XiaoMi-AI文件搜索系统
World File Search System并行计算
Microsoft Word - 2008 年 6 月 1 日带照片的新简历.doc
姓名 Kusum Deep 婚前姓 Kusum Shanker 官方地址 印度理工学院鲁尔基分校数学系副教授，鲁尔基 – 247667，印度 住宅地址 House No. 413/4, 35 – A, Civil Lines, 鲁尔基 – 247667，印度 电话 ++91 – (0) 1332-285339（办公室） ++91 – (0) 1332-275334（住宅） 手机 9837164078 传真 ++91 – (0) 1332-273560 电子邮件 kusumfma@iitr.ernet.in kusumdeep@gmail.com 官方网站http://www.iitr.ernet.in/departments/MA/people/faculty/facthtml/kusumfma.htm 出生日期 1958 年 8 月 15 日 出生地点 印度，贾朗达尔 专业 数学 数值优化技术 并行计算 教学/研究经历 研究员科学家，CBRI，鲁尔基 1988 年 6 月 15 日至 1989 年 12 月 19 日 科学家 C，CBRI，鲁尔基 1989 年 12 月 20 日至 1996 年 6 月 24 日 助理教授，数学系，印度理工学院，鲁尔基 1996 年 6 月 25 日至 2004 年 5 月 4 日 副教授，数学系，印度理工学院，鲁尔基 2004 年 5 月 5 日至今
Microsoft Word - 2008 年 6 月 1 日带照片的新简历.doc
姓名 Kusum Deep 婚前姓 Kusum Shanker 官方地址 印度理工学院鲁尔基分校数学系副教授，鲁尔基 – 247667，印度 住宅地址 House No. 413/4, 35 – A, Civil Lines, 鲁尔基 – 247667，印度 电话 ++91 – (0) 1332-285339（办公室） ++91 – (0) 1332-275334（住宅） 手机 9837164078 传真 ++91 – (0) 1332-273560 电子邮件 kusumfma@iitr.ernet.in kusumdeep@gmail.com 官方网站http://www.iitr.ernet.in/departments/MA/people/faculty/facthtml/kusumfma.htm 出生日期 1958 年 8 月 15 日 出生地点 印度，贾朗达尔 专业 数学 数值优化技术 并行计算 教学/研究经历 研究员科学家，CBRI，鲁尔基 1988 年 6 月 15 日至 1989 年 12 月 19 日 科学家 C，CBRI，鲁尔基 1989 年 12 月 20 日至 1996 年 6 月 24 日 助理教授，数学系，印度理工学院，鲁尔基 1996 年 6 月 25 日至 2004 年 5 月 4 日 副教授，数学系，印度理工学院，鲁尔基 2004 年 5 月 5 日至今
Abu ASADUZZAMAN 的简历
计算机工程博士，2009 年 12 月 佛罗里达大西洋大学，佛罗里达州博卡拉顿 GPA：3.94（满分 4.00） 论文：“实时嵌入式系统的缓存优化” 导师：Imadeldin Mahgoub 博士，Tecore 教授 导师电子邮件：mahgoubi@fau.edu；电话：561-297-3458 计算机工程硕士，1997 年 8 月 佛罗里达大西洋大学，佛罗里达州博卡拉顿 GPA：3.94（满分 4.00） 论文：“具有不同互连拓扑的基于集群的缓存一致性多处理器系统中的内存延迟评估” 导师：Imadeldin Mahgoub 博士，Tecore 教授 导师电子邮件：mahgoubi@fau.edu；电话：561-297-3458 电气与电子工程学士，1993 年 11 月 孟加拉国工程技术大学 (BUET) 孟加拉国达卡 期末成绩：一等（在 146 名学生的班级中排名第 51 位） 主要项目：“通过电流分布的驻波建模进行蝙蝠翼天线阵列的计算机辅助设计” 先进的现代计算机体系结构、并行计算、课程数据库系统、计算机系统管理和信息技术以及嵌入式系统 国籍：美国公民 婚姻状况：已婚，有一个孩子
Microsoft Word - 带照片的新简历 2008 年 6 月 1 日.doc
姓名 Kusum Deep 婚前姓 Kusum Shanker 官方地址 印度理工学院鲁尔基分校数学系副教授，鲁尔基 – 247667，印度 住宅地址 房屋编号413/4, 35 – A, Civil Lines, 鲁尔基 – 247667，印度 电话 ++91 – (0) 1332-285339（办公室） ++91 – (0) 1332-275334（住宅） 手机 9837164078 传真 ++91 – (0) 1332-273560 电子邮件 kusumfma@iitr.ernet.in kusumdeep@gmail.com 官方网站http://www.iitr.ernet.in/departments/MA/people/faculty/facthtml/kusumfma.htm 出生日期 1958 年 8 月 15 日 出生地点 印度贾朗达尔 科目 数学 专业 数值优化技术 并行计算 教学/研究经历 研究员科学家，CBRI，鲁尔基 1988 年 6 月 15 日至 1989 年 12 月 19 日 科学家 C，CBRI，鲁尔基 1989 年 12 月 20 日至 1996 年 6 月 24 日 助理教授，数学。系，I.I.T.，鲁尔基 1996 年 6 月 25 日至 2004 年 5 月 4 日 副教授，数学。印度理工学院，鲁尔基 2004 年 5 月 5 日至今
从宏到微体系结构：基于SRAM的计算机电路的评论和趋势
摘要CMOS逻辑电路的快速增长超过了内存访问的进步，导致了重要的“记忆墙”瓶颈，尤其是在人工智能应用程序中。为了应对这一挑战，计算中的计算（CIM）已成为提高计算系统的性能，领域效率和能量效率的有前途的方法。通过使记忆单元执行并行计算，CIM可以改善数据重复使用并最大程度地减少存储器和过程之间的数据移动。这项研究对基于SRAM的CIM宏的各个领域及其相关的计算范式进行了全面综述。此外，它还对最近的SRAM-CIM宏进行了一项调查，并侧重于关键挑战和涉及的设计交易。此外，这项研究确定了SRAM-CIM宏观设计的潜在未来趋势，包括混合计算，精度增强和操作员重新配置。这些趋势旨在解决计算准确性，能源效率和对SRAM-CIM框架内不同运营商的支持之间的贸易。在微结构级别上，提出了两种可能的交易解决方案：chiplet集成和稀疏性优化。最后，提出了研究观点，以供未来发展。
研究计算设施声明
人员 亚利桑那州立大学 (ASU) 由中央大学技术办公室 (UTO) 和研究技术办公室 (RTO) 提供服务。UTO 是中央 IT 组织，拥有超过 540 名全职员工，涉及多个服务领域，包括桌面支持、有线和无线网络、公共和私有云、身份管理、信息安全和 Web 应用程序开发。UTO 负责监督校园核心 IT 服务，例如工资单、电子邮件、即时消息、用户文件存储和文档创建/协作。UTO 还负责处理 ASU 有关 IT 服务、数据管理和信息安全的政策。RTO 专注于直接支持研究和研究人员的 IT 服务。具体而言，RTO 包括 85 名全职员工，涵盖研究计算、研究软件工程、研究数据管理、商业智能和 Web 服务。RTO 由首席研究信息官监督，首席研究信息官向大学研究执行副总裁汇报。研究计算人员由计算科学家、程序员、工程师和数据库管理员组成，他们在计算的所有领域都拥有专业知识，包括科学和并行计算、大数据分析（内存）、定制软件开发、数据库工程和科学可视化。
图形切割广泛用于计算机视觉中。为了加快优化过程并提高大图的可扩展性，Strandmark和Kahl
图形切割广泛用于计算机视觉中。为了加快优化过程并提高了大图的可伸缩性，Strandmark和Kahl引入了一种分裂方法，将图形分为多个子图中，以在共享和分布式内存模型中进行并行计算。然而，该平行算法（平行BK-Algorithm）在迭代次数上没有多项式结合，在某些情况下，由于其子问题的多个最佳解决方案，因此在某些情况下被认为是无代数的。为了补救这个非交流问题，在本文中，我们首先引入了一种合并方法，能够合并任何相邻的子图纸，这些子图几乎无法达成对其在平行BK-Algorithm中重叠区域的一致性。基于图形切割的伪树状表示形式，我们的合并方法被证明是有效地重用这些子图中的所有计算流动。通过分裂和合并，我们进一步提出了一种动态平行和分布式图切割算法，并保证在预定义的迭代次数中与全球最佳溶液收敛。本质上，本文提供了一个通用框架，以允许采用更复杂的分裂和合并策略来进一步提高性能。我们的动态平行算法通过广泛的实验结果验证。
Framework for TCAD augmented machine learning on multi
摘要：在一个数据对实现突破变得越来越重要的世界中，微电子是一个数据稀疏且难以获取的领域。只有少数实体具有自动化半导体设备的制造和测试所需的基础架构。该基础架构对于生成用于使用新信息技术的足够数据至关重要。这种情况在大多数研究人员和行业之间产生了乳沟。为了解决此问题，本文将引入一种使用仿真工具和并行计算创建自定义数据集的广泛适用方法。使用卷积神经网络同时处理了我们获得的多I-V曲线，这使我们能够通过单个推断预测一套完整的设备特性。我们通过两个使用生成数据训练的有用深度学习模型的有用的深度学习模型来证明这种方法的潜力。我们认为，这项工作可以充当数据驱动方法的最新技术与更古典的半导体研究之间的桥梁，例如设备启动，收益工程或过程监控。此外，这项研究为任何人提供了在微电子学领域开始进行深度神经网络和机器学习实验的机会，而无需昂贵的实验基础架构。
计算机工程课程 - 2022 年秋季
学分 先决条件/共同条件 ECSE 307 线性系统与控制 4 P - ECSE 206、ECSE 210 ECSE 335 微电子学 4 P - ECSE 331 ECSE 403 控制 4 P - ECSE 307 ECSE 408 通信系统 4 P - ECSE 205、ECSE 308 ECSE 412 离散时间信号处理 3 P - ECSE 206 ECSE 415 计算机视觉简介 3 P - ECSE 205、（ECSE 206 或 ECSE 316） ECSE 416 电信。网络 4 P - （ECSE 250 或 COMP 250）和 ECSE 205 和（ECSE 308 或 ECSE 316）ECSE 420 并行计算 3 P - ECSE 427 ECSE 422 容错计算 3 P - ECSE 324 和（ECSE 250 或 COMP 250）ECSE 428 软件工程实践 3 P - （ECSE 321 或 COMP 335）ECSE 435 混合信号测试技术 3 P - ECSE 206，ECSE 335 ECSE 439 软件语言工程 3 P - （ECSE 321 或 COMP 303）ECSE 508 多智能体系统 3 P - ECSE 205 或同等学历 ECSE 510 随机系统的过滤和预测 3 P - ECSE 500，ECSE 509 或同等学历ECSE 544 计算摄影 4 P - ECSE 205，ECSE 206
疏水-亲水模型中蛋白质结构预测的快速量子算法
蛋白质的展开形式是氨基酸的线性序列。蛋白质结构预测试图找到给定蛋白质的天然构象，这在药物和疫苗开发中具有潜在的应用。经典的蛋白质结构预测是一个 NP 完全的、未解的计算问题。然而，量子计算有望提高经典算法的性能。在这里，我们在二维方格上的疏水-亲水模型中开发了一种量子算法，用于解决任何长度为 N 的氨基酸序列的问题，其速度比经典算法快二倍。这种加速是使用 Grover 的量子搜索算法实现的。该算法可用于任意长度的氨基酸序列。它包括三个阶段：（1）准备一个编码所有可能的 2 2 ( N − 1 ) 种构象的叠加态，（2）并行计算每种可能构象的坐标和能量，以及（3）找到具有最小能量的构象。空间上的渐近复杂度为 O ( N 3 ) ，而与经典算法相比，获得的加速比是二次的。我们已使用 Qiskit SDK 在 IBM Quantum 的 qasm 模拟器上成功模拟了该算法。此外，我们还通过计算找到正确构象的理论概率进一步证实了结果的正确性。