XiaoMi-AI文件搜索系统
World File Search System并行计算
加速获取高分辨率扩散...
利用有关磁共振图像的先验知识可以从较少的数据中重建图像而不会丢失基本信息，并且可以使用深度神经网络来确定底层数据结构。8事实上，深度学习允许使用网络结构有效地对数据进行编码和提取有用的特征，它是解决许多领域问题的最强大方法之一，并且与其他方法相比具有出色的性能，这在多项数据科学竞赛中得到了证实。9,10此外，图形处理单元上的大规模并行计算使神经网络能够比其他最先进的算法更快地执行推理，这表明它适用于临床应用。此外，大量来自临床实践的 MRI 数据可用于训练深度神经网络并实现高性能。
《理论与应用信息技术》期刊范围
人工智能 软件和硬件架构 智能系统 软件工程 互联网和网络 专家系统 计算机模拟 数据库系统 生物信息学 计算智能 编程语言 电子商务 无线通信 计算机系统 控制系统 系统工程 自动机理论 可计算性理论 计算复杂性 并发性理论 算法 数据结构 操作系统 计算机通信 信息理论 互联网、万维网 无线计算 移动计算 计算机安全 可靠性 密码学 容错计算 分布式计算 网格计算 并行计算 高性能计算 量子计算 计算机图形学 图像处理 科学可视化 计算几何 软件需求 软件设计 软件测试 软件维护 ERP 问题 软件配置 软件流程 软件工程工具 软件质量 形式化方法 编程语言
Colossal-AI：用于大规模并行训练的统一深度学习系统
Transformer 模型的成功将深度学习模型规模推向了数十亿参数，但单 GPU 的内存限制导致在多 GPU 集群上进行训练的需求迫切。然而，选择最优并行策略的最佳实践仍然缺乏，因为它需要深度学习和并行计算领域的专业知识。Colossal-AI 系统通过引入统一接口将模型训练的顺序代码扩展到分布式环境，解决了上述挑战。它支持数据、管道、张量和序列并行等并行训练方法，并集成了异构训练和零冗余优化器。与基线系统相比，Colossal-AI 在大规模模型上可以实现高达 2.76 倍的训练加速。
联结主义与认知架构：批判性分析
• 民间心理学怀疑论者：这些哲学家认为，符号人工智能系统中的意向性/“目标”和“信念”等概念过于抽象，无法在计算机系统中有意义地实现。他们喜欢联结主义，因为它提供了一种更严格的数学/计算/“科学”方法来建模认知。计算心理学怀疑论者：另一方面，这些哲学家认为当时的符号人工智能系统太像计算机、计算性太强、太僵化（即没有符号基础）。他们喜欢联结主义，因为它通过直接计算感官数据来解决认知“基础”问题。他们认为，与串行人工智能方法相比，感官数据的分布式并行计算更有可能让认知“浮现”。
实现脱碳和弹性电网的先进储能规划
• 考虑空间和时间因素及耦合，共同优化能源存储、发电和传输容量 • 跨数十年优化而非顺序决策 • 随机规划公式考虑技术成本、净需求和停电不确定性 • 先进的能源存储建模（如电池退化） • 与多部门动态建模（GCAM、TELL）兼容，涉及模型间数据集交换和维护的处理和自动化脚本 • 改进的传输流约束建模（如管道流、直流近似），涵盖各种传输技术（交流、直流点对点、多终端直流） • 增强的容量信用建模——考虑随着渗透率的提高可再生能源容量信用的下降 • 分解技术和并行计算应用解决计算可处理性挑战
基于多层 RRAM 的深度学习推理引擎的读取扰动和双极读取方案研究
摘要——基于多层电阻式随机存取存储器 (RRAM) 的突触阵列可以实现矢量矩阵乘法的并行计算，从而加速机器学习推理；然而，由于模拟电流沿列相加，因此单元的任何电导漂移都可能导致推理精度下降。在本文中，在基于 2 位 HfO 2 RRAM 阵列的测试车辆上统计测量了读取干扰引起的电导漂移特性。通过垂直和横向细丝生长机制对四种状态的漂移行为进行了经验建模。此外，提出并测试了一种双极读取方案，以增强对读取干扰的恢复能力。建模的读取干扰和提出的补偿方案被纳入类似 VGG 的卷积神经网络中，用于 CIFAR-10 数据集推理。
技术硕士（航空航天工程）
1.先进制造系统 2.航空航天工程 3.生物技术 4.CAD/CAM 5.化学工程 6.通信系统 7.计算机网络与信息安全 8.计算机科学 9.计算机科学与工程 10.计算机与通信工程。11.控制系统 12.面向制造的设计/设计与制造 13.数字电子与通信工程。14.数字电子与通信系统 15.数字系统与计算机电子 16.电力工程 17.电力系统 18.电子与通信工程 19.嵌入式系统 20.嵌入式系统与 VLSI 设计 21.公路工程 22.图像处理 23.工业工程与管理 24.信息技术 25.机械设计 26.神经网络 27.并行计算 28.电力与工业驱动
通过更合乎逻辑的技巧进行数学数字量子计算
摘要 我们扩展了 Deutsch 使用四个正交状态确定逻辑函数映射的算法。利用此算法，我们提出使用十六个正交状态对逻辑函数变量值的所有组合进行并行计算。作为我们算法的一个应用，我们演示了二进制系统中两种典型的算术计算。我们研究了通过量子门控计算操作全加器/半加器的效率。两种典型的算术计算是（1 + 1）和（2 + 3）。典型的算术计算（2 + 3）比其经典装置更快，当我们引入全加器操作时，经典装置需要 4 3 = 64 个步骤。另一个典型的算术计算（1 + 1）比其经典装置更快，当我们仅引入半加器操作时，经典装置需要 4 2 = 16 个步骤。
基于人工智能的脑部计算器交互神经接口及其并行编程，使用群集移动设备上的高性能计算
因此，下一个提到的结果遵循。基于通过实验测量左手和右手拇指运动过程中大脑电活动获得的EEG信号，我们获得了用于训练集合随机森林算法的输入和输出数据，该算法是通过Scikit-Learn库的软件工具实现的。使用Joblib库的软件工具，可以通过将N_JOBS HyperParameter的值设置为-1时在物理内核和计算机流程上训练集合的随机森林算法时并行化计算。基于DASK库的软件工具，将并行计算分布在群集计算机系统的物理核心及其流中，这使得组织高性能计算以训练集合随机森林算法。结果，根据质量指标：准确性，ROC_AUC和F1评估了创建算法，软件 - 硬件计算管道的质量。所有这些一起制作
NGCT：基于机器学习、人工智能的下一代计算技术
https://www.iaria.org/conferences2020/ICN20.html 2020 年 2 月 23 日至 2020 年 2 月 27 日 - 葡萄牙里斯本 下一代计算技术是从分布式计算、人工智能、机器学习、深度学习、云计算、并行计算、网格计算及其相关应用等新技术和研究领域发展而来的。这些信息技术领域的新兴主题正在定义计算技术的未来。通过使用互联网和中央远程服务，它可以维护数据、应用程序等，通过集中存储、内存、处理和带宽等提供更高效的计算。它还可以集中所有计算资源并通过软件自动管理而无需干预。当前的计算架构、服务模型、平台、问题（即安全性、隐私、可靠性、开放标准等）和类型有几个层。