XiaoMi-AI文件搜索系统
World File Search System错误校正
人工智能如何向法律学习：仅在上诉时让人类参与
尽管关于在人工智能 (AI) 和机器学习 (ML) 中将“人类纳入其中”的文献已显著增加，但对于如何将人类专业知识与 AI/ML 判断相结合的关注却很少。这一设计问题的出现是因为，在公众普遍不愿放弃人类专家判断的情况下，算法决策无处不在且数量众多。为了解决这一冲突，我们建议通过上诉程序纳入人类专家法官来审查算法决策。因此，人类只会在有限数量的案件中干预，并且只会在做出初步的 AI/ML 判断之后进行干预。基于与司法决策中上诉程序的类比，我们认为，在许多方面，这是在人与机器之间分工的更有效方式。人类审阅者可以添加更细致的临床、道德或法律推理，他们可以考虑难以量化的案例特定信息，因此，在初始阶段，AI/ML 无法获得这些信息。通过这样做，人类可以作为 AI/ML 的关键错误校正检查，同时保留 AI/ML 在决策过程中使用的大部分效率。在本文中，我们开发了这些广泛适用的论点，同时主要关注 AI/ML 在医学领域的应用示例，包括器官分配、生育护理和医院再入院。
![arxiv：2109.03601v1 [physics.ed-ph] 2021年8月25日](/simg/g:\will\search\icon\source\7\765aa02abb3730b3081cdf21c4626cc5005087be.webp)
arxiv：2109.03601v1 [physics.ed-ph] 2021年8月25日
量子信息科学技术（QIST）在过去十年中取得了显着发展，因此它不再仅在研究实验室的领域中，而是开始开发并应用于工业应用和产品。随着这个新的量子行业的出现，需要一名新的劳动力，接受质疑技能和知识的培训。为了帮助支持这项劳动力的教育和培训，大学和大学需要了解学生可用的工作类型，以及哪些技能和学位与这些新工作最相关。此外，学生需要知道如何量身定制学位，以最好地与量子行业的当前需求保持一致。我们报告了对量子行业57家公司的调查的结果，目的是阐明与这家新员工有关的工作，技能和学位。我们发现了一系列工作机会，从高度特定的工作，例如量子算法开发人员和错误校正科学家到业务，软件和硬件领域的更广泛的工作类别。这些更广泛的工作需要一系列技能，其中大多数与量子无关。此外，除了高度特定的工作外，对Surviy做出回应的公司正在寻找一系列学位水平，以履行这些新职位，从单身汉到硕士，再到博士学位。借助这些知识，学生，讲师和大学管理员可以就如何解决未来量子劳动力的挑战做出明智的决定。
交互式的甲骨文证明与图形上的代码接近
设计有效的简洁非相互作用的知识论证（SNARKS）已成为密码学的重要领域。snark是一个加密证明系统，它使计算功能强大的谚语能够证明计算语句对计算弱验证者的有效性。实践中使用的蛇子依赖于对代数问题的计算算术化，并有效，互动地证明该问题具有解决方案。主要方法之一依赖于将错误校正代码作为代数问题，特别是芦苇 - 固体代码的接近测试。由于它们是作为对多项式评估的评估，因此它们提供了与算术相关的有用代数特性。但是，REED - 固体代码不是局部测试的，这意味着测试与代码相邻的距离，可以访问大部分单词。交互式甲骨文（IOPP）[1]，[2]的交互式甲骨文证明，通过启用与Reed-Solomon代码的接近度，同时仅读取几个坐标，以实现这一ISUE。iopp是供p的per p和verifier v之间的r旋转相互作用，其中p旨在说服v，对于给定的单词f∈Fn，代码c f n，code c f n和parameterΔ∈[0，1]，
量子计算的几何形状
我们通过引入合适的3量子门克服了这一困难（例如Toffoli Gate或CCNOT，见图4）。这样的门允许通过适当地选择第三个量子位的条目来实现量子状态的副本和两个量子位之间的NAND操作。在实际物理平台上执行量子算法时，由于测量或噪声，系统与环境的相互作用会降低信息。这与真实的经典设备中发生的情况有所不同，因为描述测量值或嘈杂进化的量子通道不会简单地以随机的方式翻转Qubit的状态，而是可以实际上可以将纯状态转换为混合状态，从而导致信息损失。此外，由于无用定理，错误校正方案更难实现。仍然，我们可以开发可容忍的算法以最大程度地减少损害，并且我们有一个重要的理论结果，称为阈值定理。这是经典von Neumann定理的类似物，并指出，通过应用量子误差校正方法，可以将错误率低于一定阈值的量子计算机可以将错误率降低到任意较低的级别。因此，我们希望总体上创建易于故障的算法和可行的量子计算。我们邀请读者查看此类算法的拓扑方法[19，20，8]。
碱性量子计算中碱性量子计算的删除转换rydberg原子阵列
在错误校正后的逻辑Qubits上执行量子算法是可扩展量子计算的关键步骤，但是对于当前的实验硬件，Qubits和物理错误率的必要数量和物理错误率要求。最近，针对特定物理噪声模型量身定制的错误纠正代码的开发有助于放松这些要求。在这项工作中，我们为171 yb中性原子量子A的量子编码和栅极协议提出了将主要物理误差转换为擦除，即已知位置的错误。关键思想是在亚稳态的电子水平上编码Qubits，以便门错误主要导致向不相交子空间的过渡，这些子空间可以通过荧光连续监测其种群。我们认为，98％的错误可以转换为擦除。我们通过表面代码的电路级模拟量化了这种方法的好处，从而发现阈值从0.937％增加到4.15％。我们还观察到阈值附近的较大代码距离，从而使相同数量的物理量子位的逻辑错误率更快降低，这对于近期实现非常重要。擦除转换应有益于任何错误纠正代码，并且还可以应用于在其他Qubit平台中设计新的门和编码。
将2048位RSA整数在177天内使用13436 QUBIT和多模内存
我们分析了结合小处理器和存储单元的量子计算机架构的性能。通过关注整数分解，我们显示了使用带有最近邻居连接的Qubits平面网格相比，加工量量数的几个数量级。这是通过利用时间和空间多路复用的内存来实现的，以在处理步骤之间存储量子状态。具体而言，对于10-3的特征物理门错误率，处理器周期时间为1微秒，分解一个2 048位RSA整数在177天内可以在177天内使用3D仪表颜色代码，假设阈值为0。75％的处理器用13个436个物理Qubits制造，并且可以存储2800万个空间模式和45个时间模式，并具有2小时的存储时间。通过插入其他错误校正步骤，证明1秒的存储时间足以使运行时的成本增加约23％。较短的运行时间（和存储时间）可以通过增加处理单元中的量子位数来实现。我们建议使用用超导量子台制成的处理器与使用稀土离子掺杂的固体中的光子回声原理的处理器之间的微波接口实现这种体系结构。
将量子近似优化算法应用于组合优化问题
量子计算领域始于1980年代初，著名的物理学家Paul Benioff，Yuri Manin和Richard Feynman，独立和同时概念化了量子计算机的概念[2-5]。这个想法是基于这样的观察结果，即在classical计算机上模拟量子系统需要以量子系统大小为指数缩放的资源。因此，如果我们想模拟量子物理学，我们最好使用量子物理。后来，David Deutsch正式化了Quantur Turing机器的想法，并提出了量子电路模型[6，7]。接下来是彼得·谢尔（Peter Shor），彼得·谢尔（Peter Shor）发现了一种量子算法，该算法可以比任何已知的经典算法更快地求解质量分解[8]。发现大量的主要因素对于古典计算机来说很难，并且这种计算硬度已用于公用密钥密码系统，例如RSA [9]。但是，有了足够大的量子计算机，公用密钥系统很容易被黑客入侵。今天，量子计算机仍处于早期阶段，它们对噪声的敏感性比其经典对应物更敏感。这设置了量子电路大小的限制。尽管从理论上讲量子误差校正是驯服错误，但它仍然需要大量的Qubits [10，11]。例如，对运行Shor的算法的要求的估计值证明，有数百万量子数具有错误校正[12]。
有效校正由共同涨落子引起的失相量子误差
量子纠错有望成为大规模量子技术中必不可少的一项技术。然而，它需要大量的量子比特开销，这被认为极大地限制了它在近期较小设备中的实用性。在这里，我们介绍了一种新型专用量子纠错码系列，与通常的重复码相比，它们可以成倍地减少开销。它们是针对当前实验中常见且重要的退相干源量身定制的，其中量子比特寄存器通过耦合到公共涨落器（例如谐振器或自旋缺陷）而受到相位噪声的影响。最小实例将一个逻辑量子比特编码为两个物理量子比特，并使用恒定数量的一量子比特和两量子比特操作将退相干校正为领先阶。更一般地说，虽然 n 个量子比特上的重复码将错误校正为 t O ð n Þ 阶，其中 t 是恢复之间的时间，但我们的代码校正为 t O ð 2 n Þ 阶。此外，它们对于小型和中型设备中的模型缺陷具有很强的鲁棒性，它们已经在错误抑制方面提供了显著的增益。因此，这些硬件高效的代码为近期、预容错设备中的有用量子纠错开辟了一条潜在途径。
基于图像处理的QR代码识别
为了解决普通相机收集引起的QR码识别问题，本文提出了基于图像处理的识别算法。整个过程，包括图像二进制，图像倾斜校正，图像方向，图像几何校正和图像归一化允许在不同的照明条件下收集的图像。实验表明，改进的方法可以提高二维代码和准确性的识别速度。qr，即“快速响应”代码是一个2D矩阵代码，它是通过考虑两个点（即与1D条形码相比，它必须存储大量数据，并且必须使用任何手持设备（如手机）在高速上解码。QR码提供高数据存储容量，快速扫描，全向可读性以及许多其他优点，包括错误校正（因此，也可以成功读取损坏的代码）和不同类型的版本。QR码符号的不同品种，例如徽标QR码，加密的QR代码，QR码，以便用户可以根据需要选择。现在，如今，在与营销，安全，学术界相关的不同应用程序流中应用了QR码。并以非常高的速度获得受欢迎程度。每天越来越多的人意识到这项技术并相应地使用它。QR码的普及随智能手机用户的增长而迅速增长，因此QR码在全球范围内迅速达到高水平的接受度。
Consensify：一种从古基因组数据集生成伪单倍体基因组序列并降低错误率的方法
摘要：古基因组分析的标准做法是将映射的短读数据转换为伪单倍体序列，通常是从映射读堆栈中随机选择一个高质量的核苷酸。这可以控制由于差异测序覆盖率而导致的偏差，但不能控制差异率和测序错误类型，这些错误在从古代样本获得的数据集中通常很大且多变。这些错误可能会扭曲系统发育和种群聚类分析，并误导使用 D 统计量的混合测试。我们介绍了一种生成伪单倍体序列的方法 Consensify，它可以控制由差异测序覆盖率导致的偏差，同时大大降低错误率。错误校正直接来自数据本身，无需额外的基因组资源或简化假设（例如同时采样）。对于系统发育和种群聚类分析，我们发现与基于单读采样的方法相比，Consensify 受人工制品的影响较小。对于 D 统计量，Consensify 对假阳性的抵抗力更强，并且与其他常用方法相比，不同实验室协议导致的偏差似乎影响较小。尽管 Consensify 是针对古基因组数据开发的，但它适用于任何低到中等覆盖率的短读数据集。我们预测，Consensify 将成为未来古基因组研究的有用工具。