60 articoli
Questo studio utilizza un approccio di ingegneria dei sistemi basato su modelli, impiegando la Modellazione della Variabilità Ortogonale e il linguaggio SysML, per analizzare l'evoluzione delle architetture di rete per la distribuzione quantistica di chiavi e proporre un framework guidato dalla variabilità che ne faciliti lo sviluppo sistematico e la riutilizzabilità futura.
Questo studio presenta un sistema innovativo basato sulla visione artificiale e sull'analisi della posizione laterale per classificare in tempo reale comportamenti di guida pericolosi, come distrazione e alterazione, osservando i veicoli dall'esterno senza necessità di comunicazioni inter-veicolari.
Questo studio dimostra che, sebbene le macchine Ising stocastiche presentino tempi di autocorrelazione più lunghi per i modelli di Heisenberg quantistici, il loro massiccio parallelismo hardware promette un'accelerazione di 100-10.000 volte rispetto ai metodi di campionamento tradizionali, offrendo così grandi opportunità per la simulazione di sistemi quantistici complessi su larga scala.
Questo studio presenta un approccio sistematico ai "facili problemi" della coscienza, dimostrando come un sistema cognitivo eseguibile, fondato sulla conoscenza concettuale kantiana, possa derivare meccanismi come discriminazione, attenzione e controllo deliberato attraverso l'apprendimento e gli stati emotivi, spiegando anche la differenza tra veglia e sonno.
Gli autori presentano un nuovo codice di correzione d'errore quantistico per qutrit che implementa trasversalmente la porta logica AND, sfruttando una connessione tra decomposizioni di circuiti simmetrici e codici CSS per costruire codici concatenati e protocolli per la distillazione di stati magici.
Questo lavoro dimostra che, sebbene lo schermatura elettromagnetica riduca le emissioni radiative, non impedisce il rilevamento di comportamenti di esecuzione tramite sonde attive a radiofrequenza che sfruttano le variazioni di impedenza riflessa.
Gli autori presentano e dimostrano sperimentalmente la Spectral Dynamics Reservoir Computing (SDRC), un framework hardware-efficient basato su filtraggio analogico e rilevamento di inviluppo che sfrutta la dinamica spettrale delle onde di spin per raggiungere prestazioni all'avanguardia in compiti di calcolo e riconoscimento vocale, superando i limiti architetturali delle tradizionali implementazioni fisiche.
Questo articolo analizza le sfide della riproducibilità scientifica nell'era dell'integrazione tra calcolo classico (HPC) e quantistico, proponendo un approccio centrato sui flussi di lavoro che documenti sia le astrazioni dei processi che i contesti implementativi per superare le limitazioni degli attuali framework e costruire una base più robusta per la conoscenza scientifica.
Gli autori presentano un neurone superconduttore programmabile basato su giunzioni Josephson che integra memoria, plasticità a doppia scala temporale e calcolo in memoria, permettendo reti neurali a impulsi ad altissima velocità ed efficienza energetica.
Questo lavoro presenta un mixer ipercubico vincolato migliorato per l'algoritmo QAOA che, riducendo il numero di porte logiche per una vasta classe di problemi di ottimizzazione vincolata, aumenta la robustezza al rumore e le prestazioni nell'era dei computer quantistici NISQ.
Lo studio dimostra che, sebbene una risoluzione di 8 bit sia sufficiente per le macchine di Ising ottiche, l'uso di un modulatore a 1 bit migliora sorprendentemente le prestazioni su tutti i problemi di benchmark considerati.
Questo documento concettuale propone l'Adaptive Quantized Planetary Crater Detection System (AQ-PCDSys), un'architettura che integra reti neurali quantizzate e fusione adattiva di sensori per abilitare il rilevamento in tempo reale dei crateri planetari su hardware spaziale con risorse computazionali e energetiche estremamente limitate.
Questo articolo esplora l'uso di risorse di entanglement multipartito e qudit a quattro dimensioni per implementare efficientemente operazioni di fan-out e porte globali in un contesto di calcolo quantistico distribuito, offrendo implicazioni per la compilazione di circuiti e la progettazione di data center quantistici.
Questo studio dimostra sperimentalmente l'apprendimento on-chip su array di memristori HfOx/Ti di grandi dimensioni utilizzando algoritmi forward-only e aggiornamenti a singolo impulso sub-1 V, ottenendo un'accuratezza comparabile alla retropropagazione con stabilità di un mese e un consumo energetico drasticamente ridotto.
Questo articolo presenta un approccio ibrido che combina una formulazione nativa per p-dit e vincoli di campo medio per ridurre la densità dei grafi nelle macchine di Potts, permettendo un'implementazione FPGA efficiente che accelera drasticamente l'ottimizzazione vincolata rispetto ai solver CPU.
Questo lavoro introduce i Repository di Moduli Certificati Umanamente (HCMR) come un nuovo modello architetturale che combina supervisione umana e analisi automatizzata per garantire la fiducia e l'affidabilità dei sistemi software assemblati dall'intelligenza artificiale.
Questo articolo propone un nuovo paradigma per l'apprendimento causale che integra piattaforme di crowdsourcing, modelli di esperti umani e agenti LLM in un framework distribuito per sintetizzare conoscenze frammentarie e ricostruire strutture causali globali altrimenti irraggiungibili.
Questo lavoro presenta un framework di co-ottimizzazione hardware-carico di lavoro basato su un algoritmo evolutivo ottimizzato per progettare acceleratori di calcolo in memoria (IMC) generalizzati che riducono significativamente il divario prestazionale tra soluzioni specifiche per carico e quelle adattabili a più modelli neurali.
Questo studio introduce un framework di simulazione basato su STIM per definire i "limiti di difettosità accettabile" (BADs) nei codici di superficie, dimostrando che qubit con errori fisici fino a 0,75 possono essere tollerati senza degradare significativamente la computazione logica, suggerendo così che l'eterogeneità del rumore nei processori quantistici debba essere considerata come uno spettro continuo piuttosto che come una condizione binaria.
Questo articolo propone un metodo di fusione dei gate quantistici nei percorsi in avanti e all'indietro per la simulazione classica dell'apprendimento quantistico che migliora significativamente il throughput e riduce l'uso della memoria, rendendo fattibile l'addestramento di modelli quantistici su larga scala su GPU consumer.