XiaoMi-AI文件搜索系统
World File Search System台上
倾转旋翼机试验台上贝尔 699 旋翼的声学评估
2.1 旋翼机气动声学 ................................................................................................................ 19 2.1.1 飞机模式 ................................................................................................................ 20 2.1.2 直升机模式 ................................................................................................................ 22 2.1.3 过渡模式 ................................................................................................................ 25 2.2 旋翼机声学数据处理技术 ............................................................................................. 26 2.2.1 信号滤波 ................................................................................................................ 27 2.2.2 采样率 ................................................................................................................ 28 2.2.3 信号平均 ................................................................................................................ 28 2.2.4 声学图 ................................................................................................................ 29 2.2.5 距离校正 ................................................................................................................ 30 2.2.6 旋翼飞行器的声学指标 ................................................................................................ 32
FPGA SoC 平台上深度神经网络的时间可预测加速
摘要 — 本研究重点研究了在 FPGA 片上系统 (SoC) 上加速的深度神经网络 (DNN) 的时间可预测执行。本文考虑了 Xilinx 的现代 DPU 加速器。针对 Zynq Ultrascale+ 平台进行了广泛的分析活动，以研究 DPU 在加速一组用于高级驾驶辅助系统 (ADAS) 的最先进的 DNN 时的执行行为。基于分析，提出了一个执行模型，然后用于得出响应时间分析。还提出了一个名为 DICTAT 的定制 FPGA 模块，以提高 DNN 加速的可预测性并收紧分析界限。最后，基于分析界限和目标平台的测量结果，提供了一组丰富的实验结果，以评估所提出的方法在 ADAS 应用上的有效性和性能。
在倾转旋翼试验台上对贝尔 699 转子进行声学评估
40 : a) 直升机模式 ( μ = 0.125, C T /σ = 0.075, α s = 0°, M AT = 0.770), b) 过渡模式 ( μ = 0.125, C T /σ = 0.0493，α s = -45°，MAT = 0.767)，以及 c) 飞行模式 ( μ = 0.0328，C T /σ = 0.0549，α s = - 90°，MAT = 0.770）。................................................ . ……………………………… ...................... 49
用于设计聚合物-蛋白质混合物的机器人平台上的机器学习
并且在经常变性和非生物环境中保持稳定性。[1–5] 其中一种策略已导致甲苯中酶的活性保持长达数小时，[6] 该策略根据蛋白质表面化学定制随机共聚物的组成。原则上，共聚物可以精确设计来稳定任何给定的蛋白质而不影响活性。然而，无论是通过合理设计还是筛选，识别此类共聚物都具有挑战性，因为组合设计空间很大（例如，单体化学、链长、结构）。[7] 因此，适合用途的 PPH 可以促进无数应用——生物燃料生产、[8] 塑料降解、[9,10] 药物合成 [11]——但它们的稳健设计策略仍然难以捉摸。在过去十年中，机器学习 (ML) 极大地加速了跨学科的材料发现，[12–14] 使得更有效地识别具有目标特性的材料成为可能。 [12,15–20] 尽管如此，机器学习指导的共聚物设计受到多种因素的限制，包括训练模型所需的高质量数据的可用性。[7,21–24] 大多数聚合物数据库主要以均聚物为主，[25] 而聚合物合成和表征的繁琐性质严重限制了可“内部”检查的系统数量。[26] 因此，一些共聚物设计工作依赖于计算机生成的数据。[20,27,28] 同时，最近的实验工作使用流动反应器或并行批量合成器来提供适度的数据（<500 个样本）。[17,29,30] 更可扩展的方法将大大扩展设计用于 PPH 和其他材料应用的共聚物的能力。在这里，我们使用主动机器学习来快速设计共聚物，以与葡萄糖氧化酶（GOx）、脂肪酶（Lip）和辣根过氧化物酶（HRP）形成热稳定 PPH（图 1）。为了高效获取数据，我们使用自动化耐氧自由基聚合进行共聚物合成 [31,32]，并开发了一种简便的热稳定性测定法来表征 PPH。借助此平台以及对每种酶进行五次“学习-设计-构建-测试”循环，我们成功识别出具有显著酶活性的 PPH；这些 PPH 通常优于通过系统筛选 500 多种独特共聚物而获得的 PPH。值得注意的是，我们证明了我们的策略（利用主动机器学习）可以适当地调整数据采集以适应
年轻的中国用户对小苏平台上信息茧的敏感性
摘要。Xiaohongshu平台是一个最近开发的强大在线媒体平台。其使用算法推动信息的主要方法鼓励形成信息茧的形成。基于选择性暴露和回声室的类似研究，本研究开发了信息的暴露和接受机理。使用该平台的年轻用户作为代表，该研究旨在使用新的信息茧易感量表来测试用户的敏感性。量表分为六个维度，包括信息内容，信息渠道，信息态度稳定，信息干预，社交网络和算法素养。通过恢复和分析问卷，这项研究发现，中国年轻用户对小苏平台的敏感性通常很重要。特定的表现可能包括接触信息含量均质的信息内容，缺乏信息渠道的多样性，倾向于受到信息和与固定群体的长期沟通的影响以及个人算法较低的素养。结果可能表明，小熊用户对信息茧的抵抗力较低，并且受到它的影响。
用于在Kubernetes平台上微服务的预测资源扩展的机器学习
资源缩放是根据需求不断变化的需求调整分配给系统或服务的资源量的过程。对于微服务，可以在不同级别（例如容器，POD或群集）上进行资源缩放。但是，当前的资源缩放方法不够好，因为它们依赖于不考虑微服务的动态和复杂性质的反应性或基于规则的方法。这些方法通常会导致资源过度提供或欠缺，既影响服务质量和成本效率。为了解决这些问题，这项工作着重于测试多种机器学习方法，以优化Kuber-Netes平台的POD尺寸问题，通过预测高度尺寸的用户资源需求。所提出的方法旨在解决标准水平POD Autoscaler（HPA）的局限性，这通常会导致资源浪费或次优性能。结果是有希望的，并且表现出多种ML模型的高精度和性能，以准确预测未来的资源需求。
逻辑平台上氧化物半导体增益单元存储器的设计指南
摘要 — 我们为氧化物半导体 (OS) 晶体管提供自上而下和自下而上的设计指南，这些晶体管针对逻辑平台上的增益单元存储器进行了优化。利用高密度、高带宽的片上增益单元存储器，通过最大限度地减少对片外动态随机存取存储器 (DRAM) 的访问，深度神经网络 (DNN) 加速器的执行时间可缩短 51-66%。为了平衡保留时间和存储器带宽（自上而下），选择原子层沉积 (ALD) 氧化铟锡 (ITO) 晶体管（自下而上）。经实验优化的器件表现出低关态电流（V GS = -0.5 V 时为 2 × 10 -18 A/µ m）、良好的导通电流（电源 < 2 V 时为 26.8 µ A/µ m）、低亚阈值摆幅 (SS)（70 mV/dec）和良好的迁移率（27 cm 2 V -1 s -1）。利用优化后的器件，在28nm节点、V DD = 0.9 V条件下模拟了一个64行（WL）×256列（BL）的增益单元存储器宏。模拟结果表明，混合OS-Si增益单元存储器实现了0.98倍频率和3倍静态随机存取存储器（SRAM）密度，而OS-OS增益单元存储器预计以N层3-D堆叠在0.5倍频率和N乘以1.15倍SRAM密度下工作。
参考架构：联想 ThinkSystem 和 ThinkAgile 平台上的企业 AI/ML 工作负载
1 简介................................................................................................................................ 4 1.1 企业 AI ................................................................................................................................ 4 2 商业问题与商业价值 .......................................................................................................... 5 2.1 商业问题 ................................................................................................................................ 5
在集成光子平台上连续体中受对称保护的结合状态
摘要：连续体（BIC）中的结合状态在纳米光谱领域引起了很多关注，因为它们可以捕获光子而不会损失。最近，证明了在高RI平板结构上负载的低反射指数（RI）波导以支持BIC。但是，由于这些BIC的意外性质，需要严格控制结构参数。在这里，我们提出了一个新的结构，该结构由两个垂直耦合的波格式的波格式升压，该结构加载在高RI平板上。该结构支持对称性保护的BIC（SP-BIC），不需要严格控制几何参数。这样的SP-BIC还可以具有重分结构中的绝对高质量因素，可以利用其用于超翼带宽空间和光谱过滤器。我们的作品开辟了一种在实现纳米光子电路和设备的集成光子平台上利用BIC的新方法。
在秘鲁安第斯山脉Ancash地区气候变化期间与水曲台上的作物建模
秘鲁安第斯山脉农村农民经常有不稳定的生计，并且已经经历了比最近几十年的可预测天气状况。的目的是研究一个具有不确定气候未来的地区的水文和农业弹性（关于温度和降水量），我们在这里介绍了从使用Aquacrop软件来模拟农作物生长和随之而来的收获产量，从而在秘密和秘密的山谷中产生收获的产量，包括秘密和秘书的收获产量。使用RCP2.6＆RCP8.5区域气候模型（RCMS）以0.22度的空间分辨率提出了1970 - 2099年（气候变化期间的历史与未来）（在气候变化期间的历史与未来）。我们选择了从CMIP5 GCMS动态降低的CORDEX RCM数据，而不是Chelsa统计上缩减的数据，因为Cordex RCM数据的降低尺度会产生更局部的气候平均值，这与可变的平台更加一致。cordex RCM模型数据随后被偏向于1981 - 2005年的ANCASH地区（包括Yungay and Aija）的每月chirps降水和每月ECMWF ERA-INTERIM温度极端。对于我们建模的各种农作物（玉米/玉米，土豆，干豆，藜麦，小麦），我们发现了重要的年际