60 articles
Cette étude propose un cadre de modélisation basé sur l'ingénierie des systèmes pour gérer l'évolution des architectures de réseaux de distribution de clés quantiques, en utilisant des langages comme l'OMV et le SysML afin de faciliter leur intégration dans les infrastructures classiques et de répondre aux exigences croissantes de sécurité.
Cette étude présente un système novateur de classification du comportement des conducteurs pour les véhicules autonomes, utilisant des techniques de vision par ordinateur externes pour détecter la distraction et l'altération sans dépendre de la communication inter-véhiculaire.
Cette étude démontre que les machines d'Ising stochastiques (sIM) peuvent offrir un avantage de calcul significatif, avec une accélération projetée de 100 à 10 000 fois, pour la simulation de systèmes quantiques complexes via des états quantiques à réseaux de neurones, grâce à leur échantillonnage massivement parallèle malgré des temps d'autocorrélation plus longs.
Cette étude propose une approche systématique pour résoudre les « problèmes faciles » de la conscience en les modélisant au sein d'un système cognitif exécutable fondé sur la théorie kantienne du savoir conceptuel, démontrant ainsi comment des mécanismes d'apprentissage, émotionnels et de manipulation de l'information peuvent expliquer des fonctions telles que la discrimination, l'attention et l'état de veille.
Cet article présente la construction d'un nouveau code quantique à qutrits permettant une implémentation transversale de la porte ET, une avancée rendue possible par la réversibilité de cette porte sur les qutrits et une méthode innovante reliant les décompositions de circuits symétriques aux codes CSS.
Cette étude démontre que, bien que le blindage électromagnétique atténue les émissions rayonnées, il ne protège pas contre les attaques par sonde active qui exploitent la rétrodiffusion d'impédance pour révéler le comportement d'exécution d'un dispositif.
Les auteurs proposent et démontrent expérimentalement le calcul réservoir à dynamique spectrale (SDRC), un cadre neuromorphique efficace qui exploite les dynamiques spectrales rapides des matériaux pour réaliser un traitement à haute vitesse avec un faible encombrement matériel, atteignant des performances de pointe sur des tâches de reconnaissance vocale et de calcul non linéaire.
Cet article propose une transition vers une pratique scientifique centrée sur les flux de travail pour surmonter les défis de reproductibilité croissants à l'ère de l'intégration entre le calcul haute performance classique et l'informatique quantique.
Les auteurs présentent un neurone supraconducteur programmable intégrant mémoire et plasticité à double échelle de temps, capable de fonctionner à 45 GHz avec une dissipation d'énergie au niveau du fémtojoule, ouvrant ainsi la voie à une informatique neuromorphique ultra-rapide et économe en énergie.
Cet article propose une amélioration du mélangeur hypercube contraint pour l'algorithme QAOA, réduisant le nombre de portes logiques pour une classe de problèmes d'optimisation combinatoire et augmentant ainsi la robustesse au bruit dans l'ère NISQ.
Cette étude démontre que, bien qu'une résolution de 8 bits soit suffisante pour les modulateurs optiques dans les machines d'Ising, l'utilisation d'une résolution de 1 bit améliore de manière surprenante les performances de ces solveurs sur divers problèmes d'optimisation.
Cet article de concept propose l'Adaptive Quantized Planetary Crater Detection System (AQ-PCDSys), une architecture intégrant un réseau de neurones quantifié et une fusion adaptative de capteurs pour permettre une détection de cratères planétaires en temps réel sur du matériel spatial aux ressources limitées.
Cet article explore l'utilisation de l'intrication multipartite et des qudits pour optimiser la mise en œuvre de portes globales dans le calcul quantique distribué, offrant ainsi des perspectives pour la compilation de circuits et la conception de centres de données quantiques.
Cette étude démontre expérimentalement l'apprentissage à l'échelle de réseaux de mémoires résistives en utilisant des algorithmes de type Forward-Forward et des mises à jour par impulsion unique inférieures à 1 V, permettant d'atteindre une précision compétitive avec une stabilité des modèles d'un mois et une consommation énergétique considérablement réduite par rapport aux méthodes traditionnelles.
Cet article présente deux approches, une formulation native pour les p-dits et des contraintes de champ moyen, qui restaurent la parcimonie des machines de Potts pour permettre une optimisation sous contraintes évolutive et accélérée sur du matériel probabiliste.
Cet article propose les dépôts de modules certifiés par des humains (HCMR) comme une nouvelle architecture fondamentale pour garantir la fiabilité et la traçabilité des systèmes logiciels assemblés par l'intelligence artificielle grâce à une combinaison de supervision humaine et d'analyse automatisée.
Cet article propose un nouveau paradigme pour l'apprentissage causal qui, en intégrant le crowdsourcing, l'expertise humaine et les modèles de langage, vise à reconstruire des structures causales globales à partir des connaissances fragmentées et imparfaites d'agents distribués.
Cet article présente un cadre de co-optimisation conjointe matériel-charge de travail basé sur un algorithme évolutionnaire pour concevoir des accélérateurs de calcul en mémoire généralisés, réduisant ainsi significativement le compromis performance-énergie entre les conceptions spécifiques à une charge de travail et les architectures polyvalentes.
Cette étude propose un cadre de simulation basé sur STIM pour définir les limites de défauts acceptables dans les codes de surface, démontrant que la présence de qubits défectueux ou d'une hétérogénéité de bruit ne compromet pas nécessairement le calcul logique et que la tolérance aux défauts doit être envisagée comme un spectre plutôt qu'une condition binaire.
Cet article propose une méthode de fusion de portes quantiques dans les chemins avant et arrière pour réaliser une simulation classique rapide et économe en mémoire de l'apprentissage automatique quantique, offrant des gains de débit significatifs et permettant l'entraînement de modèles à grande échelle sur des GPU grand public.