XiaoMi-AI文件搜索系统
World File Search System计算能力
建设国家人工智能计算能力的蓝图
人工智能 (AI) 正在改变经济，并为生产力、增长和复原力带来新机遇。各国纷纷出台国家人工智能战略，以利用这些转变。然而，目前没有一个国家拥有足够的国家人工智能计算能力数据或有针对性的计划。这一政策盲点可能会危及国内经济目标。本报告为政策制定者提供了第一份蓝图，帮助评估和规划提高生产力和充分发挥人工智能经济潜力所需的国家人工智能计算能力。它为政策制定者提供了如何从三个维度制定国家人工智能计算计划的指导：能力（可用性和使用）、有效性（人员、政策、创新、访问）和复原力（安全、主权、可持续性）。该报告还定义了人工智能计算，盘点了衡量国家人工智能计算能力的指标、数据集和代理，并确定了衡量和对标各国国家人工智能计算能力的障碍。
解码人类大脑中的计算能力和读写能力
。CC-BY-ND 4.0 国际许可证永久有效。它是在预印本（未经同行评审认证）下提供的，作者/资助者已授予 bioRxiv 许可，可以在该版本中显示预印本。版权所有者于 2022 年 12 月 29 日发布了此版本。；https://doi.org/10.1101/2022.12.29.522254 doi：bioRxiv 预印本
第 40 卷 | 第 1 期 文献综述 #2 2022 年 5 月 10 日 探索自然语言处理 (NLP) 在航空中的应用 Nadine Amin Tracy L. Yother 普渡大学 普渡大学 Mary E. Johnson Julia Rayz 普渡大学 普渡大学 由于计算能力的极大提升、当前大量数据的盛行以及数据驱动算法日益强大的能力，自然语言处理 (NLP) 最近在众多领域经历了快速发展，其中之一就是航空。在这项研究中，我们从研究和行业的角度探讨了 NLP 在航空领域的当前地位。我们将安全报告分析、航空维护和空中交通管制确定为航空领域 NLP 研究的三个主要重点领域。我们还列出了当前可用的 NLP 软件以及它们在航空业中的应用。最后，我们重点介绍了航空领域对标准 NLP 技术提出的一些现有挑战，讨论了当前相应的研究工作，并提出了我们推荐的研究方向。推荐引用：Amin, N., Yother, T. L., Johnson, M. E. & Rayz, J. (2022)。自然语言处理 (NLP) 探索
第 40 卷 | 第 1 期 文献综述 #2 2022 年 10 月 5 日 探索航空领域的自然语言处理 (NLP) 应用 Nadine Amin Tracy L. Yother 普渡大学 普渡大学 Mary E. Johnson Julia Rayz 普渡大学 普渡大学 由于计算能力的巨大提升、大量数据的普遍存在以及数据驱动算法的不断增长的力量，自然语言处理 (NLP) 最近在众多领域经历了快速发展，其中之一就是航空业。在本研究中，我们从研究和行业的角度探讨了 NLP 在航空领域的现状。我们将安全报告分析、航空维护和空中交通管制确定为航空领域 NLP 研究的三个主要重点领域。我们还列出了当前可用的 NLP 软件以及它们在航空业中的使用方式。最后，我们重点介绍了航空领域对标准 NLP 技术提出的一些现有挑战，讨论了当前相应的研究工作，并提出了我们建议的研究方向。推荐引用：Amin, N., Yother, T. L., Johnson, M. E. & Rayz, J.(2022)。自然语言处理 (NLP) 的探索
通过卓越的计算能力实现能源转化
NREL 还可以使用可扩展集成基础设施规划 (SIIP) 建模框架分析大规模协调电动汽车充电对电网的影响。SIIP 模拟可以确定所需的电力系统基础设施，以支持大规模电动汽车的采用并为充电基础设施决策提供信息。该方法可以用于研究其他需求响应型能源代理（例如建筑物、电池存储和微电网），以便为更集成、更智能的电网设计提供信息。与我们合作
单量子离散时间量子步行的计算能力
量子步行已被视为通用量子计算的原始。通过使用描述单个粒子离散时间量子步行所需的操作，我们证明了在两个Qubit System上实现通用门的实现。这个想法是要收获单个量子位的有效希尔伯特空间及其在位置空间叠加中演变的位置空间，以实现多Qubit的状态和量子门上的通用量子集。与基于电路的计算模型相比，在拟议的量子步行模型中，以工程任意状态形式实现了许多非平凡的门。我们还将讨论模型的可扩展性和一些命题，以实现较大的量子系统中使用较少数量的Qubits。
概率骨架赋予类脑神经网络天生的计算能力
遗传密码赋予大脑神经网络与生俱来的计算能力。但它是如何实现的却一直不得而知。实验数据表明，基因组通过成对连接概率对大量遗传上不同类型的神经元编码了新皮层回路的架构。我们为这种间接编码方式建立了一个数学模型，即一个概率骨架，并表明它足以将一套要求相当高的计算能力编入神经网络。这些计算能力无需学习即可产生，但很可能为后续的快速学习提供强大的平台。它们通过统计层面的架构特征而不是突触权重嵌入神经网络。因此，它们在低维参数空间中指定，从而提供增强的鲁棒性和泛化能力，正如先前的研究所预测的那样。
具有先天计算能力的概率骨骼赋予大脑样神经网络
遗传编码的结构赋予大脑的神经网络具有先天的计算能力，可在出生后立即实现异味分类和基本运动控制。还可以推测，新皮层微电路的刻板印象层流组织提供了基本的计算功能，随后可以在其中构建。但是，它已经确定了自然如何实现这一目标。从人工神经网络中获得的见解无助于解决此问题，因为他们的计算能力是由于学习而导致的。我们表明，对不同类型的神经元功能之间的连接概率进行了基因编码的控制，用于将大量计算能力编程到神经网络中。这种见解还提供了一种通过巧妙的初始化来增强人工神经网络和神经形态硬件的计算和学习方法的方法。
![用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。](/simg/d/d0b24e3de4e984953fcbe1080336ba472eefd4f9.png)
用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。
用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。
NISQ+：通过近似量子误差校正来提高量子计算能力
摘要 — 量子计算机的规模不断扩大，现在的设计决策试图从这些机器中榨取更多的计算能力。本着这种精神，我们设计了一种方法，通过调整量子纠错中使用的协议来实现“近似量子纠错 (AQEC)”，从而提高近期量子计算机的计算能力。通过近似成熟的纠错机制，我们可以增加近期机器的计算量（量子比特 × 门，或“简单量子体积 (SQV)”）。我们设计的关键是一个快速硬件解码器，它可以快速近似解码检测到的错误综合征。具体来说，我们展示了一个概念验证，即通过在超导单通量量子 (SFQ) 逻辑技术中设计和实现一种新算法，可以在近期量子系统中在线完成近似错误解码。这避免了隐藏在所有离线解码方案中的关键解码积压，这会导致程序中 T 门数量的空闲时间呈指数增长 [58]。