XiaoMi-AI文件搜索系统
World File Search System工学
都灵理工学院机构库
蒙特卡洛 (MC) 方法已用于计算半导体中的半经典电荷传输超过 25 年，是微电子器件模拟最强大的数值工具 [1]。然而，当今的技术将器件尺寸推向了极限，传统的半经典传输理论已不再适用，需要更严格的量子传输理论 [2]。为此，人们提出了各种基于格林函数 [3] 或维格纳函数 [4] 方法的电荷传输量子动力学公式。虽然这种量子力学形式允许严格处理相位相干性，但它们通常通过纯现象学模型描述能量弛豫和失相过程。人们还提出了一种用于分析载流子-声子相互作用下的瞬态传输现象的完整量子力学模拟方案 [5]。然而，由于需要大量计算，其适用性仍然仅限于短时间尺度和极其简单的情况。因此，尽管人们付出了很多努力，尽管在研究这些量子动力学公式方面取得了无可置疑的智力进步，但它们在强散射动力学存在下的实际设备中的应用仍然是一个悬而未决的问题。Datta、Lake 和同事的最新成果似乎很有希望 [6]。然而，他们的稳态格林函数公式不能应用于时间相关的非平衡现象的分析，而这种现象在现代光电器件中起着至关重要的作用。在本文中，我们提出了一种广义 MC 方法来分析量子器件中的热载流子传输和弛豫现象。该方法基于控制单粒子密度矩阵时间演化的动力学方程组的 MC 解；它可以被视为对开放系统的扩展
印度理工学院（BHU）瓦拉纳西
自从物联网和人工智能数据分析领域出现深度学习爆炸式增长以来，内存墙问题对现有计算架构的压力越来越大。研究人员正在寻找冯·纽曼架构之外的一些以内存为中心的计算范例。神经形态计算是解决人工智能硬件问题的新范例之一。本课程重点介绍神经形态计算，并通过案例研究展示其在物联网和人工智能应用中的强大功能。本课程将深入探讨神经形态计算的不同方面，以解锁无限可能并塑造人工智能和数据分析兼具效率的未来。加入这趟旅程吧，因为在当今世界，计算采用神经形态不仅仅是一种选择；而是一种必需品。 模仿生物神经网络、神经元结构、人工神经元建模、神经元和突触电路拓扑 神经形态硬件架构、基于忆阻器的神经网络架构、交叉架构和神经形态核心、使用忆阻器和 FeFET 的内存中心计算 与其他新兴存储设备和功能的神经形态计算 神经形态算法（STDP、LSM 等） 神经形态计算的应用 神经形态计算中的学习范式
都灵理工学院机构库
无线和移动通信技术的进步促进了移动医疗 (m-health) 系统的发展，以寻找获取、处理、传输和保护医疗数据的新方法。移动医疗系统提供了应对日益增多的需要持续监测的老年人和慢性病患者所需的可扩展性。然而，设计和运行带有体域传感器网络 (BASN) 的此类系统面临双重挑战。首先，传感器节点的能量、计算和存储资源有限。其次，需要保证应用级服务质量 (QoS)。在本文中，我们整合了无线网络组件和应用层特性，为移动医疗系统提供可持续、节能和高质量的服务。特别是，我们提出了一种能量成本扭曲 (ECD) 解决方案，它利用网络内处理和医疗数据自适应的优势来优化传输能耗和使用网络服务的成本。此外，我们提出了一种分布式跨层解决方案，适用于网络规模可变的异构无线移动医疗系统。我们的方案利用拉格朗日对偶理论，在能源消耗、网络成本和生命体征失真之间找到有效的平衡，以实现对延迟敏感的医疗数据传输。仿真结果表明，与基于均等带宽分配的解决方案相比，所提出的方案实现了能源效率和 QoS 要求之间的最佳平衡，同时在目标函数（即 ECD 效用函数）中节省了 15%。
大都会仓库改造 麻省理工学院的新设计中心
位于马萨诸塞大道和瓦萨街拐角处的大都会仓库 (Met Warehouse) 长期以来一直是麻省理工学院和剑桥社区熟悉的建筑物。现在，一项创新的改造项目正在将这座标志性建筑改造成一个现代化的跨学科设计研究和教育中心；麻省理工学院建筑与规划学院 (SA+P) 的新址，将学院的众多元素整合到一个地方；并成为校园内最大的社区级创客空间所在地，由 Project Manus 管理。
