XiaoMi-AI文件搜索系统
World File Search System台上
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。
舞台上表演/观看人工智能
在过去的二十年中，我们观察到人工智能算法作为表演工具的实验。从早期的测试（主要是在大学实验室进行的）到首次公开表演，这种实践已经产生了足够的证据来考虑其影响，无论是从设计的角度还是从接受的角度。计算机科学家已经使用表演和戏剧来测试人工智能的潜力。艺术家们已经使用人工智能来表达对存在和非肉身性的新批评。随着机器人在我们社会中的重要性日益提高，它们在舞台上迈出了第一步；人工智能代理已经与演员对话；一些算法已经管理了互动表演中参与者之间的互动。因此，我们可以预见到剧院中一种新的多面实践，这可能会进一步影响现场活动的概念。然而，对这种实践的分析不仅与创作者有关，而且可能从观众体验的角度开启新的思考。 “此时此地”的概念将表演美学实例化为表演者和观众之间的关系，我们或许可以根据算法的人工机构重新考虑这一概念。
高性能P-i-n光电探测器在GE-ON-INSULATOR平台上
1 CAS关键实验室，中国科学技术大学，中国Hefei 230026； zhaoxuewei@ime.ac.cn（X.Z. ）; haiouli@ustc.edu.cn（H.L. ）; gpguo@ustc.edu.cn（G.G.） 2微电子设备和综合技术的主要实验室，中国科学院微电子学院，中国北京100029； linhongxiao@ime.ac.cn（H.L. ）; duyong@ime.ac.cn（Y.D. ）; kongzhenzhen@ime.ac.cn（Z.K. ）; sujiale@ime.ac.cn（J.S. ）; lijunjie@ime.ac.cn（J.L。 ）; xiongwenjuan@ime.ac.cn（W.X。） 3中国科学院微电子学院，中国北京100049，4北方大湾地区综合巡回赛和系统研究与发展中心，中国综合巡回赛和系统研究所，中国510535，中国。 luoxue@giics.com.cn 5电子设计系，瑞典中部，霍尔姆加坦10，85170 Sundsvall，瑞典 *通信：wangguilei@ime.ac.ac.cn（G.W. ）; miaoyuanhao@ime.ac.cn（Y.M. ）; rad@ime.ac.cn（H.H.R.）1 CAS关键实验室，中国科学技术大学，中国Hefei 230026； zhaoxuewei@ime.ac.cn（X.Z.）; haiouli@ustc.edu.cn（H.L.）; gpguo@ustc.edu.cn（G.G.）2微电子设备和综合技术的主要实验室，中国科学院微电子学院，中国北京100029； linhongxiao@ime.ac.cn（H.L.）; duyong@ime.ac.cn（Y.D.）; kongzhenzhen@ime.ac.cn（Z.K.）; sujiale@ime.ac.cn（J.S.）; lijunjie@ime.ac.cn（J.L。）; xiongwenjuan@ime.ac.cn（W.X。）3中国科学院微电子学院，中国北京100049，4北方大湾地区综合巡回赛和系统研究与发展中心，中国综合巡回赛和系统研究所，中国510535，中国。 luoxue@giics.com.cn 5电子设计系，瑞典中部，霍尔姆加坦10，85170 Sundsvall，瑞典 *通信：wangguilei@ime.ac.ac.cn（G.W. ）; miaoyuanhao@ime.ac.cn（Y.M. ）; rad@ime.ac.cn（H.H.R.）3中国科学院微电子学院，中国北京100049，4北方大湾地区综合巡回赛和系统研究与发展中心，中国综合巡回赛和系统研究所，中国510535，中国。 luoxue@giics.com.cn 5电子设计系，瑞典中部，霍尔姆加坦10，85170 Sundsvall，瑞典 *通信：wangguilei@ime.ac.ac.cn（G.W.）; miaoyuanhao@ime.ac.cn（Y.M.）; rad@ime.ac.cn（H.H.R.）
![用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。](/simg/d/d0b24e3de4e984953fcbe1080336ba472eefd4f9.png)
用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。
用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。
国际舞台上的崛起以及巴西最近的辩论
巴西的经济辩论最近因现代货币理论 (MMT) 的思想而动摇。在此之前，只有少数经济学家在学术领域了解和讨论 MMT。但安德烈·拉拉·雷森德 (André Lara Resende) 于 2019 年 3 月至 8 月在巴西主要商业报纸 Valor Econômico 上发表的一系列文章将这场辩论推向了学术界之外。在这组文章中，后来成为他的新书 (Resende, 2020) 的一部分，拉拉·雷森德 (Lara Resende) 提出了 MMT 的核心思想——货币作为记账单位，货币作为国家发行的债务，之所以被接受，是因为需要它来纳税——然后债务被赎回。由于货币是记账单位，而不是具有内在价值的“东西”，国家没有财政约束，只有“现实约束”。安德烈·拉拉·雷森德 (André Lara Resende) 毕业于里约热内卢天主教大学 (PUC-RJ) 经济学专业，并在麻省理工学院获得博士学位，是巴西著名的经济学家。 20 世纪 80 年代，当巴西面临极高的通胀时期时，他与一些经济学家一起提出了通货膨胀具有主要惯性成分的观点，即所谓的“惯性通胀理论” 1 ，对当时主流应对通胀的方法和政策提出了挑战。1986 年，拉拉·雷森德被任命为巴西中央银行公共债务和货币政策主任。1994 年，他成为雷亚尔计划团队成员，该计划旨在并成功对抗巴西的高通胀。基于通胀具有惯性的假设，有必要将本国货币与外国货币挂钩。1998 年，他被任命为巴西国家开发银行 (BNDES) 行长。离开 BNDES 后，拉拉·雷森德称自己为“退休经济学家”（Resende，2020 年）。但据他所说，2008 年危机后情况发生了变化，从 2013 年到 2020 年，拉拉·雷森德出版了四本书。最后一本《共识与对立：我经济不是教条》是他接受 MMT 思想的一本书。MMT 是最近才由拉拉·雷森德在巴西公开辩论中提出的，它源自一群非正统经济学家多年来所做的工作
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
俄罗斯的人工智能战略：国有企业的作用 2020 年 11 月 作者：Stephanie Petrella、Chris Miller 和 Benjamin Cooper 摘要：2017 年，俄罗斯总统弗拉基米尔·普京宣布，无论哪个国家成为人工智能 (AI) 的领导者，“都将成为世界的统治者”。然而，俄罗斯在人工智能能力方面远远落后于中国和美国等竞争对手。俄罗斯促进人工智能技术发展的战略是什么？俄罗斯精英群体在制定这一战略方面扮演什么角色？俄罗斯的人工智能发展战略的独特之处在于，它不是由政府或私营部门主导，而是由国有企业主导。政府对俄罗斯最大的科技公司 Yandex 的不信任，使该公司被排除在国家人工智能规划之外。与此同时，俄罗斯国防集团 Rostec 公开表示，它更关注其他高科技优先事项，而不是人工智能。因此，俄罗斯的人工智能开发被交给了国有银行 Sberbank，该银行牵头制定了政府支持的人工智能投资计划。俄罗斯联邦总统弗拉基米尔·普京在 2017 年宣称，无论哪个国家成为人工智能 (AI) 的领导者，“都将成为世界的统治者”。1 对于普京来说，人工智能带来的广泛能力为增强国家在国际舞台上的实力提供了可能性。人工智能可用于提高军事能力、推进科学和医学发展以及提高工业效率。普京宣称，俄罗斯军方正试图利用人工智能，用“现代武器系统，包括基于数字技术和人工智能的武器系统”取代旧式武器系统。2 尽管官员们大肆宣扬人工智能的好处，但俄罗斯在人工智能能力方面的许多指标都远远落后于其他国家。从 1996 年到 2017 年，俄罗斯的人工智能能力远远落后于其他国家。
俄罗斯的人工智能战略：国有企业的作用 2020 年 11 月 作者：Stephanie Petrella、Chris Miller 和 Benjamin Cooper 摘要：2017 年，俄罗斯总统弗拉基米尔·普京宣布，无论哪个国家成为人工智能 (AI) 的领导者，“都将成为世界的统治者”。然而，俄罗斯在人工智能能力方面远远落后于中国和美国等竞争对手。俄罗斯促进人工智能技术发展的战略是什么？俄罗斯精英群体在制定这一战略方面扮演什么角色？俄罗斯的人工智能发展战略的独特之处在于，它不是由政府或私营部门主导，而是由国有企业主导。政府对俄罗斯最大的科技公司 Yandex 的不信任，使该公司被排除在国家人工智能规划之外。与此同时，俄罗斯国防集团 Rostec 公开表示，它更关注其他高科技优先事项，而不是人工智能。因此，俄罗斯的人工智能开发被交给了国有银行 Sberbank，该银行牵头制定了政府支持的人工智能投资计划。俄罗斯联邦总统弗拉基米尔·普京在 2017 年宣称，无论哪个国家成为人工智能 (AI) 的领导者，“都将成为世界的统治者”。1 对于普京来说，人工智能带来的广泛能力为增强国家在国际舞台上的实力提供了可能性。人工智能可用于提高军事能力、推进科学和医学发展以及提高工业效率。普京宣称，俄罗斯军方正试图利用人工智能，用“现代武器系统，包括基于数字技术和人工智能的武器系统”取代旧式武器系统。2 尽管官员们大肆宣扬人工智能的好处，但俄罗斯在人工智能能力方面的许多指标都远远落后于其他国家。从 1996 年到 2017 年，俄罗斯的人工智能能力远远落后于其他国家。
研究文章神经模型在智能医疗平台上窃取对智能移动设备的攻击
迄今为止，由于其便利性和实用性，已经认可并广泛使用了物联网（MIOT）技术。MIOT使机器学习能够自动准确地预测各种疾病，从而有助于和促进有效和有效的医疗治疗。但是，MIOT容易受到一直在不断发展的网络攻击。在本文中，我们建立了一个Miot平台，并展示了一种场景，其中训练有素的卷积神经网络（CNN）模型可以攻击肺癌与肺栓塞复杂化的肺癌。首先，我们使用CNN构建模型来预测肺癌与肺栓塞复杂化并获得高检测精度。然后，我们仅使用目标网络标记的少量数据构建模型模型，旨在窃取已建立的预测模型。实验结果证明，被盗模型还可以实现相对较高的预测结果，表明模仿网络可以在很大程度上成功将预测性能从目标网络复制。这还表明，部署在MIOT设备上的这种预测模型可能会被攻击者偷走，而有效的预防策略是研究人员的开放问题。
