XiaoMi-AI文件搜索系统
World File Search System并行计算
与Intel SGX多线程的DNA对齐工作负载的性能分析
抽象数据机密性是数字时代的关键问题，影响了用户与公共服务之间以及科学计算组织与云与HPC提供商之间的互动。并行计算中的性能是必不可少的，但对于建立受信任的执行环境（TEE）以确保遥远环境中的隐私通常会对执行时间产生负面影响。本文旨在分析在英特尔SGX处理器机密的飞地内执行的DNA对齐（Bowtie2）的平行生物信息学工作负载的性能。结果提供了令人鼓舞的见解，内容涉及在大型数据集上使用基于SGX的TEE进行并行计算的可行性。调查结果表明，在高平行化条件下，并具有两倍的线程，在SGX飞地中执行的工作负载平均比非固定执行快15％。这种经验证明支持基于SGX的TEE有效平衡隐私需求与高性能计算的需求的潜力。
使用深度学习方法接近实时人群数
在当前的数字时代，在许多地方人群计数机制仍然依赖于老式的方法，例如维护登记册，利用人们在入口处进行基于柜台和传感器的计数。这些方法在人们的运动是完全随机的，高度可变和动态的地方失败。这些方法是耗时且乏味的。拟议的系统是针对需要紧急撤离的情况，例如火灾爆发，灾难性事件等。并根据食物，水，检测拥塞等人数做出明智的决定。基于深度卷积神经网络（DCNN）系统可用于接近实时人群计数。系统使用NVIDIA GPU处理器利用并行计算框架来实现通过相机采用的视频提要的快速而敏捷的处理。这项工作有助于构建一个模型来检测CCTV摄像机捕获的头部。通过提供多种场景，例如重叠的头部，头部的部分可见性等，对模型进行了广泛的训练。该系统在估计密集人群的头部数量相当小的时间内提供了很高的准确性。
库尔恰托夫研究所超级计算机上的 MRI/fMRI 数据自动处理和分析系统
摘要。本文介绍了库尔恰托夫研究所“Cognimed”资源中心获取的 MRI/fMRI 断层扫描数据的自动处理和分析系统的计算机模型。该系统基于“数字实验室”IT 平台，涉及库尔恰托夫研究所超级计算机集群 HPC4，通过在超级计算机节点（1 个受试者 - 1 个节点）上并行计算，可以加快群组（2-350 个受试者）的数据处理速度。所提出的系统允许科学家远程使用安装在超级计算机上的专用软件来处理和分析 MRI/fMRI 数据；组织统一的数据存储；允许通过 Web 界面处理数据。该系统还允许使用 KI 研究人员开发的程序模块，这些程序模块实施数学方法来改进数据分析结果。作为该计算机模型实现的一个例子，介绍了模块“MRI FS”，它使用开放的专用软件 FreeSurfer v.6.0 自动处理和分析 MRI 数据。
深层物种分布建模的框架
本文描述了一个深-SDM框架Malpolon。用Python编写并建立在Pytorch图书馆的基础上，该框架旨在促进深层物种分布模型（DEEP-SDM）的培训和推断，并为只有General Python语言技能（例如，模型的生态学家）的用户共享，他们对测试对建立新SDM的深度学习方法感兴趣。更多的高级用户还可以从框架的模块化中受益，通过覆盖现有类，同时利用Press-button示例来运行更具体的实验，以使用自定义或提供的原始和预处理的数据集来训练Multiple分类任务上的神经网络。该框架是在GitHub和Pypi上开源的，并在各种情况下进行了广泛的文档和使用示例。Malpolon提供直接的固定，基于YAML的配置，并行计算，多GPU利用率，基线和基础模型，用于基准测试以及广泛的教程/文档，以增强生态学家和研究人员的可访问性和性能可及性。
第十六届高级计算智能国际会议
标题：复杂系统管理与控制国家重点实验室王飞跃教授，IEEE 院士、IFAC 院士、ASME 院士、AAAS 院士摘要：本次报告将讨论并行计算新范式中的问题：与 CPS 中根植于分而治之的传统思维不同，我们的新思维通过基于卡尔波普尔世界模型和基础/基础设施智能的集成、活生生（或智能自适应进化）的实际/人工生态系统在 CPSS 中得到增强和解决，特别是基于基础/基础设施模型的 ACP 方法，即用于表示和描述的人工社会、用于评估和预测的计算实验以及用于治理和处方的并行执行。数字、机器人、生物人类的概念被引入并部署到新的架构和平台中，以支持我们的新并行计算理念和技术。简历：王飞跃获得博士学位。 1990年获美国伦斯勒理工学院计算机与系统工程博士学位。1990年加入美国亚利桑那大学，任教授、机器人与自动化实验室主任、复杂系统高级研究中心主任。1999年在国家杰出人才计划支持下在中国科学院自动化研究所创建智能控制与系统工程中心，2002年被任命为中国科学院复杂系统与智能科学重点实验室主任，2006年被任命为中国科学院自动化研究所副院长。2008年创建中国科学院社会计算与并行管理研究中心，2011年被聘为国家特聘专家、复杂系统管理与控制国家重点实验室主任。他目前的研究重点是并行智能、社会计算和知识自动化的方法与应用。他是 INCOSE、IFAC、ASME 和 AAAS 的会士。2007 年，他获得了国家自然科学奖、IEEE Transactions 的多项最佳论文奖，并因其在智能控制和社会计算方面的工作成为 ACM 的杰出科学家。他分别于 2009 年、2011 年和 2015 年获得 IEEE ITS 杰出应用和研究奖，于 2014 年获得 IEEE SMC Norbert Wiener 奖，并于 2021 年成为 IFAC Pavel J. Nowacki 杰出讲师。自 1997 年以来，他一直担任 30 多个 IEEE、INFORMS、IFAC、ACM 和 ASME 会议的大会或程序主席。他曾担任 IEEE
基于忆阻片上系统的超维计算硬件-算法协同设计
超维计算 (HDC) 采用并行计算范式和高效学习算法，非常适合资源受限的人工智能 (AI) 应用，例如边缘设备。基于忆阻设备的内存计算 (IMC) 系统通过提供节能硬件解决方案对此进行了补充。为了充分利用忆阻 IMC 硬件和 HDC 算法的优势，我们提出了一种硬件算法协同设计方法，用于在忆阻片上系统 (SoC) 上实现 HDC。在硬件方面，我们利用忆阻交叉开关阵列固有的随机性进行编码，并采用模拟 IMC 进行分类。在算法层面，我们开发了硬件感知编码技术，将数据特征映射到超维向量中，从而优化了忆阻 SoC 内的分类过程。硬件实验结果表明语言分类任务的准确率为 90.71%，凸显了我们的方法在边缘设备上实现节能 AI 部署的潜力。
FPGA中的实时对象检测和识别
收到：2024年2月27日修订：2024年4月2日接受：2024年4月20日发布：2024年4月30日摘要 - 本研究论文提出了一种创新的方法，用于识别和检测自动驾驶系统中使用现场编程的栅极阵列（FPGAS）中的对象。通过将深度学习方法与FPGA硬件加速度集成，该方法成功地达到了安全导航所需的最小延迟和最佳精度。通过进行数据获取，预处理和模型培训，这可以完善系统的性能。通过采用并行计算和硬件优化技术，FPGA实现实现了这些目标。基于实验数据，基于FPGA的方法在功率效率，推理延迟和检测精度方面优于常规的CPU和GPU实现。，由于它们与自主驾驶系统的出色兼容性，因此在自动驾驶汽车中广泛采用了可增强对象识别和识别的现场可编程栅极阵列（FPGA）。
可再生能源和电动汽车高度普及的电网机会约束能源管理系统
摘要 —本文提出了一种用于大规模整合电动汽车 (EV) 和可再生能源的电网的两阶段能源管理系统 (EMS)。第一阶段的经济调度分别确定插电式和电池更换模式下电动汽车充电站和电池更换站 (BSS) 的最优运行点。此阶段提出的随机模型预测控制 (SMPC) 问题通过机会约束优化公式来表征，该公式可以有效地捕捉系统和预测的不确定性。采用分布式算法——交替方向乘子法 (ADMM)，通过并行计算加速优化计算。第二阶段旨在协调电动汽车充电机制，使其持续遵循第一阶段的解决方案，即目标运行点，并满足通过高级计量基础设施 (AMI) 捕获的电动汽车客户的充电需求。所提出的解决方案为大规模集中式电网提供了一种整体控制策略，其中聚合的各个参数是可预测的，并且系统动态不会在短时间间隔内发生急剧变化。
可再生能源和电动汽车高度普及的电网机会约束能源管理系统
摘要 —本文提出了一种用于大规模整合电动汽车 (EV) 和可再生能源的电网的两阶段能源管理系统 (EMS)。第一阶段的经济调度分别确定插电式和电池更换模式下电动汽车充电站和电池更换站 (BSS) 的最优运行点。此阶段提出的随机模型预测控制 (SMPC) 问题通过机会约束优化公式来表征，该公式可以有效地捕捉系统和预测的不确定性。采用分布式算法——交替方向乘子法 (ADMM)，通过并行计算加速优化计算。第二阶段旨在协调电动汽车充电机制，使其持续遵循第一阶段的解决方案，即目标运行点，并满足通过高级计量基础设施 (AMI) 捕获的电动汽车客户的充电需求。所提出的解决方案为大规模集中式电网提供了一种整体控制策略，其中聚合的各个参数是可预测的，并且系统动态不会在短时间间隔内发生急剧变化。
Mohsen Imani 先生
摘要 - 现代计算系统在有效执行学习任务方面存在重大问题。在本次演讲中，我将介绍一种新的大脑启发式计算系统，该系统支持各种学习任务，同时提供比现有平台高得多的计算效率和稳健性。我的平台采用超维 (HD) 计算，这是一种实现大脑功能原理的替代计算方法：(i) 快速学习，(ii) 对噪声/错误的鲁棒性，以及 (iii) 交织的内存和逻辑。这些特性使 HD 计算成为当今资源有限的嵌入式设备以及具有高噪声和多变性问题的深纳米级技术的未来计算系统的有前途的解决方案。为了利用 HD 计算以内存为中心的特性，我利用新兴技术来实现内存处理，从而能够进行高度并行计算和减少数据移动。我还将展示这种架构如何加速深度学习等广泛的大数据应用。