XiaoMi-AI文件搜索系统
World File Search System高维
EMBHD：用于MCU级设备高维计算研究的库
推动将计算推向“边缘” [2]的力。这些移动应用程序中有许多属于物联网（IoT）的类别，该领域由智能传感设备主导，主要对传感器数据进行推断[9]。诸如此类的部署根本不（理想情况下，不应该）需要云计算资源；一项需要非平凡的能源访问的服务。永恒的工程挑战一直在了解我们如何从移动设备中获得最大收益。我们可以为最少的功率做什么最大的有用计算？这种类型的性能最大化涉及硬件和软件优化。在硬件方面，最有影响力的设计选择之一是目标计算机。具有应用程序代理的成熟的多核系统可能会提供最佳的原始速度，但在大规模上可能是功率且昂贵的。大多数物联网部署都选择更节能的核心，以更低的绩效以提高可持续性。历史上降级为简单的8和16位机器，最新一代的MCU看到了向更有能力的32位处理器的过渡，ARM Cortex-M家族是最受欢迎的。这些以数十MHz运行的单核系统可能坐在计算性能梯子的底部，但它们在发电效率上是无与伦比的。弄清楚如何运行现代边缘计算工作 - 即。mL推断）近年来对资源受限的MCU一直是一个积极的研究领域。能量自2019年以来，这个概念已被称为Tinyml，该概念试图打开“在超低功率（<1MW）MCU上执行优化的ML模型，并以最小的功率征服” [4]。MCU级设备通常使用<100KB的内存和1-2MB的闪存存储运行。能够执行相同的ML任务，该任务将在MCU上的多核系统上运行，这是非常强大的。
视觉皮层的高性能神经网络模型受益于高潜在维数
深度神经网络 (DNN) 的几何描述有可能揭示神经科学中计算模型的核心原理，同时抽象出模型架构和训练范例的细节。在这里，我们通过量化其自然图像表示的潜在维数来检查视觉皮层的 DNN 模型的几何形状。一种流行的观点认为，最佳 DNN 将其表示压缩到低维子空间以实现不变性和鲁棒性，这表明更好的视觉皮层模型应该具有低维几何形状。令人惊讶的是，我们发现了一个相反方向的强烈趋势——在预测猴子电生理学和人类 fMRI 数据中对伸出刺激的皮层反应时，具有高维图像子空间的神经网络往往具有更好的泛化性能。这些发现适用于 DNN 的各种设计参数，它们提出了一个普遍原则，即高维几何形状为视觉皮层的 DNN 模型带来了显著的好处。
具有高维光学空间模式的可编程相干线性量子操作
光子学为探索非经典计算资源提供了一个出色的平台[1]，因为纠缠可以通过光学非线性效应方便地产生[2-4]，而线性操控协议可在多个自由度上实现[5-7]。人们做出了巨大的努力来产生和操控高维纠缠态，既用于量子力学的检验[8]，也用于量子技术的应用[9]。人们致力于增加单个光子上编码的信息量[10]，并实现高维通用线性运算，以扩展量子处理的能力，增强量子计算和模拟的多功能性[11]。高维量子编码已在光路域[12]、频域[4]、时间模域[13,14]和横向空间模域[15–17]中得到演示。对于第一个域，Reck等人[5]展示了如何使用由相位调制器和耦合器组成的级联基本块实现任意幺正算子。利用Reck等人的方案，在路径域中报道了维数从6到26的可编程矩阵算子和投影仪[9,12,18,19]。然而，仅实现了6×6的任意变换矩阵，而由于移相器和定向耦合器的排列复杂性不断增加，其他演示都是固定的或部分可调的。在频域，量子
MoDex：通过学习神经手模型规划高维灵巧控制
摘要 — 在高维动作空间中控制双手一直是一个长期挑战，但人类天生就能轻松地完成灵巧的任务。在本文中，我们从人类具身认知中汲取灵感，重新将灵巧手视为可学习的系统。具体来说，我们介绍了 MoDex，这是一个采用神经手部模型来捕捉手部运动动态特征的框架。基于该模型，开发了一种双向规划方法，该方法在训练和推理方面都表现出了很高的效率。该方法进一步与大型语言模型相结合，以生成各种手势，例如“剪刀手”和“摇滚乐”。此外，我们表明，将系统动力学分解为预训练手部模型和外部模型可以提高数据效率，理论分析和实证实验都支持这一点。更多可视化结果可在 https://tongwu19.github.io/MoDex 获取。
大幅缩短高强度粘合剂的开发时间<研究成果
Harutoshi Yamada、Teruki Tsurimoto（筑波大学纯粹与应用科学研究生院）、Sirawit Pruksawan 和 Naito（筑波大学纯粹与应用科学研究生院、国家材料科学研究所）
高压电气设备检查 - 防卫省/自卫队
1. 参加者应具备的资格 (1) 参加者不得有《预算会计审计法》第70条规定的情况。此外，未成年人、被监护人或接受协助的人，即使已经取得订立合同所必需的同意，也属于同一条款内有特殊事由的情况。 （2）不属于《预算会计审计法》第七十一条规定情形的。 （3）2022、2023、2024年度防卫省竞争性投标资格（各省厅统一资格）“提供服务等”类别中被评为D级以上，且具备参加关东、甲信越地区竞争性投标资格的，或者，如果其不具备参加竞争性投标的资格，但在投标之日前已经通过竞争性投标资格审查，并在竞争性投标资格名单中登记，并被认定具备参加竞争性投标资格的。 （4）该人目前不属于防卫省长官房长官、防卫政策局局长、采购技术后勤局局长（以下称为“防卫省暂停权限”）或海上自卫队参谋长根据“设备等及服务采购暂停提名等指南”采取的暂停提名措施的对象。 (5) 与前项规定暂停指定对象者有资本或人事关系，且无意与国防部签订与其同类物品买卖、制造或承包服务契约者。 （6）目前处于暂停提名状态的人员原则上不允许进行分包。但有关部会暂停提名权机关认定确有不可避免的情况时，不在此限。
利用人工智能（AI）技术提高繁殖率
建立评估和优化营养状况的技术建立评估和优化营养状况的技术建立评估和优化营养状况的技术建立评估和优化营养状况的技术建立评估和优化营养状况的技术建立评估和优化营养状况的技术建立评估和优化营养状况的技术建立评估和优化营养状况的技术建立评估和优化营养状况的技术建立评估和优化营养状况的技术建立评估和优化营养状况的技术建立评估和优化营养状况的技术建立评估和优化营养状况的技术建立评估和优化营养状况的技术
机器学习和结构健康监测概述，重点介绍新兴技术和高维数据源
摘要 传统的损伤检测技术正逐渐被最先进的智能监测和决策解决方案所取代。结构健康监测 (SHM) 系统中的近实时和在线损伤评估是一种有希望的过渡，可以弥合过去应用效率低下与未来新兴技术之间的差距。在智慧城市、物联网 (IoT) 和大数据分析时代，数据驱动的民用基础设施监测框架的复杂性尚未完全成熟。因此，机器学习 (ML) 算法提供了必要的工具来增强 SHM 系统的功能并为过去的挑战提供智能解决方案。本文旨在阐明和回顾现代 SHM 系统中涉及的 ML 前沿。提供了 ML 管道的详细分析，并在增强表格和图中总结了需求量大的方法和算法。通过物联网范式连接基础设施中关键信息的无处不在的感知和大数据处理是 SHM 系统的未来。随着这些数字技术的进步，考虑到下一代 SHM 和 ML 的结合，本文详细讨论了 (1) 移动设备辅助、(2) 无人机、(3) 虚拟/增强现实和 (4) 数字孪生方面的最新突破。最后，本文探讨了 SHM-ML 结合的当前和未来挑战以及未解决的研究问题。在 ML 参与的 SHM 中利用新兴技术的路线图仍处于起步阶段；因此，本文展望了监测系统在评估民用基础设施完整性方面的未来发展。
对抗性-HD：安全工业互联网的高维计算对抗攻击设计
工业互联网（IIOT）是传感器，网络设备和设备的协作，可从工业运营中收集数据。IIOT系统由于相互连接和计算能力有限而具有许多安全漏洞。Ma-Chine学习的入侵检测系统（IDS）是一种可能的安全方法，它可以不断监视网络数据并以自动化方式检测网络攻击。超维（HD）计算是一种受脑启发的ML方法，在极其稳健，快速和能效的同时非常准确。基于这些特征，HD可以是IIOT系统的基于ML的IDS解决方案。但是，其预测性能受到输入数据中的小扰动的影响。为了充分评估HD的脆弱性，我们提出了一种有效的面向HD的广泛攻击设计。我们首先选择最多样化的攻击集以最大程度地减少开销，并消除对抗性的冗余。然后，我们执行实时攻击选择，发现最有效的攻击。我们对现实的IIOT入侵数据集的实验显示了我们攻击设计的有效性。与最有效的单次攻击相比，我们的设计策略可以提高攻击成功率高达36％，而𝐹1得分最多可以提高61％。
强度调制器消光高维量子密钥分发的实用安全性
量子密钥分发 (QKD) [1,2] 开创了两个远距离通信方 (通常称为 Alice 和 Bob) 在窃听者 (称为 Eve) 面前共享密钥的全新方式。自第一个 QKD 协议——BB84 协议 [1] 提出以来，QKD 已成为量子信息技术的关注焦点 [3,4]。QKD 的无条件安全性已通过不同方法得到证明 [5–7]，该安全性由量子力学定律保证。在传统的 BB84 协议之后，各种类型的新型 QKD 协议相继被提出。其中，高维量子密钥分发 (HD-QKD) 因具有在单个光子上编码多个比特的出色能力以及对信道噪声的强容忍度而备受关注。在高维量子密钥分发系统中，信息被编码在量子态的高维自由度上，如时间能量纠缠[8–10]、时间箱编码[11，12]、路径[13，14]和轨道角动量[15–17]。HD-QKD协议的安全性证明也已建立[18–20]。随着高维量子态制备和测量技术的发展，近年来不同的HD-QKD方案取得了许多突破性的成果[21–23]。其中，基于时间箱的HD-QKD方案[11，23]实现了创纪录的密钥速率，并且可以抵御一般的相干攻击。不幸的是，现实的QKD系统中的实际设备往往存在缺陷，很少符合理论安全模型[24，25]。因此，QKD的理论和实践之间始终存在差距。在过去的几十年里，QKD系统的实用安全性得到了广泛的研究。窃听者可以窃取