XiaoMi-AI文件搜索系统
World File Search System错误率
认知工作量评估方法 OCHMO-TB-032 ...
执行摘要 认知工作负荷是用户感知到的心理努力水平，受许多因素影响，特别是任务负荷和任务设计。工作负荷测量可以标准化评估任务的时间、空间、认知、感知和物理方面以及这些任务的机组人员界面是否设计和实施为相互支持。将机组人员界面和任务设计的工作负荷测量与其他性能指标（如可用性和设计引起的错误率）结合使用，有助于确保机组人员安全、成功和高效地操作系统。设计师在设计和制作界面或设计任务时需要考虑用户的工作负荷。低工作负荷水平与无聊和对任务的注意力下降有关，而高工作负荷水平与错误率增加和注意力集中有关，可能损害其他信息或任务（Sheridan，2002）。当人类既不无聊也不负担过重，并且工作和休息时间合理结合时，他们表现最佳。工作量评估应在工程设计生命周期的早期和经常性地进行，以便可以从数据驱动的角度做出相关的设计决策，确保机组人员的安全和性能。
通过量子错误校正调整量子计算隐私
摘要 - 量词计算是有效解决大型和高复杂性问题的有希望的范式。为了保护量子计算隐私，开创性的研究工作为重新定义差异隐私（DP）（即量子差异隐私（QDP）（QDP））以及量子计算产生的固有的噪声而采取的差异性隐私（DP）。但是，这种实施方法受到固有噪声量的限制，这使得QDP机制的隐私预算固定和无法控制。为了解决这个问题，在本文中，我们建议利用量子误差校正（QEC）技术来减少量子计算错误，同时调整QDP中的隐私保护水平。简而言之，我们通过决定是否在多个单个量子门电路的门上应用QEC操作来逐渐降低量子噪声错误率。我们为QEC操作后的一般错误率和相应的隐私预算提供了一个新的计算公式。然后，我们使用多级串联QEC操作来扩展以实现进一步的降噪。通过大量的数值模拟，我们证明QEC是调节量子计算中隐私保护程度的可行方法。索引术语 - Quantum Computing，量子噪声，不同的隐私，量子错误校正
迈向高可靠性人工智能
长期内持续保持低错误率的组织 先前的信念：系统中存在未知的故障模式。组织的作用是发现并修复它们 1. 保持持续的态势感知 2. 检测异常和未遂事件 3. 生成和评估多个假设 4. 设计、实施和测试解决方案 5. 最终决策由最有专业知识的人做出
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]。
利用及时工程来增强金融市场完整性和风险管理
本文对迅速工程在优化大型语言模型（LLM）（如Chatgpt-4和Google Gemini在金融市场完整性和风险管理中的有效性）方面的作用进行了全面调查。随着AI工具的越来越多地集成到金融服务中，包括信用风险分析，市场风险评估和财务建模，及时工程对于改善AI生成的产出的相关性，准确性和上下文一致性至关重要。本研究评估了各种及时配置对增强财务决策的影响。通过一系列实验，本文比较了Chatgpt-4和Google Gemini（版本1.5和2.0）的性能，以生成可行的见解，以进行信用和市场风险分析。结果表明，Chatgpt-4在产生准确的财务见解方面优于Google Gemini超过30％。此外，发现ChatGpt-4版本4在风险分析任务中比版本3的效率高20％，尤其是在与监管框架和财务数据保持一致时。这些改进突出了迅速工程在增强财务模型的精确度中的重要作用。此外，该研究还通过优化的及时策略探讨了错误率的降低。尤其是，在评估复杂的财务查询时，及时工程会将错误率降低约20％。
拓扑表面编码的可扩展神经解码器
随着嘈杂的中型量子 (NISQ) 设备的出现，实用的量子计算似乎已经触手可及。然而，要超越原理验证计算，当前的处理架构将需要扩展到更大的量子电路，这将需要快速且可扩展的量子误差校正算法。在这里，我们提出了一种基于神经网络的解码器，对于受去极化噪声和综合征测量误差影响的稳定器代码系列，该解码器可扩展到数万个量子比特（与其他最近的机器学习启发解码器相比），并且在各种错误率（低至 1%）下解码时间比最先进的联合查找解码器更快。关键创新是通过在底层代码上移动预处理窗口来自动解码小规模的错误综合征，类似于模式识别方法中的卷积神经网络。我们表明，这种预处理步骤可以在实际应用中有效地将错误率降低多达 2 个数量级，并且通过检测相关效应，将实际错误阈值提高到比传统纠错算法（例如联合查找或最小权重完美匹配）的阈值高出 15%，即使在存在测量误差的情况下也是如此。这种机器学习辅助量子纠错的现场实施将是将纠缠边界推向 NISQ 视界之外的决定性一步。
Autokey算法ASCII文本的实现...
信息和通信技术的进步以我们永远无法想象的方式改变了世界。从模拟时代到数字时代，技术为新的创新和发现铺平了道路，改变了我们互动，交流，工作甚至游戏的方式。数据泄露是在这个数字信息时代经常出现的威胁之一，因为数据在增强我们传输的数据的安全性方面具有巨大的价值，其中之一是使用代码。有很多方法可以编码密码学中的数据，但是一种流行的技术是Autokey Cipher Cryptography。Autokey Cipher是Vigenere Cipher的开发，它是克服键中某些字符的重复的解决方案。自动操作是根据钥匙长度执行的，并使用Vigenere密码的Tabula Recta进行计算，Autokey的钥匙是纯文本的组合，可以沿着明文产生新的钥匙。在这项研究中，我们使用Java库Javafx构建了实施。GUI还展示了Autokey Cipher的工作原理，这将使我们了解使用ASCII文本构建的加密和解密过程。和其他添加是GUI，该GUI显示了计算，例如雪崩效应（AE），位错误率（BER），字符错误率（CER）和熵。
使用信号处理和机器学习高效直接地推断心率变异性
摘要 心率变异性 (HRV) 测量连续心跳之间时间的变化，是身心健康的主要指标。最近的研究表明，光电容积描记法 (PPG) 传感器可用于推断 HRV。然而，许多先前的研究具有较高的错误率，因为它们仅采用了信号处理或机器学习 (ML)，或者因为它们间接推断 HRV，或者因为缺乏大型训练数据集。许多先前的研究可能还需要大型 ML 模型。低准确度和大模型尺寸限制了它们在小型嵌入式设备和未来医疗保健领域的潜在应用。为了解决上述问题，我们首先收集了一个大型 PPG 信号和 HRV 基本事实数据集。利用该数据集，我们开发了结合信号处理和 ML 来直接推断 HRV 的 HRV 模型。评估结果表明，我们的方法的误差在 3.5% 到 25.7% 之间，并且优于仅使用信号处理和仅使用 ML 的方法。我们还探索了不同的 ML 模型，结果表明决策树和多层感知器的平均错误率分别为 13.0% 和 9.1%，模型最多为数百 KB，推理时间少于 1 毫秒。因此，它们更适合小型嵌入式设备，并有可能在未来实现基于 PPG 的 HRV 监测在医疗保健领域的应用。
表征深神经网络中子诱导的断层模型
摘要 - 在图形处理单元（GPU）上执行的深神经网络（DNN）的可靠性评估是一个具有挑战性的问题，因为硬件体系结构非常复杂，软件框架由许多抽象层组成。虽然软件级故障注入是评估复杂应用程序可靠性的一种常见且快速的方法，但它可能会产生不切实际的结果，因为它对硬件资源的访问有限，并且采用的故障模型可能太幼稚（即单位和双位翻转）。相反，用中子光束注射物理断层提供了现实的错误率，但缺乏故障传播可见性。本文提出了DNN故障模型的表征，该模型在软件级别结合了中子束实验和故障注入。我们将运行一般矩阵乘法（GEMM）和DNN的GPU暴露于梁中子，以测量其错误率。在DNNS上，我们观察到关键错误的百分比可能高达61％，并表明ECC在减少关键错误方面无效。然后，我们使用RTL模拟得出的故障模型进行了互补的软件级故障注入。我们的结果表明，通过注射复杂的断层模型，Yolov3的误导率被验证为非常接近通过光束实验测得的速率，该速率比仅使用单位倒换的断层注射测量的频率高8.66倍。
混合深度学习机制用于充电控制...
摘要 - 从环境友好性和能源效率的角度来看，电动汽车（EV）对传统汽油汽车构成威胁。可以通过预测与电动汽车充电的状态的预测来帮助确定电动汽车用户的未来充电需求。它可能会根据用户的实时位置提供自定义的充电容量统计信息，并指导收费基础架构的操作和管理。因此，出现的问题是电动汽车充电状态预测的有效模型。在这项研究中，建议采用混合深度学习方法，以确保安全可靠的充电操作，以防止电池被过度充电或排放。建议用于特征提取过程的递归神经网络（RNN），以获取电池上足够的功能信息。然后，研究建立了双向门控复发单位框架（GRU），以预测EV的状态。GRU从RNN的输出中获得了其输入，从而大大提高了模型的有效性。由于其简单得多的结构，RNN-GRU具有较低的计算性能。实验发现证明了GRU方法准确跟踪电动汽车行驶里程的能力。与广泛的现实世界测试所证明的相比，基于混合的深度学习预测方法可以使快速收敛速度较小的错误率较小的错误率。