XiaoMi-AI文件搜索系统
World File Search System速比
黑盒特征选择的多项式量子加速
特征选择需要从给定数据集中创建特征子集，以在原始数据集和选定特征集之间建立高度互信息 (MI) 共享 [ 1 , 2 ]。形式上，给定一组特征 F = { f 1 , f 2 , · · · , fm }，其中 fi ∈ R d ，设 fi K 为 fi 在 K 中的维度所跨越的子空间上的投影，设 FK = { fi K } 为一组独立的 fi 。特征选择问题定义为从 F 中选择 K ⊂{ 1 , · · · , p }，使得 K 保留最多信息。虽然特征选择是经典计算中一个研究得很深入的课题 [ 3 – 6 ]，但在量子算法开发的背景下，特征选择仍然是一个相对较新的领域。这项任务被认为是 NP 难题 [ 7 ]，在没有关于数据集结构的先验信息的情况下，量子算法的加速上限是二次的。此前，针对特征选择问题，人们提出了容错和效用规模量子算法 [8]，但成功率参差不齐 [9-15]。其中，容错量子特征选择算法分别表现出多对数时间复杂度和二次加速比。多对数时间复杂度是由于问题中隐藏着某种代数结构，而二次加速比是当手头的 NP 完全问题的结构未知时量子算法的一般 Grover 加速比 [16]。其他量子方法是实现变分方法的效用规模量子算法。尽管分析此类算法很困难，但可以合理地假设，除非进一步利用问题结构，否则此类算法的量子加速比的上限就是 Grover 加速比。表示特征选择问题的一种常用方法是二次无约束优化问题 (QUBO)，可以使用经典和量子计算框架进行处理。在量子计算机上，我们既可以使用 Grover 型容错算法，也可以使用 VQE [ 17 ] 或 QAOA 型 [ 18 ] 效用规模算法来求解该问题。另一方面，当量子算法能够利用已知结构时，加速比可以更显著，比如当简化为尖峰张量分解时，加速比可以达到四次方 [ 19 ]，而当与计算 Betti 数相关时，加速比甚至可以达到指数级 [ 20 , 21 ]。这促使人们探究是否存在一类具有最小结构的问题，即用户对特征拥有稍多的信息，而量子算法可能会带来一些加速。这项工作旨在解决黑盒特征选择问题 (B2FS) 的这个问题，在某些假设下，将其表述为碰撞问题 [ 22 ]。利用 Brassard-Høyer-Tapp 算法（BHT 算法）[ 23 ]，一种已知的碰撞问题解决方案，我们提供了对已经高效的经典概率算法进行多项式加速的证明。据我们所知，这是已知的第一个针对最小结构化特征选择问题的量子加速。
更新科学（中一至中三）课程的支持材料
注意：本问题考察学生对光速和声速差异的理解，帮助他们建立对观察到的现象提供科学解释的能力。它强调了基于自然规律的逻辑推理的重要性。正确答案：学生可以解释光速比声速快。（不接受（1）只提到距离（例如：“雷声传播得更远”）；（2）将雷声描述为“回声”或雷声发生在闪电之后，但没有提到光速和声速的差异。）
DeepGo：预测定向灰盒模糊测试
在本文中，我们提出了一个预测定向灰盒模糊测试器 DeepGo，它可以结合历史和预测信息来引导 DGF 通过最佳路径到达目标站点。我们首先提出路径转换模型，该模型将 DGF 建模为通过特定路径转换序列到达目标站点的过程。突变产生的新种子将导致路径转换，而高奖励路径转换序列对应的路径表示通过它到达目标站点的可能性很高。然后，为了预测路径转换和相应的奖励，我们使用深度神经网络构建虚拟集成环境 (VEE)，它逐渐模仿路径转换模型并预测尚未采取的路径转换的奖励。为了确定最佳路径，我们开发了一个强化学习模糊测试 (RLF) 模型来生成具有最高序列奖励的转换序列。RLF 模型可以结合历史和预测的路径转换来生成最佳路径转换序列，以及指导模糊测试突变策略的策略。最后，为了练习高奖励路径转换序列，我们提出了行动组的概念，全面优化模糊测试的关键步骤，实现高效到达目标的最优路径。我们在 2 个基准测试套件（共 25 个程序，100 个目标站点）上对 DeepGo 进行了测试。实验结果表明，与 AFLGo、BEACON、WindRanger 和 ParmeSan 相比，DeepGo 在到达目标站点方面分别实现了 3.23 倍、1.72 倍、1.81 倍和 4.83 倍的加速比，在暴露已知漏洞方面分别实现了 2.61 倍、3.32 倍、2.43 倍和 2.53 倍的加速比。
在图形处理单元上检测大型生物网络中有影响力节点的高效并行算法
在生物网络中，某些节点比其他节点更有影响力。最具影响力的节点是那些其消除会导致网络崩溃的节点，而检测这些节点在许多情况下至关重要。然而，当生物网络规模很大时，这是一项艰巨的任务。在本文中，我们设计并实现了一种高效的并行算法，利用图形处理单元 (GPU) 检测大型生物网络中的有影响力节点。所提出的并行算法背后的基本概念是重新设计几个计算量巨大的检测有影响力节点的程序，并将其转化为相当高效的 GPU 加速原语，如并行排序、扫描和缩减。四个局部指标，包括度中心性 (DC)、伴随行为 (CB)、聚类系数 (CC) 和 H 指数，用于衡量节点影响力。为了评估所提出的并行算法的效率，在实验中采用了五个大型真实生物网络。实验结果表明：(1) 与相应的串行算法相比，所提出的并行算法可以实现大约 48 ∼ 94 的加速比； (2) 与在多核 CPU 上开发的基线并行算法相比，所提出的并行算法对于 DC 和 H-Index 的加速比为 5 ∼ 9，而对于 CB 和 CC 的加速比由于度分布不均匀而略慢；(3) 当使用 DC 和 H-Index 时，所提出的并行算法能够在不到 3 秒的时间内检测出由 1.5 亿条边组成的大型生物网络中的影响节点。© 2019 Elsevier BV 保留所有权利。
TURBOVAC i 涡轮分子泵 - 欧瑞康
值得信赖的性能得益于其可变转子和阻力级设计，新型 TURBOVAC i 系列可为不同应用提供合适的性能：对于超高真空应用和紧凑型泵系统解决方案，TURBOVAC 350 i 和 450 i 是首选产品。轻气体抽速比当前参考产品高出 60%，压缩值比上一代产品高出约 100 倍，它们特别适合与小型前级泵配合使用。您的优势：真空系统明显更小、初始和运营成本更低、占地面积更紧凑。
迈向量子计算霸权之路
Grover 的量子算法 [ 44 ] 是一个有趣的例子：给定一个可以使用量子输入进行查询的无序量子数据库，并询问它是否包含特定条目。Grover 算法提供了一种可证明的加速比。然而，这种加速比并不是指数级的，更重要的是，它所解决的问题远非现实：构建量子数据库的成本可能会抵消该算法的任何优势，而在许多经典场景中，只需创建（和维护）一个有序数据库就可以做得更好。将 Grover 算法用作解决图像处理问题的子程序更为高效，因为准备量子“数据库”的成本可以分摊到多个调用中[ 59 ]；这种策略激发了一种用于嵌入式量子退火算法的新型混合量子-经典范式 [ 9 ]。其他应用在 [ 66 ] 中进行了讨论。
面向卷积神经网络的FPGA 设计
FPGA 加速卷积神经网络已经被人们广泛研究 , 大部分设计中最终性能都受限于片上 DSP 数量 . 因 此 , 为了进一步加速 FPGA, 人们开始将目光移向了快速算法 . 快速算法能够有效降低卷积操作的乘 法次数 , 提高加速比 , 相比于非快速算法 , 快速算法需要一些额外的操作 , 这些操作大部分都是常数乘 法 , 在硬件实现过程中 , 这些常数乘法会被转换为多个位运算相加的操作 , 位运算可以不需要消耗片上 的 DSP 资源 , 仅使用 LUT 阵列就可以实现位运算 . 从近两年的研究现状来看 , 基于快速算法的工作 在逻辑资源使用方面确实要高于非快速算法的工作 . 此外 , 快速算法是以一个输入块进行操作 , 因此对 于片上缓存的容量要求更高 . 并且快速算法加快了整体的运算过程 , 因此对于片上与片外数据带宽需 求也更大 . 综上所述 , 快速算法的操作流程异于传统的卷积算法 , 因此基于快速算法的新的 FPGA 架 构也被提出 . 第 4 节将会简述国内外关于 4 种卷积算法的相关工作 .
椭圆形平面对称介电尾场加速结构中偏转力的抑制
基于尾场的加速器能够将梯度加速比现有加速器高两个数量级，为实现紧凑型高能物理仪器和光源提供了一条途径。然而，对于高梯度加速器，由相应较高的横向尾场驱动的光束不稳定性会限制光束质量。此前的理论表明，可以通过将平面对称介电结构中的光束横向尺寸椭圆化来减小横向尾场。我们在此报告实验测量结果，这些测量结果表明平面对称结构中椭圆光束的横向尾场减小，这与理论模型一致。这些结果可能有助于设计出基于千兆伏/米梯度尾场的加速器，以产生并稳定加速高质量光束。
重新审视量子傅里叶变换
快速傅里叶变换 (FFT) 是 20 世纪最成功的数值算法之一，在计算科学和工程的许多分支中得到了广泛的应用。FFT 算法可以从离散傅里叶变换 (DFT) 矩阵的特定矩阵分解中推导出来。在本文中，我们表明，量子傅里叶变换 (QFT) 可以通过进一步将 FFT 矩阵分解的对角因子分解为具有 Kronecker 积结构的矩阵的乘积来推导出来。我们分析了这种 Kronecker 积结构对经典计算机上秩为 1 张量的离散傅里叶变换的影响。我们还解释了为什么这种结构可以利用一个重要的量子计算机特性，使 QFT 算法在量子计算机上的加速比经典计算机上的 FFT 算法快得多。此外，还建立了 DFT 矩阵的矩阵分解与量子电路之间的联系。我们还讨论了基数 2 QFT 分解到基数 d QFT 分解的自然扩展。无需具备量子计算方面的先验知识即可理解本文所介绍的内容。然而，我们相信本文可能有助于读者从矩阵计算的角度对量子计算的本质有基本的了解。