XiaoMi-AI文件搜索系统
World File Search System多核
多核/多核SoC（MCSOC-2024）
该研讨会深入研究了新兴技术与可持续性的交集，强调了它们在当前嵌入式系统和人工智能（AI）时代的至关重要的作用。会议上有四篇开创性论文。第一篇论文“集成了无线高级技术和基于Android的移动应用程序以增强肢体的延长”，探讨了无线技术和移动应用程序的创新应用以改善医疗程序，尤其是在骨科治疗中。接下来，“利用Genai工具的力量：评估响应作为学习方法”，研究了生成AI工具在增强教育方法和学习成果方面的潜力。第三篇论文“电动传动系统中热管理的优化策略：提高性能和寿命”，重点介绍可持续策略，以优化电动汽车传动系统中的热管理，这对于改善其性能和延长其寿命至关重要。最后，“心脏病学的人工智能”在心脏病学领域提出了尖端的AI应用，强调了AI如何彻底改变心脏病的诊断和治疗。这些论文共同展示了新兴技术与可持续实践相结合时如何显着影响并推动嵌入式系统和AI的进步。
基于脑电图的多核情绪识别...
摘要：基于脑电信号的情绪识别应用范围广泛且具有巨大的潜在价值，近年来受到学术界和工业界越来越多的关注。同时，多核学习（MKL）也因其数据驱动的便捷性和较高的准确率受到研究者的青睐。然而，MKL在基于脑电信号的情绪识别中的研究很少。因此，本文致力于探索MKL方法在脑电情绪识别领域的应用，推动MKL方法在脑电情绪识别中的应用。为此，我们提出了一种基于MKL算法EasyMKL的支持向量机（SVM）分类器，以探讨MKL算法在基于脑电信号的情绪识别问题中的可行性。我们设计了两种数据划分方法，随机划分以验证MKL方法的有效性，顺序划分以模拟实际应用。然后，基于常用数据集上海交通大学情绪脑电数据集（SEED），针对中性、消极和积极情绪进行了三分类实验，随机划分和顺序划分的平均分类准确率分别为92.25%和74.37%，比传统的单核SVM有更好的分类性能。最终结果表明MKL方法明显有效，MKL在脑电情绪识别中的应用值得进一步研究。通过对实验结果的分析发现，对对称电极上的特征进行简单的数学运算并不能有效融合脑电信号的空间信息以获得更好的性能，同时也证实了高频段信息与情绪状态的相关性更高，对情绪识别的贡献更大。综上所述，本文探索了MKL方法在脑电情绪识别领域的研究，为基于脑电的情绪识别研究提供了一种新的思路。
利用量子多核学习方法
我们提出了一种采用多个内核的量子投影学习 (QPL) 的理论分析，并通过表征误差分析突出其优势。在先前使用单个基于量子内核的方法的研究基础上，我们进一步研究了一种结合多个高斯内核的量子投影框架，用于低资源口头命令识别。我们的实证结果与我们的理论见解一致，表明基于多个内核的方法可以进一步提高 QPL 的性能。通过利用量子到经典的投影输出嵌入，我们将其与原型网络相结合以进行声学建模。当使用 CommonVoice 中的阿拉伯语、楚瓦什语、爱尔兰语和立陶宛语低资源语音进行评估时，我们提出的方法比循环神经网络和基于单个内核的分类器基线平均高出 +5.28%。
针对英特尔® 多核处理器优化的系统
图 1 显示了认证航空电子系统时涉及的多个级别。通过编制适航性证据包（包括整个堆栈中的组件），供应商、OEM 和系统架构师可以更轻松地获得完整解决方案的认证。Wind River 航空航天和国防市场部门总监 Alex Wilson 解释说：“所有内容都通过每个部分的文档向上流动，因此在系统级别，您必须创建一套系统范围的安全文档。这可能会分解为不同的子系统，但最终，每个子系统都会经过测试，每个集成都会经过测试。并且，根据级别，如果您是 A 级 [DO-254 DAL A]，则必须进行独立测试和独立检查。你必须有一组与编写软件的人不同的人，然后你还必须有另一组人来检查一切是否正确完成。”
多核量子处理器的互连织物
近年来，我们目睹了量子技术的积极发展。如今，嘈杂的中等规模量子（NISQ）ERA中的技术[2]，人们可以在其中构建中间尺度的量子设备并使用大量数据进行复杂的实验（例如，请参见[3]）。在长期的未来中，我们预计将出现大规模，通用和耐断层的量子设备。量子技术与现有的经典数据科学和机器学习的结合可能使我们能够解决科学和行业中更具挑战性的问题。数据中心[4]是处理大规模数据的专用硬件的集合。除了从1940年代的大型计算机室（以ENIAC为代表）的悠久历史，数据中心还经历了互联网时代的复兴，以及云计算的兴起[5]。因此，我们期望应自然开发量子版本的数据中心，以满足即将到来的量子时代可能的大规模数据处理需求。我们的量子版本的数据中心需要在这种量子时代的信息科学中具有广泛的应用，包括量子计算[2]，[6] - [8]，量子通信[9] - [15]和量子传感[16] - [18]。这样的量子雅应该有哪种硬件形式？在这里，我们提出了量子数据中心（QDC）的概念[1]。我们指出，任何QDC都应包括两个自然部分：量子随机访问存储器（QRAM）[19] - [27]和量子网络[12]，[14]，[15]，[15]，[28] - [33]。我们认为QRAM的组合QRAM是一种量子记忆的特定类型，允许量子地址和输出的叠加，而量子网络则促进了量子量处理器之间跨物理距离之间的量子处理器之间的信息传输。
在基于NOC的多核中与外围设备的安全通信
摘要 - 芯片上的许多核心系统（MCSOC）包含操作元素（PES），系统附加到系统的外围设备以及连接它们的NOC。这些系统具有不同的流动，遍历了NOC：PE-PE和PE-PERPHERAL流动。恶意硬件或软件可能会因为资源共享功能而阻碍系统安全性，例如用于多任务处理的CPU共享或共享属于不同应用程序的流量的NOC链接。将应用程序隔离为安全限制（例如安全区域（SZ））的方法保护PE-PE流动与文献中报告的大多数攻击。提出的提案用文献中与外围设备进行通信的方法很少，其中大多数都集中在共享内存保护上。本文介绍了一种原始方法，使用访问点-SEMAP的安全映射，该方法为SZS创建映射策略，以及与IO设备的沟通策略，以保护PE-外布流。结果表明，应用程序执行时间不会通过应用SEMAP来惩罚，与最新方法相比，具有优势。在安全性方面，SEMAP成功抵抗了攻击活动，阻止了试图进入SZ的恶意数据包。索引项 - 确定性，基于NOC的多核，安全区域，外围设备。
用于精神分裂症识别的多核胶囊网络
摘要 — 精神分裂症严重影响生活质量。迄今为止，简单（例如线性判别分析）和复杂（例如深度神经网络）机器学习方法都已用于基于功能连接特征识别精神分裂症。现有的简单方法需要两个独立的步骤（即特征提取和分类）来实现识别，这使得无法同时调整以获得最佳特征提取和分类器训练。复杂方法集成了两个步骤，可以同时调整以实现最佳性能，但这些方法需要大量的数据进行模型训练。为了克服上述缺点，我们提出了一种多核胶囊网络（MKCapsnet），它是通过考虑大脑解剖结构而开发的。将内核设置为与大脑解剖结构的分区大小相匹配，以捕捉不同尺度的区域间连接。受深度学习中广泛使用的 dropout 策略的启发，我们在胶囊层中开发了胶囊 dropout 以防止模型过度拟合。比较结果表明，所提出的方法优于最先进的方法。此外，我们比较了使用不同参数的性能，并说明了路由过程以揭示所提出方法的特点。MKCapsnet 在精神分裂症识别方面很有前景。我们的研究首先利用胶囊神经网络分析磁共振成像 (MRI) 的功能连接，并提出了一种考虑大脑解剖分区的新型多核胶囊结构，这可能是揭示大脑机制的一种新方法。此外，我们在参数设置中提供了有用的信息，这对进一步使用胶囊网络进行其他神经生理信号分类的研究很有帮助。
设计多核大小 μBrains 以实现节能...
摘要 — 随着基于脉冲的深度学习推理应用在嵌入式系统中的增多，这些系统倾向于集成神经形态加速器（如 µ Brain）以提高能源效率。我们提出了一种基于 µ Brain 的可扩展多核神经形态硬件设计，以加速脉冲深度卷积神经网络 (SDCNN) 的计算。为了提高能源效率，内核在神经元和突触容量方面设计为异构的（即大核与小核），并且它们使用并行分段总线互连，与传统的基于网格的片上网络 (NoC) 相比，这可以降低延迟和能耗。我们提出了一个名为 SentryOS 的系统软件框架，将 SDCNN 推理应用程序映射到所提出的设计中。SentryOS 由一个编译器和一个运行时管理器组成。编译器利用大和小 µ Brain 内核的内部架构将 SDCNN 应用程序编译成子网络。运行时管理器将这些子网络调度到内核上并流水线执行以提高吞吐量。我们用五个常用的 SDCNN 推理应用程序评估了所提出的大多核神经形态设计和系统软件框架，并表明所提出的解决方案可降低能耗（37% 至 98%）、降低延迟（9% 至 25%）并提高应用程序吞吐量（20% 至 36%）。我们还表明 SentryOS 可以轻松扩展到其他脉冲神经形态加速器，例如 Loihi 和 DYNAP。索引术语 — 神经形态计算、脉冲深度卷积神经网络、多核、嵌入式系统、µ Brain
使用光子连接和包装多核纤维...
“具有蛾类抗反省结构的3D打印非球面”，（2024）Y. Mizuno等，Proc。SPIE 12898，用于微型/纳米光学和光子学的高级制造技术XVII，128980R
用于 EEG 的多核时间和空间卷积 - ...
摘要：使用端到端卷积神经网络 (ConvNet) 的深度学习已应用于多种基于脑电图 (EEG) 的脑机接口任务，以提取特征图并对目标输出进行分类。然而，EEG 分析仍然具有挑战性，因为它需要考虑影响提取特征表征能力的各种架构设计组件。本研究提出了一种基于 EEG 的情绪分类模型，称为多核时空卷积网络 (MultiT-S ConvNet)。该模型使用多尺度核来学习各种时间分辨率，并应用可分离卷积来查找相关的空间模式。此外，我们使用轻量级门控机制增强了时间和空间滤波器。为了验证 MultiT-S ConvNet 的性能和分类准确性，我们在基于 EEG 的情绪数据集 DEAP 和 SEED 上进行了受试者相关和受试者无关的实验。与现有方法相比，MultiT-S ConvNet 具有更高的准确度结果和一些可训练参数。此外，所提出的时间滤波多尺度模块能够提取广泛的 EEG 表征，涵盖短波长到长波长的成分。该模块可进一步应用于任何基于 EEG 的卷积网络模型，其能力有望提高模型的学习能力。