XiaoMi-AI文件搜索系统
World File Search System随机性
布尔功能的量子随机访问代码
a n n p 7→m随机访问代码（RAC）是n位编码为m位的编码，使得可以以概率至少p恢复任何初始位，而在量子RAC（QRAC）中，n位编码为M Qubits。自从提出的提议以来，RAC的思想以许多不同的方式被推广，例如允许使用共享纠缠（称为纠缠辅助的随机访问代码，或简单地称为earac）或恢复多个位而不是一个位。在本文中，我们将RAC的概念推广到在初始位的任何固定大小的子集上恢复给定的布尔函数f的值，我们称之为f -random访问代码。我们使用经典（F -RAC）和量子（f -QRAC）编码的F -andom访问代码的协议，以及许多不同的资源，例如私有或共享随机性，共享纠缠（F -EARAC）和Popescu -Rohrlich框（F -PRRAC）。我们协议的成功概率的特征在于布尔函数f的噪声稳定性。此外，我们对任何F -QRAC的成功概率具有上限，并具有共享的随机性，将其成功概率与乘法常数（和F -Racs逐个扩展）相匹配，这意味着量子协议只能在其经典对应物中获得有限的优势。
不确定性意识到的偏好一致性从人类反馈学习
从人类反馈（RLHF）中学习的最新进展通常是通过最大程度地提高观察到的人类偏好的可能性来对重新功能进行建模。但是，由于个体的不同背景，这些偏好信号本质上是随机的。在奖励和政策更新过程中，首选项中的这种固有的不确定性可能会导致不稳定或不安全的行为。在这项工作中，我们通过学习分布式奖励模型和来自离线偏好数据集的风险敏感政策来介绍RLHF中不确定性的优先对齐。具体来说，我们提出了最大的后验（地图），以更新与轨迹相关的奖励。此更新过程在人类偏好中的不确定性之前包含了一份信息。利用此更新的奖励样本，我们开发了一个生成奖励模型来表示奖励分布。在奖励模型中固有的随机性驱动下，我们利用了离线分销钟声操作员和有条件的危险价值（CVAR）度量标准，从离线数据集中学习了对风险敏感的策略。实验结果表明，风险敏感的RLHF代理可以有效地识别并避免具有重大随机性的状态，从而在不同任务中实现规避风险的控制。
基于量子和后量子方案的抗入侵 SCADA 框架
摘要：量子计算的迅速兴起威胁着当前的监控和数据采集 (SCADA) 安全标准，主要是美国燃气协会 (AGA)-12。因此，研究人员正在开发基于量子或后量子算法的各种安全方案。然而，量子算法的效率影响了后量子数字签名方案的安全性。我们提出了一种利用量子原理并将其应用于后量子签名算法的抗入侵算法。我们使用 Bennett 1992 (B92) 协议（一种量子密钥分发方案）来获取密码，并使用实用的无状态基于哈希的签名 (SPHINCS)-256 协议来获取后量子签名。但是，我们并没有使用众所周知的加密安全伪随机数生成器 Chacha-12，而是使用量子随机数生成器来获得 SPHINCS-256 中使用的真正随机的哈希以获得随机子集 (HORS) 签名和树 (HORST) 密钥。我们已使用量子信息工具包在 Python 中实现了该设计。我们已经使用概率模型检查性能和可靠性分析 (PRISM) 和 Scyther 工具验证了所提出的算法。此外，美国国家标准与技术研究所 (NIST) 统计测试表明，所提出的算法密钥对的随机性为 98%，而 RSA 和 ECDSA 的随机性低于 96%。
使用量子真空噪声的光子概率机器学习
概率机器学习利用可控的随机性来编码不确定性并启用统计建模。利用量子真空噪声的纯粹随机性，这是由于电磁磁场的流动，已经对高速和能量的随机光子元素表现出了希望。尽管如此，可以控制这些随机元素以编程可能的机器学习算法的光子计算硬件受到限制。在这里，我们实现了由可控的随机光子元件组成的光子概率计算机 - 光子概率神经元（PPN）。我们的PPN在带有真空级注入偏置的偏见的双态光学参数振荡器（OPO）中进行。然后，我们使用电子处理器（FPGA或GPU）进行了一个测量和反馈循环，以解决某些概率机器学习任务。我们展示了MNIST手写数字的概率推断和图像生成，它们是判别和生成模型的代表性示例。在两个实现中，量子真空噪声都用作随机种子来编码样品的分类不确定性或概率生成。此外，我们为通向全光概率计算平台的路径提出了一条路径，估计的采样速率约为1 Gbps，能源消耗约为5 FJ / MAC。我们的工作为可扩展，超快和能量良好的概率机器学习硬件铺平了道路。
量子多址信道的单粒子增强
多址信道描述了多个发送者尝试使用某种物理介质将消息转发给单个接收者的情况。在本文中，我们考虑了这种介质仅由单个经典或量子粒子组成的场景。为了精确地比较量子信道和经典信道，我们引入了一个操作框架，其中所有可能的编码策略都只消耗一个粒子。当用于通信时，这种设置体现了用单个粒子构建的多址信道 (MAC)。多方通信任务包括 N 个空间分离的发送者（ A 1 ， A 2 ，· · · AN ）和一个接收者（ B ）（参见图 1 (a)），其中发送者 A i 位于路径 i 上并希望发送从集合 A i 中抽取的经典消息 ai，接收者 B 获得一些属于集合 B 的输出数据 b，这些数据取决于发送者选择的消息集合（ a 1 ， a 2 ，· · · ，a N ）。理想情况下，b 应该是所有 N 条消息的完美副本，即 b = ( a 1 , a 2 , · · · , a N )。然而在实践中，一些物理限制会阻碍完美的通信。在这种情况下，通信由转移概率 p ( b | a 1 , · · · a N ) 描述。分布 p ( b | a 1 , · · · a N ) 统称为 MAC [ 1 ]，即无线通信中所说的上行信道 [ 2 ]。最终，概率 p ( b | a 1 , · · · a N ) 由用于传输信息的特定物理系统决定。我们在此提出的问题是，在仅使用单个粒子实现通信信道且其内部自由度都不可访问的限制下，可以生成哪些 MAC 。更准确地说，信息只能以外部关系自由度进行编码，例如粒子在时空中占据的哪些特定点。我们感兴趣的是比较当使用量子粒子和经典粒子以这种方式传输信息时可以实现的 MAC。在比较经典和量子 MAC 之前，我们根据系统具有的不同级别的共享随机性定义并比较了不同的经典 MAC。这些经典 MAC 分别表示为 CN 、 C ′ N 和 conv[ CN ]，代表没有共享随机性、部分共享随机性和完全共享随机性的情况（如图 1 所示）。我们表明，这些 MAC 在具有二进制输入和输出的通信场景中是相同的，即当 |A i | = |B| = 2 时，而对于更一般的情况，它们完全不同。为了方便讨论，我们还引入了所有这些 MAC 的超集，我们称之为可分离 MAC，C (sep) N ，它由具有概率分解 p ( b | a 1 , · · · , a N ) = PN i =1 pigi ( b | ai ) 的 MAC 组成。我们分析了这些 MAC 的结构，并表明它们与二进制情况下更受限制的家族相同。我们的主要结果涉及提供 N 方经典 MAC 的完整表征，这些 MAC 可以从单个经典粒子和受限制的局部数保持 (NP) 操作构建而成。简而言之，NP 操作具有膨胀，其中总粒子数得以保留。主要发现是这些 MAC 完全以消失的二阶干扰项来表征。更准确地说，特定的线性组合
使用脑电图进行大脑状态建模
含义：特定癫痫发作前潜在空间中脑状态的确切时间过程不能可靠地用作潜在空间构建或事后解释的标签。具体而言，并非所有与先前证实的发作前状态相邻的脑状态都会以相同的方式演变为癫痫发作——存在难以建模的固有随机性。因此，潜在空间构建受益于纯粹的无监督/自监督模型，以避免偏差。
移动储能系统的不确定性感知到分销网格弹性
摘要 - 在整个网络上的空间灵活交流中，移动储能系统（MESS）提供了提高功率分配系统对紧急情况的弹性的承诺机会。尽管在电源分配系统（PDSS）中可再生能源（RESS）的综合增长显着增长，但由于其继承的不确定性和随机性，大多数恢复和恢复策略并不能释放此类资源的全部潜力。本文在PDSS中开发了一种新型的恢复机制，用于与随机性RESS集成的混乱路线和调度，以实现敏捷系统响应和恢复，以面对高影响力低概率（HILP）事件的后果。提出的综合模型作为非凸线非线性随机优化拟合与关节概率约束（JPCS）的介绍。该问题等效地重新重新重新配置为可通过商业现成的求解器来解决的可拖动的混合式线性编程（MILP）模型。关于IEEE 33节点和123-节点测试系统的案例研究证明了所提出的框架在提高系统弹性方面的有效性和可扩展性。这是通过在存在随机ress的情况下与动态网络重新配置共同管理的有效路由和调度的有效路由和调度来实现的。
游戏 AI 基础知识
当移动次数过多和/或随机性过强，无法用 minimax/expectimax 很好地处理时，通常会使用蒙特卡洛算法。蒙特卡洛算法基于进行多次随机模拟，并尝试根据这些多次模拟做出明智的决策。它通常包括算法技巧，以最大限度地提高游戏树的“探索”程度，即如果尚未模拟结果游戏状态，则增加随机选择移动的概率（这些版本称为蒙特卡洛树搜索）。
生物科学与生物工程系学科...
印度理工学院罗尔基分校 系/中心/学院名称：生物科学与生物工程系 学科代码：BEC-517 课程名称：生物分析技术 LTP：3-0-0 学分：3 学科领域：PCC 课程大纲：先进的生物物理和生化分析技术，包括光物质相互作用、显微镜、质谱和结构生物学。电泳、色谱、光谱和基因编辑技术。系统生物学概念：网络分析、随机性和基因调控网络。