XiaoMi-AI文件搜索系统
World File Search System计算模型
EventHD：稳健而高效的超维学习......
在稳健性和能源效率方面，受大脑启发的计算模型已显示出超越当今深度学习解决方案的巨大潜力。特别是，超维计算 (HDC) 在实现高效和稳健的认知学习方面显示出了良好的效果。在这项工作中，我们利用 HDC 作为一种替代计算模型，模仿重要的大脑功能，实现高效和耐噪的神经形态计算。我们提出了 EventHD，这是一个基于 HDC 的端到端学习框架，用于从神经形态传感器进行稳健、高效的学习。我们首先引入一种空间和时间编码方案，将基于事件的神经形态数据映射到高维空间。然后，我们利用 HDC 数学来支持对编码数据的学习和认知任务，例如信息关联和记忆。EventHD 还为每个预测提供了置信度概念，从而能够从未标记的数据中进行自我学习。我们评估了 EventHD 对从动态视觉传感器 (DVS) 收集的数据的效率。我们的结果表明，EventHD 可以在原始 DVS 数据上进行操作时提供在线学习和认知支持，而无需使用昂贵的预处理步骤。在效率方面，EventHD 比最先进的学习算法快 14.2 倍，能效高 19.8 倍，同时将计算稳健性提高了 5.9 倍。
保存隐私的大语言模型（PPLLMS）
摘要 - 大型语言模型（LLM）引起了人们的重大关注，因为它们显示出人工通用智能（AGI）的令人惊讶的迹象。人工智能和大型语言模型可用于各种良好目的，例如用于创造知识的数字助手。但是，如此强大的模型也可以具有潜在的风险。除其他问题和风险外，AI模型可以对数据和用户构成的安全和隐私风险。在本文中，我们讨论了多项式和矢量空间等数学结构以及多项式和矩阵矢量函数的隐私保留委派如何用于将计算模型（包括LLMS）转换为隐私保护计算模型。此外，我们重点介绍了一些众所周知的加密结构以及一些可以改进LLM的解决方案，从某种意义上说，它们可以保留数据的隐私和安全性以及用户。总体而言，我们在本文中介绍的隐私性和零知识LLM可能是潜在的解决方案，可以在某种程度上且合理地保留数据和用户的隐私。更重要的是，也许应该对AI模型进行公开可信的数据培训；训练有素的模型应在当地被压缩和使用。索引术语 - 私有的计算，私人多样性计算，隐私提供大语言模式，安全计算，完全同源性加密，Peovacy-Preservice机器学习，零知识范围，零知识模型，可信度的AI，可靠的AI，安全和隐私风险
fy-2020-doe-ldrd-project-list.pdf - 能源部
组装材料。我们建议开发基于物理的自组装材料自主合成。我们将通过将研究材料的已知物理特性深入结合到自主实验循环中，超越现有工作（我们自己和其他团队的成果）；特别是通过使用解析场方程来捕捉平衡行为、使用机器学习近似值来估计非平衡效应的作用以及使用高性能计算模型来捕捉组装的途径依赖性。2019 年 5 月 1 日 2022 年 4 月 30 日 N/A 0 305,115 305,115
神经生物工程专业理学硕士...
该项目由匹兹堡大学在全国排名靠前的生物工程系（《美国新闻与世界报道》排名第 18 位）提供。教学将以面对面和在线形式进行。该 30 学分的课程可以在一年的全日制学习中完成。学生将深入了解神经系统的生物学，以及如何从工程角度治疗疾病、制造临床设备和构建计算模型。非论文课程旨在为神经工程或医疗设备或数据科学等相关领域提供出色的行业培训。
联想学习中的信息理论、记忆、预测和时间
这是为《大脑和行为的计算模型》撰写的一章的原始版本。由 A. Moustafa 编辑。纽约，Wiley/Blackwell（2016 年）。编辑最初指定的长度为 15,000 字。提交此版本很久之后，Wiley 的新委托编辑下令所有章节都必须缩短至 7,000 字。要将章节缩短到这个长度，需要大量重写并删除所有计算细节。我们为那些想要查看计算细节的人发布了此信息。考虑在 Wiley/Balckwell 上发表文章的作者可能需要参考我们的经验。
使用循环神经网络对人类事件相关电位进行建模的指导教程
摘要：在认知神经科学研究中，事件相关电位 (ERP) 的计算模型可以提供一种为观察到的波形开发解释性假设的方法。然而，接受过认知神经科学培训的研究人员在实施这些模型时可能会面临技术挑战。本文提供了有关开发 ERP 波形的循环神经网络 (RNN) 模型的教程，以促进计算模型在 ERP 研究中更广泛地使用。为了举例说明 RNN 模型的使用，检查了在通道 Pz 处测量的目标和非目标视觉事件引起的 P3 成分。实验事件的输入表示和相应的 ERP 标签用于在监督学习范式中优化 RNN。将一个输入表示与多个 ERP 波形标签链接起来，然后优化 RNN 以最小化均方误差损失，会导致 RNN 输出近似于总平均 ERP 波形。然后可以将 RNN 的行为评估为 ERP 生成背后的计算原理的模型。除了拟合这样的模型之外，本教程还将演示如何根据 RNN 的隐藏单元的时间响应对其进行分类，并使用主成分分析对其进行表征。统计假设检验也可以应用于这些数据。本文重点介绍建模方法以及随后使用公开数据和共享代码以操作指南的形式对模型输出进行分析。虽然对 P3 响应生成的具体解释的关注相对较少，但结果引发了一些有趣的讨论点。
语义记忆：方法，模型和当前挑战的评论
抽象的成人语义记忆传统上被概念化为一个相对静态的记忆系统，该系统由有关世界，概念和符号的知识组成。在过去的几十年中，大量工作挑战了这种语义记忆的静态观点，而是提出了一个更加流畅和灵活的系统，该系统对环境中的上下文，任务需求以及感知和感觉运动信息敏感。本文（1）在网络（基于自由关联），特征（基于财产生成规范）和分布语义（基于自然语言的公司）模型（基于自然语言）模型的网络（基于自由关联）的范围内回顾了传统和现代的计算模型，（2）讨论了这些模型对知识代表的重要辩论（当地的vs. vs. vs. erroriant vs. erroriant vs.）的贡献（学习）和（3）评估现代计算模型（神经网络，基于检索和主题模型）如何重新审查语义记忆的传统“静态”概念化，并在语义建模中解决语义模型中的重要挑战，例如解决时间，上下文和注意力的影响，以及将接地和组成纳入语义表现形式。该评论还确定了有关数据的可怕和可用性的新挑战，语义模型对其他语言的概括以及社会互动和协作在语言学习和发展中的作用。总结部分提倡将语义记忆的代表性叙述与基于过程的认知行为的说明以及在语义任务中的人类基线的明确比较，以充分评估其心理合理性作为人类语义记忆的模型。
迈向听觉幻影感知的认知计算神经科学
为了对耳鸣如何在大脑中出现，我们必须构建模仿耳鸣发育和感知的双重合理计算模型，并通过大脑和行为实验测试暂定模型。特别关注耳鸣，我们回顾了人工智能，心理学和神经科学交集的最新工作，表明新的研究议程遵循这样的想法，即实验只能在测试脑部计算模型时才产生理论洞察力。这种观点挑战了普遍的看法，即耳鸣研究主要是数据有限的，并且通过先进的数据分析算法进行分析的大型，多模式和复杂的数据集将最终导致人们对丁香核的形成方式的基本见解。但是，有证据表明，尽管现代技术允许在动物和人类中以前所未有的丰富方式评估神经活动，但经验检验了一个关于耳鸣的口头定义的假设，但永远不会导致机械理解。取而代之的是，假设检验需要与产生可验证预测的综合模型的构建相辅相成。我们认为，即使当代人工智能和机器学习方法在很大程度上缺乏生物学上的合理性，但要构建的模型也必须借鉴这些领域的概念，因为它们已经证明它们在建模脑功能方面做得很好。尽管如此，必须连续增加生物学功能，从而导致更好和细粒度的模型，最终允许在应用动物或患者研究中使用动物或患者研究之前，甚至可以测试硅中可能的治疗策略。
喷射聚类的量子算法
识别高能粒子碰撞中形成的喷流需要解决可能大量终态粒子的优化问题。在这项工作中，我们考虑使用量子计算机加速喷流聚类算法的可能性。专注于电子-正电子碰撞的情况，我们考虑一种众所周知的事件形状，称为推力，其最优值对应于一组粒子中最像喷流的分离平面，从而定义两个半球喷流。我们展示了如何将推力公式化为量子退火问题和 Grover 搜索问题。我们分析的一个关键部分是考虑将经典数据与量子算法接口的现实模型。通过顺序计算模型，我们展示了如何将众所周知的 O × N 3 Þ 经典算法加速为 O × N 2 Þ 量子算法，包括从 N 个终态粒子加载经典数据的 O × N Þ 开销。在此过程中，我们还找到了一种将经典算法加速到 O = N 2 log N Þ 的方法，该方法使用受 SISC 单喷射算法启发的排序策略，该算法没有自然的量子对应物。借助并行计算模型，我们在经典和量子情况下都实现了 O = N log N Þ 的缩放。最后，我们考虑将这些量子方法推广到与大型强子对撞机质子-质子碰撞中使用的算法更密切相关的其他喷射算法。
fy-2020-doe-ldrd-project-list.pdf - 能源部
组装材料。我们提议开发基于物理的自组装材料自主合成。我们将通过将所研究材料的已知物理特性深入结合到自主实验循环中，超越现有工作（我们自己和其他团队的研究）；特别是通过使用解析场方程来捕捉平衡行为、使用机器学习近似值来估计非平衡效应的作用以及使用高性能计算模型来捕捉组装的途径依赖性。 2019 年 5 月 1 日 2022 年 4 月 30 日 N/A 0 305,115 305,115