XiaoMi-AI文件搜索系统
World File Search System错误恢复
适用于航空航天和军事应用的软错误恢复 SRAM 单元
摘要 — 太空辐射粒子会导致电路故障。它对内存敏感的存储设备尤其敏感。当它影响存储在内存电路中的数据时，会造成中断。标准 6T SRAM 无法缓解这种中断。因此，许多作者提出了各种恢复策略。然而，存储单元效率和软错误概率之间存在权衡。本文介绍了一种极性设计软错误翻转恢复 SRAM 存储单元 (SUR-16T)，它可以有效地恢复由于高能粒子撞击而丢失的数据。与上述存储单元相比，SUR-16T 具有出色的写入稳定性、更低的保持功耗和更短的 PVT 变化写入访问时间。此外，在 0.8V 电压下，SUR-16T 的临界电荷比 SEA-14T/ RHBD-13T/ RHMC-12T/ QCCS-12T/ NRHC-14T/ HRRT-13T 高 0.96 倍/ 1.15 倍/ 1.10 倍/ 1.18 倍/ 1.02 倍/ 1.64 倍。此外，所提出的存储单元比现有存储单元具有更高的相对性能系数。
已发布版本的引用 (APA)：Lanese, I., Schultz, U., & Ulidowski, I. (2021)。可逆执行可增强嵌入式人工智能和工业机器人的鲁棒性。IT Professional，23(3)，12-17。https://doi.org/10.1109/MITP.2021.3073757
除了物理可逆性之外，逻辑可逆性还有许多其他原因和好处 [3]。后一种形式的可逆性涉及增强系统和软件（运行在物理不可逆的硬件上），使其能够撤消（或模拟撤消）计算。有可逆编程语言，如 Janus [4]，也有用于逆向传统命令式编程语言的技术，如 C [5]。我们还发现了如何逆转并发程序和系统的计算的基础知识 [6]，[7]，[8]，[9]。本文旨在通过一个机器人案例研究来介绍可逆计算的主题，其中逻辑可逆性产生了影响。该案例研究以及更普遍的欧洲可逆计算研究得到了 COST Action IC1405（关于可逆计算 - 扩展计算视野）的部分支持 [10]。我们将简要介绍我们开发的理论，并解释它们如何帮助我们解决案例研究中的实际问题。我们还将指出我们如何调整正式技术以加强传统的人工智能规划方法，从而产生完整的工作解决方案。我们的案例研究是关于对工业机器人进行编程，使其执行装配操作（即制造实体产品），基于人工智能规划器生成的固定装配顺序，实现自动错误恢复甚至自动拆卸。错误恢复是通过暂时反转执行方向、有效撤消最近的步骤，然后重试来实现的。这种方法在机器人的物理世界中效果很好，因为轻微的不精确可能会导致机器人卡住，但部分拆卸物体并重试通常可以解决问题。在极端情况下，整个装配顺序可以逆转，从而有效地提供一种自动拆卸物体的方法。因此，我们展示了传统的基于人工智能的规划方法如何通过底层可逆执行模型得到丰富，该模型依赖于机器人系统的实现，以提供执行规划的稳健、概率方式。该方法基于 Janus 可逆编程语言 [ 4 ] 的原理，其中计算的每一步都必须本身
计算系统设计中的可靠性问题
本文概述了实现复杂计算系统高可恢复性所涉及的各种问题，并讨论了系统结构技术和容错技术之间的关系。涵盖的主题包括：1）硬件和软件中的保护冗余；2）使用原子动作来构造系统活动以限制信息流；3）错误检测技术；4）定位和处理故障以及评估故障造成的损害的策略；5）基于恢复线、承诺、例外和补偿概念的前向和后向错误恢复技术。所描述的思想与迄今为止在用于需要高可靠性的环境的系统中所使用的技术有关。本文详细描述并比较了三个特定系统：JPL-STAR、贝尔实验室 ESS No. 1A 处理器和 PLURIBUS。
量子纠缠讲义：从稳定态到稳定通道
我们研究量子信息和量子计算中出现的稳定器形式主义的数学、物理和计算方面。给出了泡利可观测量的测量过程及其算法。结果表明，要检测真正的纠缠，我们需要一整套稳定器生成器，并且稳定器见证比 GHZ（Greenberger-Horne-Zeilinger）见证更粗糙。我们讨论了稳定器代码，并从给定的线性代码构造了一个稳定器代码。我们还讨论了量子纠错、错误恢复标准和综合征提取。建立了稳定器形式的辛结构，并证明了任何稳定器代码都酉等价于一个平凡代码。通过获得相应的稳定器生成器，可以识别图代码作为稳定器代码的结构。获得了可嵌入稳定器代码在格中的距离。我们讨论了 Knill-Gottesman 定理、表表示和框架表示。利用稳定矩阵计算稳定门的模拟运行时间，并给出全局相位更新算法。给出了量子信道分解为稳定信道的过程。讨论了容量实现码，从而得到量子擦除信道的容量。最后，讨论了阴影层析成像问题，并给出了构造经典阴影的算法。
海豚：驾驶的多模式语言模型
摘要。寻求完全自动驾驶汽车（AV），能够以人类的理解和响应能力来浏览复杂的现实情况。在本文中，我们介绍了海豚，这是一种新颖的视觉语言模型，以吸收人类的能力，成为一名自治驾驶助手。海豚擅长处理包括视频（或图像）数据，文本指令和历史控制信号的多模式输入，以生成与提供指令相对应的知情输出。在开源的视觉模型（OpenFlamingo）构建基础上，我们首先通过一般领域中创新的基础思维链（GCOT）过程来增强海豚的推理能力。然后，我们通过构建特定的指令数据并进行指导调整来将海豚定制到驾驶领域。通过BDD-X数据集的利用，我们将四个不同的AV任务设计为海豚，以促进对复杂驾驶场景的整体理解。因此，海豚的独特特征被描述为两个维度：（1）能够对复杂且长尾巴的开放世界驾驶场景和解决AV任务的范围进行全面理解，以及（2）通过反置式学习和错误恢复，包括无梯度的即时概述。该匿名演示可在https://vlm-driver.github.io/上获得。
无需训练的量子架构搜索
变分量子算法（VQA）因其错误恢复能力强和对量子资源需求高度灵活而具有优势，广泛应用于嘈杂的中尺度量子时代。由于 VQA 的性能高度依赖于参数化量子电路的结构，因此值得提出量子架构搜索（QAS）算法来自动搜索高性能电路。然而，现有的 QAS 方法非常耗时，需要电路训练来评估电路性能。本研究首创了免训练 QAS，利用两个免训练代理对量子电路进行排序，代替传统 QAS 中昂贵的电路训练。考虑到基于路径和基于表达力的代理的精度和计算开销，我们设计了一个两阶段渐进式免训练 QAS（TF-QAS）。首先，使用有向无环图 (DAG) 表示电路，并设计基于 DAG 中路径数量的零成本代理来过滤掉大量没有前途的电路。随后，使用基于表达能力的代理来精细地反映电路性能，从剩余的候选电路中识别出高性能电路。这些代理无需电路训练即可评估电路性能，与当前基于训练的 QAS 方法相比，计算成本显著降低。在三个 VQE 任务上的模拟表明，与最先进的 QAS 相比，TF-QAS 实现了采样效率的大幅提高，提高了 5 到 57 倍，同时速度也提高了 6 到 17 倍。
全息量子计算：一种可扩展且误差较小的... - OSF
这项工作引入了全息量子计算，这是一种利用全息原理和 AdS/CFT 对应来解决量子信息处理中的关键挑战（例如可扩展性和纠错）的新范式。通过在高维空间的边界上全息编码量子信息，我们提出了一个框架，与传统的基于量子比特的方法相比，该框架在可扩展性和错误恢复方面有显著的改进。我们用于全息量子计算的综合理论模型包括构建全息量子纠错码，该码具有内在的纠错特性和较低的容错开销。我们提出了利用信息几何编码的新算法，例如弯曲空间上的量子行走和双曲图中的路径查找，展示了潜在的加速和资源效率。此外，我们还探索了在全息框架内实现标准量子算法，例如量子傅里叶变换 (QFT)。本文还详细介绍了使用模拟量子模拟器、超导量子比特阵列和混合经典量子系统的物理实现策略，重点介绍了实现全息量子计算机的实用途径。我们的结果表明，全息量子计算不仅增强了量子计算的能力，而且还深入了解了量子信息、时空和引力之间的基本联系。这种跨学科方法开辟了量子计算和基础物理学的新领域，为后量子密码学、量子模拟和加速科学发现提供了潜在的突破。
神经符号人工智能
我们首先应该尝试定义主题。一般来说，我们将神经符号人工智能（简称 NeSy AI）理解为人工智能（简称 AI）领域的一个子领域，该领域致力于将人工智能中的神经和符号传统结合在一起以增加价值。当前使用了不同的拼写，包括神经符号和神经符号，也包括符号亚符号和其他 - 我们认为它们是相同的。在这种情况下，术语神经是指广义上的人工神经网络或联结系统的使用。术语符号是指基于显式符号操作的人工智能方法。这通常包括术语重写、图形算法和自然语言问答等。然而，它通常被更狭义地理解为基于形式逻辑的方法，例如在人工智能的子领域“知识表示和推理”中所使用的方法。然而，这些界限很容易模糊，出于本概述的目的，我们不会将自己局限于基于逻辑的方法。NeSy AI 的总体前景在于希望实现两全其美的局面，其中神经和符号方法的互补优势可以以有利的方式结合起来。在神经方面，理想的优势包括可从原始数据进行训练和对底层数据故障的鲁棒性，而在符号方面，人们希望保留这些系统固有的高可解释性和可证明的正确性，以及在其设计和功能中轻松利用人类专家的深厚知识。在功能特征方面，将符号方法与机器学习（尤其是目前研究最为活跃的深度学习）相结合，人们希望在词汇处理、小数据集训练、错误恢复以及总体可解释性等问题上做得更好，而不是仅仅依赖深度学习的系统。神经和符号人工智能方法之间的一个根本区别与我们的讨论有关，即人工智能系统中信息的表示。对于符号系统，表示是明确的，原则上人类可以理解。例如，正方形（x）→长方形（x）这样的规则很容易通过符号方式理解和操作。然而，在神经系统中，表示通常是通过（许多）神经元之间的加权连接和/或对（可能大量）神经元的同时激活来实现的。特别是，人类观察者无法轻易识别所表示的内容。