XiaoMi-AI文件搜索系统
World File Search System高维
测试和增强高维计算的对抗性鲁棒性
摘要 - 脑启发的超维度计算（HDC），也称为矢量符号结构（VSA），是一种急剧的“非von neumann”计算方案，该方案模仿人脑功能以处理信息或使用抽象和高维模式来处理信息或执行学习任务。与深神经网络（DNN）相比，HDC显示出诸如紧凑的模型大小，能量效率和少量学习的优势。尽管有这些优势，但HDC的一个不足的区域是对抗性的鲁棒性。现有的作品表明，HDC容易受到对抗性攻击的攻击，在这种攻击中，攻击者可以在原始输入中添加少量扰动到“傻瓜” HDC模型，从而产生错误的预测。在本文中，我们通过开发一种系统的方法来测试和增强HDC对对抗性攻击的鲁棒性，系统地研究HDC的对抗性鲁棒性，并具有两个主要成分：（1）TestHD，这是一种可以为给定的HDC模型生成高素质高素质的测试工具，该工具可以为给定的HDC模型生成高素质的高素质数据； （2）GuardHD，它利用TestHD生成的对抗数据来增强HDC模型的对抗性鲁棒性。testHD的核心思想建立在模糊测试方法之上。我们通过提出基于相似性的覆盖率度量来定制模糊方法，以指导TestHD连续突变原始输入，以生成可能触发HDC模型不正确行为的新输入。由于使用差异测试，TestHD不需要事先知道样品的标签。为了增强对抗性鲁棒性，我们设计，实施和评估GuardHD以捍卫HDC模型免受对抗数据的影响。GuardHD的核心思想是一种对抗探测器，可以通过测试HDD生成的对抗样本训练。在推断期间，一旦检测到对抗样本，GuardHD将用“无效”信号覆盖词典结果。我们评估了4个数据集和5个对抗性攻击方案的提议方法，具有6种对抗生成策略和2种防御机制，并相应地比较了性能。GuardHD能够区分精度超过90％的良性和对抗性输入，比基于对抗性训练的基线高达55％。据我们所知，本文在系统地测试和增强对这种新兴脑启发的计算模型的对抗数据的鲁棒性方面提出了第一个全面的努力。索引术语 - 远程计算，差异绒毛测试，对抗攻击，强大的计算
高维奇偶校验中的量子信息动力学......
具有宇称时间 ( PT ) 对称性的非厄米系统会产生具有特殊性质的特殊点 (EP)，这些特殊性质是由于特征向量的合并而产生的。此类系统已在经典领域得到广泛探索，其中已提出或实现了二阶或更高阶的 EP。相比之下，PT 对称系统的量子信息研究仅限于具有二维希尔伯特空间的系统。在这里，通过使用单光子干涉装置，我们模拟了四维 PT 对称系统跨四阶特殊点的量子动力学。通过跟踪系统在 PT 对称未破损和破损区域中密度矩阵的相干、非幺正演化，我们观察到了整个系统以及增益和损失子系统的熵动态。我们的设置可扩展到更高维的 PT 对称系统，我们的结果指向丰富的动态和临界性质。
索尔维推出 CYCOM® EP2750，高速率...
### 关于索尔维 索尔维是一家先进材料和特种化学品公司，致力于开发解决关键社会挑战的化学产品。索尔维在许多不同的终端市场与全球客户进行创新和合作。其产品用于飞机、汽车、电池、智能和医疗设备，以及矿物和石油和天然气开采，以提高效率和可持续性。它的轻量化材料促进了更清洁的出行，它的配方优化了资源的利用，它的高性能化学品改善了空气和水质。索尔维总部位于布鲁塞尔，在 61 个国家/地区拥有约 24,500 名员工。2018 年净销售额为 103 亿欧元，其中 90% 来自索尔维跻身世界前三大的业务，EBITDA 利润率达到 22%。索尔维公司 (SOLB.BE) 在布鲁塞尔和巴黎泛欧交易所上市（彭博：SOLB.BB - 路透社：SOLB.BR），在美国，其股票（SOLVY）通过一级 ADR 计划交易。 （这些数字考虑了计划出售的聚酰胺业务）。关于索尔维复合材料索尔维新成立的全球业务部门复合材料是技术先进的轻量化材料解决方案的全球供应商，使我们在航空航天、汽车和其他要求严格的行业的客户能够设计、开发和高效生产高质量、高性能和复杂的复合结构。复合材料拥有最广泛的产品组合，包括预浸料、树脂系统、粘合剂和表面膜、碳纤维、纺织品、工具和真空袋耗材，这得益于其在先进材料科学、化学和应用工程方面的领导地位。索尔维复合材料整合了原氰特航空航天材料和工业材料业务。 ### 媒体联系人 Claire Michel 营销传播主管 Solvay Composite Materials GBU +44 1773766200 Claire.michel@solvay.com
利用能量-...的高维量子密钥分发
摘要 基于纠缠的量子密钥分发 (QKD) 是量子通信的重要组成部分，因为它具有源无关的安全性以及构建大规模量子通信网络的潜力。然而，在长距离光纤链路上实现基于纠缠的 QKD 仍然具有挑战性，尤其是在部署的光纤上。在本文中，我们报告了一种实验性的 QKD，它使用能量-时间纠缠的光子对在 242 公里的光纤上传输（包括一段 19 公里的部署光纤）。QKD 是通过具有高维编码的色散光学 QKD (DO-QKD) 协议实现的，以更有效地利用巧合计数。根据量子信道中光脉冲的分布，开发了一种可靠的、高精度的长距离纠缠 QKD 时间同步技术。我们的系统可以连续运行 7 天以上，无需主动偏振或相位校准。我们最终在渐近和有限尺寸范围内分别生成了安全密钥速率为 0.22 bps 和 0.06 bps 的安全密钥。这表明，如果满足对时间同步的高要求，基于纠缠的 DO-QKD 是可靠的，可用于现场的长距离实现。
氮化镓高电子迁移率晶体管的物理失效分析技术研究进展
Figure 12.1540-MeV 209Bi ion irradiation 1.7 × 10 11 ions/cm 2 TEM images of AlGaN/GaN HEMT devices: (a) Gate region cross-section; (b) The orbital image of the heterojunction region shown in Figure (a); (c) The image shown in Figure (a) has a depth of approximately 500 nm; (d) Traces formed at the drain; (e) As shown in Figure (d), the trajectory appears at a depth of ap- proximately 500 nm [48] 图 12.1540-MeV 209Bi 离子辐照 1.7 × 10 11 ions/cm 2 的 AlGaN/GaN HEMT 器件的 TEM 图像： (a) 栅极区域截面； (b) 图 (a) 所示异质结区域轨道图 像； (c) 图 (a) 所示深度约 500 nm 图像； (d) 在漏极形成的痕迹； (e) 如图 (d) 所示，轨迹出现在深度约 500 nm 处 [48]
从灵活性平衡视角的高比例可再生能源电力系统形态演化分析
摘要：电力系统中长期愿景及其形态演化分析是引领电力行业发展的重要先导性研究，尤其在我国提出2060年实现温室气体净零排放的新目标下，如何加快发展可再生能源成为新的关注点。本文尝试从灵活性平衡的视角探究含高比例可再生能源的未来电力系统形态演化指标。在回顾国际上关于未来电力系统发展愿景相关文献的基础上，总结了未来电网的特征及其驱动力的变化，并提出了一种全局敏感性分析方法。考虑到影响演化路径的多重不确定性因素，抽取大样本模拟电力系统演化，并以西北电网为例，分析了我国高比例可再生能源的演化路径。
高性能金属3D打印机的应用
来源：https://www.aeroreport.de/en/artikel/ werkstoffentwicklung-fuer-die-luftfahrt 航空部件应用示例
有效识别用于建模高维大脑动力学
摘要 - 系统识别为表征和控制复杂系统的表征带来了重要的瓶颈。当系统状态和参数都无法直接访问时，这是最大的，导致双重估计问题。当前解决此类问题的方法在Net Works中经常发生的多参数系统的扩展能力受到限制。在当前工作中，我们提出了一种新的计算有效方法来处理大型双重估计问题。在这项工作中，我们得出了预测错误方法的分析后传播梯度，该方法可以有效，准确地识别大型系统。PEM方法包括将状态估计直接整合到双重优化目标中，仅在未知系统参数方面留下可区分的成本/错误函数，我们使用数值梯度/HESSIAN方法求解。直觉，此方法包括求解生成最精确状态估计器（扩展/cubature Kalman滤波器）的参数。我们证明，尽管复杂性较低，但在状态和参数估计中至少与关节Kalman过滤器（Excent/Unnesped/Cubature）和期望最大化一样准确。我们通过从人类磁脑摄影（MEG）数据中反转解剖学的个性化脑模型来证明我们的实用性。
能源市场中储能竞价的高维竞价学习
摘要 随着可再生能源的普及，电力市场价格波动性加大。因此，对于储能系统 (ESS) 来说，利用能源市场投标的多维性质来最大化盈利能力非常重要。然而，目前的学习方法不能充分利用能源市场中高维的价格-数量投标。为了应对这一挑战，我们修改了常见的强化学习 (RL) 过程，提出了一种称为神经网络嵌入投标 (NNEB) 的新投标表示方法。NNEB 是指由具有离散输出的单调神经网络表示的市场投标。为了有效学习 NNEB，我们首先使用 RL 学习一个神经网络作为从市场价格到 ESS 功率输出的战略映射。然后，我们通过两次训练修改重新训练网络，使网络输出单调和离散。最后，神经网络等效地转换为高维投标。我们对真实世界的市场数据集进行了实验。我们的研究表明，所提出的方法比基线高出 18% 的利润，使最佳市场竞标者的利润高达 78%。关键词：电力市场、实时市场、储能系统、战略竞价、强化学习
在高维设置中的重要性可变需要分组
解释机器学习的决策过程如今对模型的增强和人类的理解至关重要。这可以通过评估罪恶变量的可变重要性来实现，即使对于高容量的非线性方法，例如深神经网络（DNNS）。虽然只有基于删除的方法（例如置换重要性（PI））可以带来统计有效性，但当变量相关时，它们会返回误导性结果。条件置换重要性（CPI）在这种情况下绕过PI的局限性。然而，在高维设置中，变量之间的高相关性取消了其有条件的重要性，使用CPI以及其他方法会导致不可靠的结果，这是一个超出的计算成本。通过聚类或一些先验知识对变量进行分组，从而获得了一些功率，并导致更好的解释。在这项工作中，我们介绍了BCPI（基于块的条件置换重要性），这是一个新的通用框架，用于可变知名度计算，并具有统计保证，可处理单个和组案例。此外，由于处理具有较高基数的组（例如一组给定模式的观察结果）既耗时又是资源密集型的，因此我们还引入了一种新的堆叠方法，扩展了具有适合组结构的次级线性层的DNN体系结构。我们表明，随后的方法随着堆叠的控制而扩展了I型误差，即使是高度相关的组，并且在基准中显示了最高的精度。更重要的是，我们在大规模的医学数据集中执行了现实世界数据分析，我们旨在展示我们的结果和生物标志物预测的文献之间的一致性。