XiaoMi-AI文件搜索系统
World File Search System资源量
量子相对熵的链式法则
对于任何状态 ρ 和 σ （其中后者不需要归一化）。相对熵是一个比冯·诺依曼熵更一般的熵量。它包含后者和其他信息测度，如互信息，作为特例。它可以看作是量子态之间的相异性度量，并用于定义各种重要量，如纠缠的相对熵 [6]。相对熵表征非对称假设检验的误差指数 [7] 或量化资源理论中的资源量 [8,9]。到目前为止，还没有证明量子相对熵的链式法则。这与经典情况形成了鲜明的对比，在经典情况下，相对熵（也称为 Kullback-Leibler 散度）存在链式法则 [10，定理 2.5.3]。对于一对离散随机变量 ( X, Y )，其字母为 X × Y ，我们有
请求加快任命 PREB 的动议 - ...
b. PREPA 发布一系列 RFP，以提供可再生能源，支持法案 82[-2010] 7 RPS 目标，并提供电池储能，以满足 PREPA 峰值负荷要求所需的容量要求，并支持可再生能源发电的整合要求；c. 获得这些资源的电力购买和运营协议 (PPOA) 的竞争性采购必须向所有形式的可再生能源开放，包括但不限于风能、水力发电、太阳能光伏、VPP 和储能……PREPA 不应不必要地将总体采购水平限制在 250 兆瓦区块，而是需要采取一种策略，试图采购 S3S2B 所需的资源量。5. 因此，能源局命令 PREPA 制定竞争性招标
人工智能数据中心联网
AI 效能是指 AI 模型的预期执行程度，而 AI 训练效率是指训练 AI 模型以达到其所需性能水平所需的时间和资源量。例如，Meta 的 Llama 2 模型的预训练时间范围从 70 亿参数模型的 184K GPU 小时到 700 亿参数模型的 1.7M GPU 小时。任何降低 GPU 处理速度的低效率都会增加模型训练时间。同样，增加或减少参数或 GPU 的数量都会影响训练时间。增加计算是减少训练时间的合理方法，但 GPU 价格昂贵，占 AI 训练成本的 80%。研究这些成本的瞻博网络团队估计，由 8 个 GPU 驱动的 AI 训练服务器的成本可能超过 400,000 美元。
为传输讨论提供信息
§ 为确定资源充足性，MISO 由本地资源区 (LRZ)* 组成（见左图）。§ 为评估足以实现可靠性的资源（供应方和需求方资源），对于每个规划年，MISO 确定每个 LRZ 的单位区域本地可靠性要求。这被定义为特定区域在没有进口容量的情况下满足 10 年内一天的负荷规划标准损失所需的资源量。§ 短期内，北部地区（风力发电能力更强）和南部地区（燃气发电能力更强）对资源的可交付性有所限制。§ 由于 MISO 覆盖范围的多样性（人口规模、经济因素、天气模式、零售电力销售、能源效率等计划）和地理广度，LRZ 还可作为负荷（GWhs）和非同期峰值负荷（GWs）增长以及风力发电能力信用的次区域代理。
实用安全的量子位置验证 - NSF-PAR
摘要 我们讨论量子位置验证 (QPV) 协议，其中验证者创建单量子比特状态并将其发送给证明者。众所周知，使用单量子比特状态的 QPV 协议对于共享少量纠缠量子比特的对手来说是不安全的。我们介绍了实际上安全的 QPV 协议：它们只需要每个验证者的单量子比特状态，但如果共享大量纠缠量子比特的对手采用基于远距传态的攻击，它们的安全性就会被破坏。这些协议是对已知 QPV 协议的修改，我们在其中包含一个经典的随机预言机，而不会改变验证者所需的量子资源量。我们提出了一种作弊策略，该策略要求对手之间共享一定数量的纠缠量子比特，该数量随着随机预言机的经典输入的大小呈指数增长。
实时识别脑电图上的运动想象动作...
摘要 脑机接口 (BCI) 处理算法需要强大的计算设备才能实时执行。在本文中，提出了一种用于对代表两个运动想象任务的脑电图 (EEG) 信号进行分类的硬件高效设计，并在现场可编程门阵列 (FPGA) 上实现。小波包分解 (WPD) 用作特征提取算法，线性判别分析 (LDA) 用作分类器。该系统是使用 System Generator 设计的，并使用硬件/软件联合仿真在 Zybo 板上实现。仿真结果显示，在两个运动想象任务的分类过程中准确率为 80%，时钟频率为 1.5 MHz 时延迟为 7.5 毫秒，功耗为 0.102 W。此外，所使用的 FPGA 资源量少于以前的类似工作，证明设计系统不仅实现了良好的准确性，而且以高效的方式实现了这一目标。
用于在Kubernetes平台上微服务的预测资源扩展的机器学习
资源缩放是根据需求不断变化的需求调整分配给系统或服务的资源量的过程。对于微服务，可以在不同级别（例如容器，POD或群集）上进行资源缩放。但是，当前的资源缩放方法不够好，因为它们依赖于不考虑微服务的动态和复杂性质的反应性或基于规则的方法。这些方法通常会导致资源过度提供或欠缺，既影响服务质量和成本效率。为了解决这些问题，这项工作着重于测试多种机器学习方法，以优化Kuber-Netes平台的POD尺寸问题，通过预测高度尺寸的用户资源需求。所提出的方法旨在解决标准水平POD Autoscaler（HPA）的局限性，这通常会导致资源浪费或次优性能。结果是有希望的，并且表现出多种ML模型的高精度和性能，以准确预测未来的资源需求。
波能收集的介电弹性体
海浪力量是间歇性可再生能源的最持久，最集中和可预测的形式之一。全球估计的资源量达到近3tw的年平均功率，波浪能在将来可能涵盖间歇性可再生能源混合的显着部分。从波浪中收集能量非常具有挑战性，并且该行业仍然不成熟，世界各地只有少数商业前系统。现有的波能转换器（WEC）复杂而昂贵，构建，安装和维护。它们也容易受到海洋环境（经历大型冲动载荷和腐蚀）的攻击，并显示出有限的能量转换效率。在这种情况下，介电弹性体发生器（DEGS）可以提供使波能利用的技术突破。DEG是由不可压缩的弹性介电层和兼容的电极制成的可变形电容器，可用于通过可变电容静电生成来将机械能将其转换为电能。1
为能源需求规划网络切片资源...
摘要 — 在网络切片中，虚拟网络嵌入已得到广泛研究，即决定在哪些物理节点和链路中放置虚拟功能和链路。然而，切片的性能不仅取决于虚拟功能和链路的位置，还取决于它们可以使用多少资源，而这在文献中大多被忽略。因此，我们提出了一种最佳资源尺寸的方法，通过尺寸确定同一资源受限网络中共存的多个 Jackson 网络（每个切片一个）的容量。尽管 Jackson 网络历史悠久，但据我们所知，我们是第一个对此类问题进行建模的人。目标是在满足异构服务提供商的延迟要求的同时最大限度地降低能耗。我们用数字表明，我们的解决方案能够实现这两个目标，这与传统方法不同，传统方法假设分配给切片的资源量是先验固定的。索引术语 — 网络切片、资源分配、Jackson 网络、优化。