XiaoMi-AI文件搜索系统
World File Search System运算的
基于 1T2C FeCAP 的原位按位 X(N)OR 逻辑运算，具有两步写回电路，用于加速内存计算
摘要：铁电电容器（FeCAP）具有工艺兼容性高、可靠性高、超低编程电流和操作速度快等特点，是传统易失性和非易失性存储器的良好替代品，在存储、计算和内存逻辑领域也具有巨大的潜力。尽管如此，在 FeCAP 器件中实现逻辑和存储的有效方法仍然缺乏。本研究提出了一种基于电荷共享功能的 1T2C FeCAP 原位按位 X(N)OR 逻辑。首先，利用 1T2C 结构和两步写回电路，以比先前工作更低的复杂度实现了无损读取。其次，在 X(N)OR 操作期间采用了双线激活的方法。验证结果表明，提出的基于 1T2C FeCAP 的按位逻辑运算的速度、面积和功耗都有显著提高。
椭圆体的 Minkowski 和与协方差矩阵的均值
摘要。两个椭球集的闵可夫斯基和与差一般不是椭球形的。然而，在许多应用中，需要计算在某种意义上近似闵可夫斯基运算的椭球集。在本研究中，考虑了一种基于所谓椭球微积分的方法，该方法提供了参数化的外部和内部椭球族，可以紧密近似于闵可夫斯基椭球的和与差。近似沿方向 l 是紧密的，因为椭球在 l 上的支撑函数等于和与差在 l 上的支撑函数。然后可以根据相应椭球的体积或迹的最小（或最大）测量值来选择基于外部（或内部）支撑函数的近似。建立了利用欧几里得几何或黎曼几何对两个正定矩阵的闵可夫斯基和与差的基于体积的近似及其均值之间的联系，这也与它们的 Bures-Wasserstein 均值有关。
改进量子计算中整数乘法器中的 T 门数量及其分布
执行算术运算的量子电路在量子计算中至关重要，因为经过验证的量子算法需要此类运算。尽管量子计算机资源越来越丰富，但目前可用的量子比特数量仍然有限。此外，这些量子比特受到内部和外部噪声的严重影响。已经证明，使用 Clifford+T 门构建的量子电路可以实现容错。然而，使用 T 门的成本非常高。如果电路中使用的 T 门数量没有优化，电路的成本将过度增加。因此，优化电路以使其尽可能节省资源并具有抗噪声能力至关重要。本文介绍了一种执行两个整数乘法的电路设计。该电路仅使用 Clifford+T 门构建，以兼容错误检测和校正码。在 T 计数和 T 深度方面，它的表现优于最先进的电路。
使用机器学习对硬件椭圆曲线标量乘法进行非剖析无监督水平迭代攻击
摘要：虽然物联网技术使工业、城市和家庭变得更加智能，但它也为安全风险打开了大门。有了合适的设备和对设备的物理访问，攻击者可以利用旁道信息（如时序、功耗或电磁辐射）来破坏加密操作并提取密钥。这项工作对椭圆曲线标量乘法运算的加密硬件加速器进行了旁道分析，该加速器在现场可编程门阵列和专用集成电路中实现。所提出的框架包括使用最先进的统计水平攻击进行初始密钥提取，然后是正则化的人工神经网络，它将水平攻击中部分错误的密钥猜测作为输入并迭代地纠正它们。通过应用迭代学习，水平攻击的初始正确率（以正确提取的密钥位的分数来衡量）从 75% 提高到 98%。
硅光子学在人工智能应用
背景：神经科学与计算 数字计算机通常是执行高精度逻辑和数学运算的计算系统。如今，这种复杂系统远远超过了人类的计算和记忆能力。然而，如果我们将人类代理与数字机器进行比较，我们会发现需要进行许多抽象才能进行一对一的比较。这种抽象假设人类的认知过程是完全程序性的并遵循标准逻辑。然而，大多数人类认知行为并不遵循一套明确定义的指令。因此，人类和数字计算机之间的一对一映射可能并不合适。模拟神经形态计算方法可能更适合模仿人类的大脑过程。目标是在神经系统和模拟机器之间建立一对一映射，其中每个生物量都由等效的模拟人工模型建模。对于像人脑这样的架构来说，这可能是一个苛刻的要求。人类的大脑包含
无需控制操作的相敏量子测量
引言。量子振幅的复相位在量子算法[1-6]和量子传感[7]中起着至关重要的作用。许多算法需要测量两个量子态之间的相对相位[8-17]。用于此目的的常见子程序是 Hadamard 检验，它通过干涉将相位信息转换为概率[18]。尽管实验取得了令人瞩目的进展，但由于实现所需的受控酉运算的挑战，Hadamard 检验在大多数应用中仍然遥不可及。在本文中，我们提出了一种替代方法来确定某些状态之间的复重叠，该方法不使用辅助量子位或全局受控酉运算。与其他无辅助方案 [12,19] 不同，我们的方法不需要准备与参考状态的叠加，而叠加极易受到噪声的影响[20-25]。我们的方法不是基于干涉，而是基于复分析原理。所提出的方法适用于（广义）Loschmidt 振幅形式的重叠
用量子混合算法求解大规模线性方程组
当今的中型量子计算机虽然不完美，但已经能够执行明显超出现代经典超级计算机能力的计算任务。然而，到目前为止，量子大规模解决方案仅针对有限的问题集实现。这里采用基于相位估计和电路宽度和深度的经典优化的混合算法来解决科学和工程领域中普遍存在的一类特定大型线性方程组。引入了基于相关相位估计幺正运算的纠缠特性的线性系统分类，从而能够通过简单的矩阵到电路映射高效地搜索解决方案。在几台 IBM 量子计算机超导量子处理器上实现了一个 2 17 维问题，这是量子计算机解决线性系统的破纪录结果。演示的实现为未来线性方程组解的量子加速探索设定了明确的基准。
Infrrd.ai 在 SemEval-2024 任务 7 中的表现：基于 RAG 的端到端训练以生成标题和数字
我们提出了一种基于检索增强生成 (RAG) 的训练算法来获得最相似的训练样本。获得的训练样本被用作参考，以执行基于上下文学习的大型语言模型 (LLM) 微调。我们使用提出的方法生成标题并从非结构化文本中提取数值。通过专门设计用于捕获数字的扩展标记语言 (XML) 标签，模型可以意识到非结构化文本中数字的存在。非结构化文本的标题经过预处理以包装数字，然后呈现给模型。许多数学运算也被作为参考传递，以涵盖思路链 (COT) 方法。因此，模型可以计算传递给数学运算的最终值。我们将数字验证作为后处理步骤，以验证模型计算的数值是否正确。生成的标题中的数字自动验证帮助模型在所涉及的方法中在人工评估中取得最佳结果。
标题 应用于植物生物学的百亿亿次计算和可解释的人工智能能否实现联合国可持续发展目标？
人口增长和气候变化加速要求使用设计作物理想型（可以在特定环境中生长的理想化植物）进行农业改良。多样化和高技能的研究小组必须整合努力，以弥合实现可持续农业国际目标所需的差距。鉴于全球农业需求的规模以及优化这些努力所需的多种组学数据，可解释的人工智能（具有可解释的决策过程的人工智能，可为人类提供有意义的解释）和百亿亿次计算（每秒可执行 10 18 次浮点运算或百亿亿次浮点运算的计算机）至关重要。准确的表型分析和每日分辨率的气候类型关联对于在不同粒度级别上将理想型生产细化到特定环境同样重要。我们回顾了朝着可持续农业方向的进展克服技术障碍，解决多项联合国可持续发展目标，并讨论克服研究与政策之间差距的愿景。
支持深度学习的具有超表面的紧凑型光学三角算子
引言三角运算作为基本数学运算家族之一，在通信与信号处理领域占有核心地位[1]。传统的用于执行三角运算的器件，如现场可编程门阵列（FPGA）[2]和数字信号处理器（DSP）[3]，通常基于电子元件，这导致速度低、功耗高，并且复杂性不可避免[4,5]。如今，呈指数级增长的通信数据和信息需要实时处理和存储，这对传统的基于电子的运算提出了严峻的挑战。因此，迫切需要一种颠覆性的数值三角运算解决方案。在过去的几年中，光学计算的出现为突破传统信号处理器的若干限制提供了可能性[6]。这种基于电磁波的计算策略避免了模数转换，允许超高速大规模并行运算[7]，这已被证明在时间积分和微分[8,9]、希尔伯特变换[10]、空间微分器[11]、逻辑门[12]和任意波形生成[13]中具有巨大潜力。