XiaoMi-AI文件搜索系统
World File Search System异构
异构芯片集成打造超级芯片
D 集成是先进封装和异构集成中的关键技术——它有助于系统级性能扩展。虽然封装的发展引入了 3D 集成，从封装系统发展到堆叠集成电路 (IC) 和 3D 片上系统，但该行业目前正在见证另一个重要转折点：背面供电网络 (BSPDN)。在传统的扩展方法中，信号和供电共存于晶圆的正面。然而，对电力（尤其是供电）日益增长的需求，越来越限制了实现可扩展解决方案的能力。高效的晶体管扩展对于实现更高的晶体管密度至关重要，这需要按比例扩展供电网络。然而，这遇到了巨大的 IR 压降挑战，导致晶体管性能受损。此外，信号和电源的互连设计变得高度相互依赖，构成了供电布线过程的很大一部分（至少 20%）。此外，随着扩展到下一个节点，功率密度会迅速增加。行业共识是通过实施 BSPDN 来分离信号和电源。这涉及隔离晶圆正面的信号网络，并利用晶圆对晶圆键合来高效地访问晶体管背面以进行电源分配和管理。主要优势包括更宽的电源线和更低的 IR 压降、更均匀的电压分布，以及最重要的，更多的设计空间，从而进一步缩小标准单元高度。BSPDN 消除了在晶圆正面共享信号和电源线之间互连资源的需要。顾名思义，背面供电将电源重新定位到背面
异构芯片集成打造超级芯片
本文介绍了一种新型超大面积集成电路 (ELAIC) 解决方案（我们称之为“巨型芯片”），适用于将不同类型的多个芯片（例如，内存、专用集成电路 [ASIC]、中央处理器 [CPU]、图形处理单元 [GPU]、电源调节）组合到通用互连平台上的单个封装中。巨型芯片方法有助于重新构建异构芯片平铺，以开发具有所需电路密度和性能的高度复杂系统。本文重点介绍了最近关于大面积超导集成电路连接多个单独芯片的研究，特别关注了在单个芯片之间形成的高密度电互连的处理。我们重新制造了各种巨型芯片组件，并使用多种技术（例如扫描电子显微镜 (SEM)、光学显微镜、共聚焦显微镜、X 射线）对其进行了表征，以研究集成质量、最小特征尺寸、硅含量、芯片间间距和间隙填充。二氧化硅、苯并环丁烯 (BCB)、环氧树脂、聚酰亚胺和硅基电介质用于间隙填充、通孔形成和重分布层 (RDL)。对于巨型芯片方法，通过减少芯片间 (D2D) 间隙和增加硅含量来提高热稳定性，从而使组装人员能够缓解不同基板/模块集成方案的热膨胀系数 (CTE) 不匹配的问题，这对于实现从回流到室温甚至低温操作的宽温度范围稳定性非常重要。 Megachip 技术有助于实现更节省空间的设计，并可容纳大多数异构芯片，而不会影响稳定性或引入 CTE 不匹配或翘曲。各种异构芯片
胎儿心脏异常留下心房异构主义
我们报告了一个35岁的G7 P3孕妇的病例，她们进行了异常扫描和胎儿超声心动图（ECHO），显示左室异构异构主义，下腔静脉的下腔和半肌肌延伸到左肠vena vena cava和胎儿的胎儿性心动节症。怀孕以妊娠36 +4周的妊娠剖宫产结束，以期为患者要求。新生女婴需要专家新生儿医生和心脏病医生咨询，并在新生儿重症监护室住了4天，此后，她以定期随访的利尿剂为稳定的临床状况出院，并计划在6个月中进行手术。左心房异构主义在产前检测到心脏畸形的各种范围。完整的心脏阻滞，复杂的心脏异常和胎儿水力是不良的预后特征。那些仅患有较小心脏畸形的人在产后胆管闭锁和由于肠梗阻导致的肠梗阻而处于危险中。目前的报告提出了胎儿剩下的心房异构主义的案例。专家超声师和胎儿心脏病专家在怀孕中确定了这种情况。一般而言，左室异构主义的心脏状况似乎不那么严重。因此，由于这种情况的稀有性，我们报告了此情况。左心房异构主义是一种具有挑战性的疾病，需要专家心脏病专家的意见和产前咨询。对预后迹象不佳的产前监测对于通过多学科团队方法为制定适当的计划和产后干预的适当计划至关重要。
在异构互联网中有效的入侵检测...
摘要 - 在低成本消费电子和云计算的快速开发中，广泛采用了智能城市和工业控制系统等下一代分布式系统的广泛采用。IoT设备通常由于其开放部署环境和严格的安全控制功能而容易受到网络攻击的影响。因此，入侵检测系统（ID）已成为通过监测和检测异常活动来保护IoT网络的有效方法之一。但是，现有的ID方法依靠集中式服务器来生成行为概况并检测异常，从而导致高响应时间和由于通信开销而引起的大量运营成本。此外，在开放和分配的物联网网络环境中共享行为数据可能违反了设备的隐私要求。此外，各种物联网设备倾向于捕获异质数据，这使行为模型的训练变得复杂。在本文中，我们介绍联合学习（FL），以协作训练一个分散的ID模型，而无需向他人展示培训数据。此外，我们提出了一种有效的方法，称为联合学习集合知识蒸馏（FLEKD）来减轻各种客户的异质性问题。FLEKD比常规模型融合技术实现了更灵活的聚集方法。最后，我们在三种潜在的现实情况下评估了我们提出的框架的性能，并显示Flekd在实验结果中具有明显的优势。公共数据集CICIDS2019上的经验结果表明，所提出的方法在速度和性能方面都优于本地培训和传统的FL，并且显着提高了系统检测未知攻击的能力。索引术语 - 关闭检测系统，联合学习，物品互联网，知识蒸馏，数据杂基
拓扑异构酶 I 抑制剂在治疗间充质恶性肿瘤中的当前作用及其未来作为肉瘤特异性抗体-药物偶联物的有效载荷的潜在用途
摘要背景：拓扑异构酶 I 是一种酶，它通过松弛超螺旋双链 DNA 在 DNA 复制和转录中起着至关重要的作用。拓扑异构酶 I 抑制剂与拓扑异构酶 I 裂解复合物结合，从而稳定它并防止 DNA 链重新连接，导致 DNA 损伤、细胞周期停滞和细胞凋亡。各种拓扑异构酶 I 抑制剂已在实体瘤中得到评估，伊立替康和拓扑替康已被批准用于治疗上皮恶性肿瘤。这些药物均未获准用于治疗肉瘤，肉瘤是一类多样化的罕见实体瘤，对有效治疗的需求尚未得到满足。摘要：拓扑异构酶 I 抑制剂已在临床前研究中作为单一药物或联合药物在实体瘤中得到评估，其中一些研究包括肉瘤，其中观察到了活性。临床试验评估拓扑异构酶 I 抑制剂治疗肉瘤的效果，结果表明其作为单一疗法疗效有限。与其他细胞毒性药物联合使用时，拓扑异构酶 I 抑制剂已成为特定肉瘤亚型的临床常规治疗手段。伊立替康/长春新碱/替莫唑胺等方案用于治疗复发性横纹肌肉瘤，伊立替康/替莫唑胺和长春新碱/拓扑替康/环磷酰胺通常用于治疗难治性尤文氏肉瘤，拓扑替康/卡铂显示出一定活性
填补空白：探索生成式人工智能以增强异构移动边缘设备的联邦学习
摘要 — 由于边缘设备的数据和资源异构性，在移动边缘网络上进行分布式人工智能 (AI) 模型训练面临重大挑战。前者阻碍了全局模型的收敛速度，而后者降低了设备的资源利用效率。在本文中，我们提出了一种生成式 AI 赋能的联邦学习来应对这些挑战，它利用了填充本地数据缺失部分 (FIMI) 的思想。具体而言，FIMI 可以被视为一种资源感知的数据增强方法，可在确保高效的 FL 训练的同时有效缓解数据异构性。我们首先量化训练数据量和学习性能之间的关系。然后，我们研究 FIMI 优化问题，目标是在所需学习性能约束下最小化设备端总体能耗。利用基于分解的分析和交叉熵搜索方法得出解决方案，其中为每个设备分配合适的 AI 合成数据和资源利用策略。实验结果表明，与现有方法相比，FIMI 可以节省高达 50% 的设备端能量，以达到目标全局测试精度。同时，FIMI 可以显著提高非独立同分布 (non-IID) 数据下的收敛全局精度。
使用与捕获的离子迁移率一起使用MALDI-TOF的per和多氟烷基物质（PFA）的检测，定量和异构体分化
摘要per-和多氟烷基物质（PFA）是一类有机化合物，它们因其在环境中的持久性，暴露于生物生物体及其不良健康影响而引起了全球关注。迫切需要开发分析方法，以表征各种样品矩阵中的PFA。基质辅助激光解吸/电离质谱（MALDI-MS）代表一种无色谱的MS方法，可执行基于激光的电离和对样品的原位分析。在本研究中，我们通过捕获的离子迁移率（TIMS）提出了MALDI飞行时间MS的PFAS分析，该型号基于尺寸与电荷比提供了气相分离的额外维度。MALDI矩阵组成和关键仪器参数被优化以产生不同的校准曲线范围。的校准曲线，而离子迁移率过滤启用了PFSAS的每个Trillion（PPT）范围。我们还成功地证明了使用TIMS在气相中分离出三种全氟辛磺酸（PFOS）结构异构体。我们的结果证明了利用MALDI-TOF-MS以及TIMS的新开发，用于快速，定量和敏感的PFA，铺平方法，以未来的高通量和对PFA的现场分析（例如MS成像应用）。
使用异构数据集的基于联邦机器学习的同步相量网络异常检测系统：预印本
摘要 — 同步相量技术广泛应用于现代能源管理系统，用于在微观层面监测电网健康状况并实时执行必要的纠正措施；然而，集成相量设备和数据聚合器面临着多种网络安全威胁。本文提出了一种基于联邦机器学习 (FML) 的异常检测系统，用于检测同步相量网络中的几种数据完整性攻击。所提出的方法集成了水平 FML 技术，由基于变电站的本地模型和基于控制中心的全局模型组成。所提出的方法包括使用包含网络和电网信息的异构数据集训练本地模型，并通过共享模型梯度通过多次迭代更新全局模型。最后，将训练好的全局模型应用于识别网络攻击、正常运行和物理事件。为了验证概念证明，我们使用密西西比州立大学和橡树岭国家实验室生成的合成数据集，利用国家可再生能源实验室的高性能计算资源来训练和测试分类模型。我们的实验结果通过多项性能指标计算得出，结果表明，所提出的方法在二分类、三分类和多分类过程中表现出一致的性能，同时确保了同步相量数据的隐私。关键词——联合机器学习、同步相量、异常检测系统、网络安全。
kairos：具有异构云资源的建筑成本效益的机器学习推理系统
在线推论已成为许多业务的关键服务产品，该服务部署在云平台中以满足客户需求。尽管具有收入产生能力，但这些服务仍需要在紧张的服务质量（QoS）和成本预算方面运作。本文介绍了Kairos，这是一个新颖的运行时框架，在满足QoS目标和成本预算的同时，最大化查询吞吐量。kairos设计和实施新技术，以在没有在线探索开销的情况下构建异质计算硬件池，并在运行时最佳地分发推理查询。我们使用行业级机器学习（ML）模型的评估表明，尽管有优于竞争方案的有利实现，可忽略他们的探索台面，但kairos的最佳最佳同质解决方案的吞吐量最高可超过70％。