XiaoMi-AI文件搜索系统
World File Search System并行
飞机、制造和供应链并行设计的系统工程整体方法
这项博士研究活动是在德国航空航天中心 (DLR)，具体来说是在汉堡航空系统架构研究所进行的，由那不勒斯费德里科二世大学的飞机和飞行技术设计 (DAF) 研究小组进行学术监督。它是在 H2020 AGILE4.0 项目中开发的，并在正在进行的 Horizon Europe Colossus 项目中得到利用，这两个项目均由欧盟委员会资助。在这段旅程中，我遇到了很多人，我想对他们表示感谢。首先，我要对我的导师表示感谢。感谢 Björn Nagel 给我机会踏上这段旅程，感谢他一直对我的信任，感谢他尽管有很多承诺，但始终陪伴在我身边。我感谢 Pier Davide Ciampa 选择我，感谢他一直相信我的潜力，感谢他为我提供宝贵的技术建议，感谢他不断给我灵感。我衷心感谢 Fabrizio Nicolosi 立即愿意负责我的活动，并对我的工作和努力给予信任。最后，我感谢 Pierluigi Della Vecchia 的持续参与和支持。我还要衷心感谢 Ana Paula Cuco、Joao Mello、Felipe Odaguil、Ton van der Laan、Nathalie Bartoli 和 Thierry Lefebvre。我非常感谢三年多来我们每周五进行的精彩讨论。多亏了你们，我在职业和个人方面都得到了成长。我学到了很多东西，每天都在挑战自己，以获得新技能并实现我们共同的目标。感谢你们与我分享你们的热情、激情和工作承诺。感谢你们将我们的职业关系变成了真正的友谊。特别感谢 Nathalie 和 Ana，她们继续成为勤奋女性的鼓舞人心的榜样。感谢你们在 AGILE4.0 活动期间分享的所有美好时刻。感谢整个 AGILE4.0 联盟多年来提供的所有反馈。我要特别感谢审稿人 Christopher Jouannet 和 Andrea Cini。感谢你们花时间审阅我的工作并提供反馈，这无疑改进了这篇论文并为未来的工作提供了宝贵的见解。还要感谢会议专员 Kristian Amadori、Rauno Cavallaro 和 Agostino De Marco 参加我的博士论文答辩。我的同事们也值得我感谢，他们支持我和我的博士学位，即使是间接的。特别感谢我所在的团队。感谢你们所有引人入胜且鼓舞人心的讨论。我还要感谢 Luca Boggero 从不怀疑我的能力，鼓励我永不放弃，并始终
GRASP：加速 GPU 并行架构上基于哈希的 PQC 性能
签名和验证过程。我们为 SPHINCS+ 提出了一种适应性并行化策略，分析其签名和验证过程以确定高效并行执行的关键部分。利用 CUDA，我们执行自下而上的优化，重点关注内存访问模式和超树计算，以提高 GPU 资源利用率。这些努力与内核融合技术相结合，显著提高了吞吐量和整体性能。大量实验表明，我们优化的 SPHINCS+ CUDA 实现具有卓越的性能。具体而言，与最先进的基于 GPU 的解决方案相比，我们的 GRASP 方案可将吞吐量提高 1.37 倍到 3.45 倍，并比 NIST 参考实现高出三个数量级以上，凸显了显著的性能优势。
自主模式和带电网的异步发电机的并行操作
在这种解释中，相对于提供给异步机u 1的定子绕组的电压向量的向量u 1g等于180 0，必须转到异步机us，然后电流向量ag在电压矢量u 1之前（图2，b）。由于在异步发生器中存在反应性的i r.ag，因此在同步发电机中也存在这样的电流，并且该向量落后于电压向量u 1。因此，由于sg sg sg> sg sg是因为sg相对降低（此处sg -sg = u sg = u 1和当前向量i sg的位移角度在异步生成器的未连接状态下）。
脑机接口技术的基础研究:神经元与二极管
[9] 刘洋 , 刘东远 , 张耀 , 等 .面向脑机接口应用的便携式 fNIRS 拓 扑成像系统：全并行检测与初步范式实验 [J].中国激光 , 2021, 48 (11): 1107001.Liu Y, Liu D Y, Zhang Y, et al.A portable fNIRS - topography system for BCI applications: full parallel detection and pilot paradigm validation[J].Chinese Journal of Lasers, 2021, 48(11): 1107001.
具有并行输出的 10 位模数转换器 数据表 (Rev. G)
电源电压，V DD1 、V DD2 和 V DD3 （见注 1） 6.5 V . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .输出电压范围，VO −0.3 V 至 V DD + 0.3 V . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 峰值输入电流（任何数字输入） ± 10 mA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .峰值总输入电流（所有输入）± 30 mA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 工作自然通风温度范围，TA：TLC1550I，TLC1551I −40 ° C 至 85 ° C . . . . . . . . . . . . . . . . . . . . TLC1550M −55 ° C 至 125 ° C . . . . . . . . . . . . . . . . . . . 存储温度范围，T stg −65 ° C 至 150 ° C . . . . . . . . . . . . . . . . . . . . . 10 秒外壳温度：FK 或 FN 封装 260 ° C . . . . . . . . . . . . . . . ..................................................................................................................................... 距外壳 1.6 毫米（1/16 英寸）处的引线温度持续 10 秒：J 或 NW 封装 260 °C ....................................................................................................................................
了解 GPU 并行管理和控制单元中永久故障的影响
GPU 在多个领域得到日益广泛的应用，包括高性能计算 (HPC)、自主机器人、汽车和航空航天应用。GPU 在传统领域之外的应用（游戏、多媒体和消费市场）突然引起了人们的兴趣，也提出了有关其可靠性的问题 [3]。目前，活跃的 GPU 研究旨在评估可靠性并确定可行的改进方法。大多数研究都强调 GPU 对瞬态故障的高度敏感性 [11、13、16、24、27、32、44、47、51]，这是由于 GPU 拥有大量可用资源且采用了先进的半导体技术。此外，GPU 的并行管理和控制单元已被证明尤为关键，因为它们的损坏会影响多个线程 [24、38]。 GPU 的并行性在性能方面提供了无可置疑的优势，但它也是该设备最脆弱的特性之一。GPU 制造商通过改进存储单元设计 [ 39 ]、添加纠错码 [ 15 ] 等措施提供了有效的可靠性对策，
大规模并行报告分析中基于序列的条形码偏差校正
大规模并行报告基因检测 (MPRA) 是一种高通量方法，用于评估数千个候选顺式调控元件 (CRE) 的体外活性。在这些检测中，候选序列被克隆到由独特 DNA 序列标记的报告基因的上游或下游。然而，标签序列本身可能会影响报告基因的表达，并导致测量的顺式调控活性出现重大潜在偏差。在这里，我们提出了一种基于序列的方法来校正标签序列特异性效应，并表明我们的方法可以显著减少这种变异源并提高 MPRA 对功能性调控变体的识别。我们还表明我们的模型可以捕获与 mRNA 转录后调控相关的序列特征。因此，这种新方法不仅有助于提高 MPRA 实验中对调控信号的检测，而且还有助于设计更好的 MPRA 协议。
文章 支持并行识别的嵌入式 AI 系统的多核控制器
摘要：人工智能 (AI) 技术的最新进展促进了 AI 系统在各种应用中的应用。在大多数部署中，基于 AI 的计算系统采用中央服务器处理大部分数据的架构。此特性使系统使用大量网络带宽并可能导致安全问题。为了克服这些问题，提出了一种称为联邦学习的新 AI 模型。联邦学习采用一种架构，其中客户端负责数据训练并仅将训练结果传输到中央服务器。由于来自客户端的数据训练抽象并减少了原始数据，因此系统在减少网络资源和增强数据安全性的情况下运行。具有联邦学习的系统支持各种客户端系统。要构建具有资源有限的客户端系统的 AI 系统，将客户端系统与多个嵌入式 AI 处理器组合是有效的。为了实现具有这种架构的系统，引入控制器来仲裁和利用 AI 处理器成为一项严格的要求。在本文中，我们提出了一种用于联邦学习的嵌入式 AI 系统，该系统可以根据应用灵活地与 AI 核心组合。为了实现所提出的系统，我们设计了一个多 AI 核心控制器，并将其实现在现场可编程门阵列 (FPGA) 上。通过图像和语音应用程序验证了所设计的控制器的运行，并通过模拟器验证了其性能。
了解 GPU 并行管理和控制单元中永久故障的影响
图形处理单元 (GPU) 承受着过大的压力，以加速高性能计算应用程序，并用于加速多个领域的深度神经网络，这些领域的预期寿命长达数年。这些条件使 GPU 硬件面临（过早）老化，导致在通常的制造结束测试之后出现永久性故障。因此，迫切需要评估 GPU 永久性故障影响的技术，从而可以估计可靠性风险并可能减轻它。在本文中，我们提出了一种评估永久性故障对 GPU 调度器和控制单元（最特殊、压力最大的资源）的影响的方法，以及可以量化这些影响的第一个数字。我们描述了门级 GPU 模型的调度器和控制器中超过 5.83x10 5 个永久性故障效应。然后，我们通过检测 13 个应用程序和两个卷积神经网络的代码，在软件中映射观察到的错误类别，注入超过 1.65x105