重复性。为机器人系统生成可靠,准确的基于BT的控制策略仍然具有挑战性,并且通常需要域专业知识。在本文中,我们提出了利用大语言模型(LLM)和遗传编程(GP)的LLM-GP-BT技术,以使BTS的生成和配置自动化。LLM-GP-BT技术处理以人类自然语言表达的机器人任务命令,并以计算效率和用户友好的方式将其转换为基于BT的准确和可靠的任务计划。该提出的技术是通过仿真实验系统地开发和验证的,这表明了其简化自主系统任务计划的潜力。
研讨会数学的简要说明是人工智能(AI)和机器学习(ML)不可或缺的一部分,为算法开发和优化提供了基础框架。来自微积分,线性代数,概率理论和统计的概念是许多AI和ML算法的基础。优化技术(例如梯度下降)在很大程度上依赖于微积分,而概率理论对于理解模型中的不确定性至关重要。数据表示通常涉及矩阵,向量和张量,需要对数学概念有很强的掌握。复杂性分析,包括了解计算效率,从离散的数学和算法分析中获取。诸如降低维度降低和信号处理之类的技术大量利用了数学原理。神经网络是现代AI的中心,深深植根于微积分,线性代数和概率理论。此外,数学对于
成功使用预测涉及预测未来系统行为,以保持系统可用性并降低维护和维修成本。美国国家标准与技术研究所最近的研究表明,预测和健康管理领域对于在当今的制造环境中保持竞争力至关重要。虽然基于预测的维护涉及许多传统的以运筹学为中心的挑战,例如信息可用性有限和对计算效率的担忧,但作者在本文中认为,预测和健康管理领域仍处于萌芽阶段,也可以从考虑软运筹学技术中受益匪浅。具体来说,作者建议使用定性问题结构化技术来帮助理解和确定问题范围。本文概述了这些软方法,并讨论和演示了制造商如何使用它们。将问题结构化方法与传统运筹学技术相结合的方法将有助于加速预测领域的发展。
M.Tech. - 人工智能和机器学习,BITS Pilani。高级系统工程师,Infosys Limited,印度泰米尔纳德邦钦奈 ---------------------------------------------------------------------***--------------------------------------------------------------------------------- 摘要 - 量子神经形态计算是量子计算和神经形态工程的创新融合,有望通过提高计算效率和可持续性彻底改变生成式人工智能。本文探讨了量子神经形态计算的基本原理、其满足生成式人工智能模型日益增长的能源需求的潜力,并详细探讨了实施方法。通过利用神经形态架构中的叠加、纠缠和隧穿等量子力学现象,该方法旨在减少人工智能系统的计算负担和功耗。其中还包括实际的编码示例和视觉插图,以帮助理解并促进这一变革领域的进一步跨学科研究。
本文介绍了一种通过使用 CFD 解决方案来校正风洞数据的替代方法。校正基于风洞中测量的压力与 CFD 在自由流动条件下预测的压力之间的差异,在风洞数据点周围的攻角和马赫数下。优化用于找到攻角和马赫数的组合,以最小化测量压力和预测压力之间的差异。使用替代模型来近似 CFD 数据,以提高该方法的计算效率。优化的结果是校正后的攻角和马赫数,它对应于自由飞行条件下的压力分布,就所使用的目标函数而言,该压力分布最适合风洞实验。结果表明,当在目标函数中使用所有机翼压力时,得到的校正与使用壁面压力特征方法预测的壁面干扰校正一致。
特征在2050年欧洲能源系统的技术经济模型旨在通过优化资源消耗和技术安装的配置来有效地满足最终用途需求。需求包括四个部门:家庭(住宅建筑),服务(商业建筑),运输和工业。为了解决需求和可再生能源产生的波动,使用了一个每月平均时间序列,可以平衡时间分辨率与计算效率。该模型通过生命周期评估(LCA)方法结合了排放,不仅考虑了技术的运行,还考虑了其构建和资源的提取。对于每个行业,根据文献中的脱碳化选项来确定生产路线,并考虑到能源需求,有效性,效率和投资要求。现有的生产路线也包括在模型中作为参考案例,为将过渡到替代性脱碳途径的过渡提供了基础。