XiaoMi-AI文件搜索系统
World File Search System加速的
文章基于神经网络的锂离子电池老化模型在加速的C率
摘要：锂离子（锂离子）电池被广泛用于电动汽车（EV），因为它们的能量密度很高，自我释放率低和卓越的性能。尽管如此，锂离子电池的性能和可靠性变得至关重要，因为它们会因电荷增加和排放周期而失去容量。此外，由于排放量的负载变化，锂离子电池会在电动汽车中衰老。以各种排放速率监视电池周期寿命将使电池管理系统（BMS）能够实施控制参数以解决老化问题。在本文中，提出了电池寿命降解模型，以加速的电流速率（C率）。此外，提出了标准C率和C率之外的理想寿命放电率。在加速的C率上排放对电池循环寿命的结果得到了彻底研究。此外，通过基于深度学习算法的馈电神经网络（FNN）和具有长短期记忆（LSTM）层的经常性神经网络（RNN）研究了电池降解模型。对开发模型的性能进行了比较评估，并且表明LSTM-RNN电池老化模型与传统的FNN网络相比，在加速C速率方面具有出色的性能。
Qibo：一个具有硬件加速的量子模拟框架
摘要 我们介绍了 Qibo，这是一款新型开源软件，充分利用硬件加速器，用于快速评估量子电路和绝热演化。人们对量子计算日益增长的兴趣和量子硬件设备的最新发展推动了开发注重性能和使用简单性的新型先进计算工具。在这项工作中，我们引入了一个新的量子模拟框架，使开发人员能够将硬件或平台实现的所有复杂方面委托给库，以便他们可以专注于手头的问题和量子算法。该软件从头开始设计，以模拟性能、代码简单性和用户友好界面为目标。它利用硬件加速，如多线程中央处理单元 (CPU)、单图形处理单元 (GPU) 和多 GPU 设备。
补充说明 - 用激光加速的离子脉冲的硅缺陷工程
在补充图2中，我们与主要文本中图8的PL结果进行了补充，其中的SIMS深度剖面是碳，氧气和氢的样品，这些含量已接收了两种激光 - 离子脉冲。SIMS深度曲线是在PL光谱较早采集的样品中的同一区域中采用的。我们观察到质子辐照的G-中心横梁斑点区域外的质子辐射，该区域已被铝箔覆盖，A）。在碳浓度升高的区域中，我们看到的W-中心具有狭窄的线宽分布和G-Centers的分布扩展，b）。热预算和离子通量最高的区域显示W-Center合奏，线宽略有宽，c）。来自高通量区域（C）的SIMS轮廓的形状表明由于去角质的发作，表面粗糙度增加。
用于节能AI加速的集成硬件和软件边缘平台
实时AI处理申请：财务，制造，机器人技术，5G基础设施，智能城市，汽车，自动驾驶系统，Survellienace，Securitienace，Security and Defense。
随机晶格上的量子行走：扩散、局域化和参数量子加速的缺失
离散时间量子游动是经典随机游动的量子泛化，为凝聚态系统的量子信息处理、量子算法和量子模拟提供了框架。量子游动的关键特性是其量子信息应用的核心，与经典随机游动相比，量子游动在传播中可以实现参数量子加速。在这项工作中，我们研究了量子游动在渗透产生的二维随机晶格上的传播。在拓扑和平凡分步游动的大规模模拟中，我们在不同的时间尺度上确定了不同的预扩散和扩散行为。重要的是，我们表明，即使是任意弱的随机移除晶格位点浓度也会导致超扩散量子加速的完全崩溃，从而将运动降低为普通扩散。通过增加随机性，量子游动最终会由于 Anderson 局域化而停止扩散。在局域化阈值附近，我们发现量子游动变为亚扩散。量子加速的脆弱性意味着随机几何和图上的量子游动的量子信息应用将受到巨大限制。
对称硅微孔谐振器光学横杆阵列，用于加速的推理和训练
摘要：光子综合电路正在成为一个有前途的平台，用于加速深度学习中的矩阵乘法，利用光的固有平行性质。尽管已经提出并证明了各种方案是为了实现这种光子矩阵加速器，但由于在光子芯片上直接芯片后反向传播的困难，使用光子加速器对人工神经网络的原位培训仍然具有挑战性。在这项工作中，我们提出了一个具有对称结构的硅微孔谐振器（MRR）光学横杆阵列，该横梁允许简单的芯片反向传播，有可能使深度学习的推理和训练阶段加速。我们在Si-On-On-On-On-On-On-On-On-On-On平台上演示了一个4×4电路，并使用它来执行简单神经网络的推理任务，用于对虹膜花进行分类，从而达到了93.3％的分类精度。随后，我们使用模拟的芯片反向传播训练神经网络，并在训练后同一推理任务中达到91.1％的精度。此外，我们使用9×9 MRR横梁阵列模拟了卷积神经网络（CNN）进行手写数字识别，以执行卷积操作。这项工作有助于实现紧凑和节能的光子加速器进行深度学习。
快速DNA解开加速的基因组编辑，由工程CRISPR-CAS9鸡胚胎中的伤害感受，第一部分
。cc-by-nc-nd 4.0国际许可证（未获得同行评审证书）获得的是作者/资助者，他已授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本于2023年6月6日发布。 https://doi.org/10.1101/2023.04.14.14.536899 doi：Biorxiv Preprint
