本材料基于美国防部与卡内基梅隆大学签订的合同资助和支持工作。

目标:我们的目标是量子优势(QA);我们希望比其他任何替代方案(如经典的SOTA)更快、更高质量地解决美国防部的实际问题。

行动:确定哪些应用程序最有可能开发 QA 以及何时“准备好”。

合作:我们正在 CMU 开发 QuantumHub,在那里我们可以使用量子软件和模拟工具,并为研究人员提供工作空间

成为VIP会员查看完整内容
26

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
《美国防部对抗性机器学习》34页slides,卡内基梅隆大学
专知会员服务
64+阅读 · 2022年11月12日
《深度伪造真的是安全威胁吗?》CMU 2022最新43页slides
专知会员服务
25+阅读 · 2022年10月31日
《用于深度伪造检测的机器学习》CMU  2022最新44页slides
专知会员服务
28+阅读 · 2022年10月21日
《通信和导航中的优化算法设计》美国空军研究实验室
专知会员服务
36+阅读 · 2022年8月19日
1407页ppt!图宾根大学最新《统计机器学习》教程
专知会员服务
96+阅读 · 2022年5月8日
【课程】概率图模型,卡内基梅隆大学邢波
专知会员服务
69+阅读 · 2019年11月4日
RecSys2022 | 当推荐系统遇到量子计算
机器学习与推荐算法
1+阅读 · 2022年9月21日
国家自然科学基金
14+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2022年11月11日
Arxiv
0+阅读 · 2022年11月9日
Arxiv
18+阅读 · 2020年10月9日
Learning from Few Samples: A Survey
Arxiv
77+阅读 · 2020年7月30日
Attentive Graph Neural Networks for Few-Shot Learning
Arxiv
40+阅读 · 2020年7月14日
已删除
Arxiv
32+阅读 · 2020年3月23日
VIP会员
相关基金
国家自然科学基金
14+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员