60 Arbeiten
Diese Studie nutzt modellbasierte Systems Engineering-Ansätze, insbesondere Orthogonal Variability Modelling und Systems Modelling Language, um die Evolution von Quantenschlüsselverteilungsnetzwerkarchitekturen zu modellieren und einen variabilitätsgetriebenen Rahmen für deren systematische Entwicklung zu schaffen.
Diese Studie stellt ein neuartiges, auf externer visueller Beobachtung basierendes System vor, das mithilfe von Computer-Vision-Methoden wie YOLO und Spurverfolgung ablenkungs- und beeinträchtigungsbedingtes Fahrverhalten bei nicht vernetzten Fahrzeugen in Echtzeit erkennt, um zur Reduzierung von Verkehrsunfällen beizutragen.
Die Studie zeigt, dass stochastische Ising-Maschinen (sIMs) durch massive Parallelisierung eine potenzielle Beschleunigung von 100- bis 10.000-fach bei der Simulation komplexer Quantensysteme mit neuronalen Quantenzuständen bieten können, wobei der genaue Vorteil durch die Autokorrelationszeiten bestimmt wird und bereits ohne Hardware-Einsatz vorhergesagt werden kann.
Diese Studie schlägt einen systematischen Ansatz vor, um die „leichten Probleme" des Bewusstseins mithilfe eines ausführbaren kognitiven Systems zu lösen, das auf Kants Konzeptwissen basiert und zeigt, dass Fähigkeiten wie Diskriminierung, Aufmerksamkeit und der Unterschied zwischen Wachsein und Schlaf aus den implementierten Lern-, Steuerungs- und Stimulusmechanismen des Systems abgeleitet werden können.
Diese Arbeit stellt einen neuen qutrit-basierten Quantenfehlerkorrekturcode vor, der eine transversale Implementierung des AND-Gatters ermöglicht, indem sie eine symmetrische T-Tiefe-1-Zerlegung als CSS-Code interpretiert und durch zusätzliche Stabilisatoren die Distanz erhöht, was zudem Protokolle für gemischte Qubit-Qutrit-Codes und Magiezustandsveredelung liefert.
Die Studie zeigt, dass elektromagnetische Abschirmung zwar passive Seitenkanäle unterdrückt, jedoch aktive RF-Probing-Methoden, die auf impedanzmodulierter Rückstreuung basieren, weiterhin ausnutzbar bleiben, um die Ausführung von Prozessen in geschützten Systemen zu enthüllen.
Die Autoren stellen ein hardware-effizientes Framework namens „Spectral Dynamics Reservoir Computing" (SDRC) vor, das die schnellen spektralen Dynamiken physikalischer Systeme (hier Spinwellen) nutzt, um neuromorphe Aufgaben mit hoher Geschwindigkeit und nur minimalem Hardwareaufwand zu lösen und dabei Spitzenleistungen bei Benchmark- und Spracherkennungsaufgaben zu erzielen.
Dieser Artikel untersucht die Herausforderungen der Reproduzierbarkeit in der klassischen HPC- und Quantencomputing-Ära und schlägt einen kulturellen Wandel hin zu einer workflow-zentrierten Wissenschaft vor, die durch Meta-Workflows sowohl Prozessabstraktionen als auch Implementierungskontexte dokumentiert, um wissenschaftliche Erkenntnisse angesichts zunehmender Komplexität robuster zu gestalten.
Diese Arbeit stellt einen programmierbaren, supraleitenden Leaky-Integrate-and-Fire-Neuron vor, der durch intrinsischen In-Memory-Betrieb und Dual-Zeitskalen-Plastizität eine ultra-effiziente, hochgeschwindigkeits Neuromorphe Computing-Architektur ermöglicht.
Diese Arbeit stellt eine optimierte Variante des Hypercube-Mixers für den Quantum Approximate Optimization Algorithmus (QAOA) vor, die durch eine Reduzierung der Gatteranzahl bei linearen Nebenbedingungen die Rauschresistenz und damit die praktische Anwendbarkeit in der NISQ-Ära verbessert.
Die Studie zeigt, dass für optische Ising-Maschinen eine 8-Bit-Auflösung ausreicht, während eine 1-Bit-Auflösung die Leistung überraschenderweise über alle betrachteten Benchmark-Probleme hinweg signifikant verbessert.
Dieses Konzeptpapier stellt das Adaptive Quantized Planetary Crater Detection System (AQ-PCDSys) vor, eine Architektur, die durch Quantisierungsbewusstes Training und adaptive Multi-Sensor-Fusion die Echtzeit-Erkennung von Planetenkranzern auf ressourcenbeschränkter, strahlungsharter Weltraumhardware ermöglicht.
Diese Arbeit untersucht, wie sich multipartite Verschränkungsressourcen und QuDits zur effizienten Implementierung globaler Quantengatter in verteilten Quantencomputern nutzen lassen, und zieht daraus Schlussfolgerungen für die zukünftige Schaltungskomprimierung sowie das Design von Quantendatenzentren.
Die Studie demonstriert erfolgreich lernfähige HfOx/Ti-Memristor-Arrays mit monatelanger Stabilität, indem sie Forward-Forward-Algorithmen und energieeffiziente Sub-1-V-Reset-Pulse nutzt, um eine mit Backpropagation vergleichbare Genauigkeit bei deutlich geringerem Energieverbrauch und ohne Rückwärtsdurchlauf zu erreichen.
Die Arbeit stellt hardware-effiziente Methoden vor, die durch native Potts-Maschinen-Formulierungen und mittlere-Feld-Bedingungen die durch Constraints verursachte Dichte in probabilistischen Optimierungsproblemen reduzieren und so eine skalierbare, FPGA-beschleunigte Lösung ermöglichen.
Die Arbeit stellt Human-Certified Module Repositories (HCMRs) als ein neues Architekturmodell vor, das durch die Kombination menschlicher Aufsicht und automatisierter Analyse zertifizierte, vertrauenswürdige Softwaremodule bereitstellt, um die Zuverlässigkeit und Nachvollziehbarkeit von KI-gestützten Entwicklungssystemen sicherzustellen.
Dieses Papier plädiert für ein neues Paradigma der kausalen Lernforschung, das durch die Integration von Crowdsourcing, Expertenwissen und KI-Simulationen eine verteilte Entscheidungsfindung ermöglicht, um globale kausale Strukturen zu rekonstruieren, die für einzelne Akteure unzugänglich sind.
Diese Arbeit stellt ein auf einem optimierten evolutionären Algorithmus basierendes Framework zur gemeinsamen Hardware-Workload-Optimierung vor, das generalisierte In-Memory-Computing-Architekturen entwickelt, die über verschiedene neuronale Netzwerk-Workloads hinweg robuste Leistung erzielen und im Vergleich zu herkömmlichen Methoden die Energie-Verzögerungs-Flächen-Produkte (EDAP) um bis zu 95,5 % senken.
Diese Studie definiert mittels eines STIM-basierten Simulationsrahmens die Grenzen akzeptabler Defekte (BADs) in heterogenen Rauschumgebungen und zeigt, dass einzelne fehlerhafte Qubits mit einer physikalischen Fehlerrate bis zu 0,75 bei ausreichendem Codeabstand und korrekter Platzierung im Gitter toleriert werden können, ohne die logische Fehlerrate signifikant zu beeinträchtigen.
Diese Arbeit stellt eine Methode zur schnellen und speichereffizienten klassischen Simulation von Quantum Machine Learning vor, die durch das Fusionieren aufeinanderfolgender Gatter in Vorwärts- und Rückwärtspfaden den Durchsatz um das 20-fache steigert und den Speicherverbrauch senkt, wodurch das Training großer Quantenmodelle auf Consumer-GPUs ermöglicht wird.