【中科院院士郑志明：Web 3.0有望创造性解决互联网数据权属和价值表达等关键问题】

【中科院院士郑志明：Web3.0有望创造性解决互联网数据权属和价值表达等关键问题】2023年09月18日04点38分老不正经报道，中国科学院郑志明院士在“2023Web3.0创新大赛”上表示，Web3.0作为新一代互联网生态演进的重要方向，有望创造性解决互联网数据权属和价值表达等关键问题。区块链、隐私计算、人工智能三大技术是Web3.0的核心技术。作为支撑Web3.0可信安全底座，区块链和隐私计算领域面临诸多挑战，需要突破区块链系统安全、动态自适应技术、非可信环境下的隐私计算技术、超大规模、超高效率安全可信应用网络等关键技术。

中科院院士段路明团队在量子研究领域取得重要突破 《自然》官网发表

中科院院士段路明团队在量子研究领域取得重要突破《自然》官网发表段路明院士（右一）指导学生实验。清华大学供图研究团队介绍，离子阱系统被认为是最有希望实现大规模量子模拟和量子计算的物理系统之一，多个实验验证了离子量子比特的高精密相干操控，该系统的规模化被认为是主要挑战。清华段路明研究组利用低温一体化离子阱技术和二维离子阵列方案，大规模扩展离子量子比特数，提高离子阵列稳定性，首次实现512离子二维阵列的稳定囚禁和边带冷却，并首次对300离子实现可单比特分辨的量子态测量。研究人员进而利用300个离子量子比特实现可调耦合的长程横场伊辛模型的量子模拟计算。长程横场伊辛模型，是一类重要的量子多体模型，有助于理解量子信息、凝聚态物理等领域的基本问题，也可用于求解优化问题等现实应用。该工作实现了国际上最大规模具有单比特分辨率的多离子量子模拟计算，将该研究组保持的离子量子比特数国际记录（61离子），往前推进了一大步，首次实现基于二维离子阵列的大规模量子模拟。研究人员还对该模型的动力学演化进行量子模拟计算，300个离子量子比特同时工作时，所能执行的计算复杂度达到2的300次方，超越经典计算机的直接模拟能力。该实验系统为进一步研究多体非平衡态量子动力学这一重要难题提供了强大的工具。...PC版：https://www.cnbeta.com.tw/articles/soft/1432967.htm手机版：https://m.cnbeta.com.tw/view/1432967.htm

澎湃新闻 | 法学教授的一次维权

人脸识别的侵入性强，并且具有非接触性。像指纹、身份证信息，我们也经常在其他地方录入，但仅根据指纹无法快速地追踪到个人，人脸识别却可以。如果每天需要数百次地录入指纹，我们肯定会反感，但人脸信息可能在我们根本不知情的情况下，每天被捕捉、识别达数百次。 如果别人用你的人脸数据，开通相关账户用于违法犯罪，比如洗钱、涉黑、恐怖主义，你可能会因此而卷入刑事诉讼之中。像利用换脸技术，将你的人脸信息用于淫秽色情等视频中，由此造成的恶劣影响，根本不是抓到相关的违法犯罪分子就可以消除的。 我们每个人都是公众中的一部分。我们的人身或财产权利受到侵害，本身就意味着公共安全受到了威胁。所以，不能简单将人脸识别技术所涉及的法律问题，归结为个人隐私保护与公共安全之间的紧张。

可穿戴设备可为澳大利亚军队检测生物和化学威胁

可穿戴设备可为澳大利亚军队检测生物和化学威胁健身追踪器和智能手表等可穿戴设备收集各种健康数据，包括身体活动、心率、血氧水平、血压、睡眠和皮肤温度。现在，科学家们正寻求利用这些数据来确保澳大利亚军队成员的健康。南澳大利亚大学（UniSA）的研究人员正在领导一个项目，以确定由智能手表和可穿戴设备收集的健康数据是否能使部队在保护他们免受生物和化学战威胁方面获得优势。他们已经与澳大利亚国防部、InsightViaArtificialIntelligence公司和阿德莱德大学合作。这些设备持续监测健康的能力是吸引研究人员考虑将其作为确保军事人员健康的一种潜在方式。这也归结为一个成本问题，因为检查感染的传统方法既昂贵又费时。南澳大学的首席研究员SiobhanBanks说："大多数诊断方法涉及抽血或鼻液来检测导致感染的病原体。这种方法成本高、耗时长，而且需要实验室进行分析。消费者可穿戴设备持续测量生命体征，包括心率、皮肤温度和睡眠，为每个人创建巨大的数据集。作为免疫反应的一部分，这些参数的变化在感染后发生得非常快。"由于表明感染的生命体征变化通常发生在症状之前，研究人员说他们可以利用这些数据来更快地治疗感染。"如果我们能够利用这种被动记录的数据来检测最早的分子和细胞生理事件，由病原体暴露引起的，甚至在主动感染之前，会怎么样？"Banks说。研究人员计划开发一种机器学习算法来检测感染的早期迹象，由设备收集的数据"教导"。该项目将使用一个与可穿戴设备和智能手机应用程序相连接的云服务。该算法将识别不规则的读数，并根据人们的健康状况进行分组。研究人员说，除了确保军事人员适合执勤外，所收集的信息在早期检测接触生物或化学武器时将特别有用。...PC版：https://www.cnbeta.com.tw/articles/soft/1365239.htm手机版：https://m.cnbeta.com.tw/view/1365239.htm

机器学习技术开始试图预测罕见的灾难性事件 如地震或大流行病

机器学习技术开始试图预测罕见的灾难性事件如地震或大流行病然而，来自布朗大学和麻省理工学院的一组科学家表明，这不一定是这样的。在《自然-计算科学》上发表的一项研究中，研究人员解释了他们如何利用需要较少数据进行准确预测的统计算法，并与布朗大学开发的机器学习技术相结合。这种结合使他们能够在缺乏历史数据的情况下预测罕见事件的情景、概率甚至是时间线。这样做，研究小组发现，这个新的框架可以提供一种方法来规避传统上这些类型的计算所需要的大量数据，而基本上将预测罕见事件的巨大挑战归结为质量大于数量的问题。"你必须意识到这些是随机事件，"布朗大学应用数学和工程系教授、研究报告作者乔治-卡尔尼亚达基斯说。"像COVID-19这样的大流行病的爆发，墨西哥湾的环境灾难，地震，加利福尼亚的巨大野火，30米高的海浪掀翻了一艘船……这些都是罕见的事件，由于它们是罕见的，我们没有大量的历史数据。我们没有足够的过去的样本来预测它们在未来的发展。我们在论文中解决的问题是。什么是我们可以使用的最佳数据，以尽量减少我们需要的数据点的数量？"研究人员在一种称为主动学习的顺序采样技术中找到了答案。这些类型的统计算法不仅能够分析输入它们的数据，更重要的是，它们可以从信息中学习，标记新的相关数据点，这些数据点对正在计算的结果同样重要，甚至更重要。在最基本的层面上，它们允许用更少的钱做更多的事。这对研究人员在研究中使用的机器学习模型至关重要。该模型被称为DeepOnet，是一种人工神经网络，它使用连续层中相互连接的节点，大致模仿人脑中神经元的连接。DeepOnet被称为深度神经算子。它比典型的人工神经网络更先进、更强大，因为它实际上是两个神经网络合一，在两个平行网络中处理数据。这使它能够以极快的速度分析巨大的数据集和场景，一旦它学会了它所寻找的东西，就能吐出同样巨大的概率集。这个强大的工具的瓶颈，特别是在涉及到罕见事件时，是深度神经操作者需要大量的数据来训练，以进行有效和准确的计算。在论文中，研究团队表明，结合主动学习技术，DeepOnet模型可以得到训练，了解要寻找哪些参数或前兆，导致有人正在分析的灾难性事件，即使没有很多数据点。Karniadakis说："主旨不是把每一个可能的数据都放进系统，而是主动寻找将标志着罕见事件的事件，我们可能没有很多真实事件的例子，但我们可能有那些前兆。通过数学，我们识别它们，它们与真实事件一起将帮助我们训练这个数据饥渴的运算装置。"在论文中，研究人员将该方法应用于确定大流行期间危险尖峰的参数和不同的概率范围，寻找和预测"流氓波浪"，以及估计一艘船何时会因压力而裂成两半。例如，对于流氓波浪--大于周围波浪大小两倍的波浪--研究人员发现他们可以通过观察可能的波浪条件来发现和量化无赖波何时形成，这些波浪随着时间的推移非线性地相互作用，导致波浪有时是其原始大小的三倍。研究人员发现他们的新方法优于更多的传统建模工作，他们认为它提出了一个框架，可以有效地发现和预测各种罕见事件。在论文中，研究小组概述了科学家应该如何设计未来的实验，以便他们能够最大限度地降低成本并提高预测的准确性。例如，Karniadakis已经在与环境科学家合作，使用这种新方法来预测气候事件，如飓风。这项研究由麻省理工学院的EthanPickering和ThemistoklisSapsis领导。DeepOnet是由Karniadakis和其他布朗研究人员在2019年推出的。他们目前正在为该技术申请专利。这项研究得到了国防高级研究计划局、空军研究实验室和海军研究办公室的资金支持。...PC版：https://www.cnbeta.com.tw/articles/soft/1341361.htm手机版：https://m.cnbeta.com.tw/view/1341361.htm