XiaoMi-AI文件搜索系统
World File Search System弥合
2D 材料能否弥合神经形态之间的差距？
神经形态计算广义上指使用非冯·诺依曼体系结构来模拟人脑的学习过程。术语“冯·诺依曼体系结构”表示任何存储程序计算机，由于它们共享一条公共总线，因此获取指令和数据操作可能不会同时发生，从而导致“冯·诺依曼瓶颈”，即在单独的内存和计算块之间进行耗能和耗时的数据传输。这种瓶颈限制了计算系统执行数据密集型任务的能力，随着现代机器学习模型的出现，对数据密集型任务的需求只会越来越大。此外，最近的一份报告显示，在“过度参数化模式”下运行的高度复杂的神经网络不会对训练数据中的虚假趋势进行过度拟合，而是比复杂度较低的神经网络对未知数据表现出更好的泛化能力 [ 1 ]，这促使模型参数数量自 2015 年以来逐年呈指数增长，训练数据集的大小自 1988 年以来也呈指数增长 [ 2 , 3 ]。具体来说，过去十年见证了从 ResNet-50（> 10 7 个模型参数）到生成式预训练 Transformer 3（GPT-3）（> 10 11 个模型参数）的模型，以及从 ImageNet（~10 6 张图像）到 JFT-3B（> 10 9 幅图像）的数据集。通过克服电子通信、时钟、热管理和电力输送方面的瓶颈 [2]，神经形态系统带来了可扩展硬件的希望，可以跟上深度神经网络的指数增长，从而让我们定义了神经形态计算的第一个主要方向：“加速”。那些关注加速的神经形态系统是为了提高现有机器学习模型的速度和能效而构建的，并且往往会产生相对直接的影响。一个常见的例子是深度神经网络前向传递中用于向量矩阵乘法 (VMM) 的交叉阵列。相比之下，我们将神经形态计算的第二个主要目标定义为“实现”，即在非冯·诺依曼架构中实现人类神经生物学功能。第二个目标的影响将比第一个目标更滞后，但代表了下一代机器学习模型的硬件实现，在脉冲神经网络 (SNN)、赫布学习和霍奇金-赫胥黎神经元模型领域取得了进展。
弥合差距：从神经解剖学知识到脑通路纤维束成像
尽管纤维束成像技术最近取得了进展，但文献中对白质通路的描述与从 dMRI 图像重建和研究白质通路的方法之间仍然存在很大差距。在这里，我们通过提出一种定义白质束的语言（即 WMQL T）和一种根据 WMQL T 查询自动重建通路的工具来应对这一挑战。我们的方法性能高，足够灵活，可以使用多种模态定义束，并允许扩展基于 ROI 的重建方法。利用我们的语言，我们定义了 19 个主要脑束及其细分，并在大量人群中重建它们。我们表明，重建通路的形状及其连接性和侧化与当前的神经解剖学文献一致。最后，我们在两种情况下展示了我们的技术：计算束的功能细分，以及评估惯用手和性别在语言相关束侧化中的作用。
弥合知识经济需求与教育系统成果之间的差距：评估模型
向知识经济的过渡，基于智力能力和无形资产的经济可以使国家的经济多样化（Schwalje，2013年），并增加其在全球财富中的份额（Lange等，2018）。该报告是由区域教育计划中心（RCEP）委托海湾合作委员会（GCC）地区的需求，以跟踪和支持持续过渡到知识经济体的努力。与全球趋势一致，海湾合作委员会各州增加了专门针对知识经济增长的教育领域的倡议，以作为中长期政策作为发展议程。为了制定有效的政策，许多组织和政府使用区域和国际指数和模型来跟踪国家的知识绩效。这些经常采用跨部门“支柱”或组成部分来评估能够形成和扩展知识经济体的领域。
弥合工业控制系统“沟通鸿沟”
免责声明 本信息是根据美国政府机构资助的工作编写的。美国政府及其任何机构或其任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。
弥合量子鸿沟：修复经典的机会......
摘要 经典计算以前所未有的方式改变了世界，但其部署方式并不总是以公平、正义和平等等道德价值观为优先。以西方为中心、以硅谷为中心的 21 世纪计算模式创造了数字“富人”和“穷人”。量子计算机有望比经典计算机更强大，解决一些经典难题，有可能改变化学、药物发现和机器学习等应用领域。然而，如果对量子计算的访问和控制权没有公平分配，那么这可能会加剧现有的不平等，造成更深的分歧。在这里，我们考虑了对负责任的量子计算的一些可能影响，展望了量子计算的推出如何以公平和平等等道德原则为中心，以防止过去“只考虑经典”的错误。本文提出的问题将引起从事量子计算研究的人和那些关注这项重大新技术的社会影响的人的兴趣。
弥合资本纪律与能源情景
社会深度脱碳需要随着时间的推移和跨度复杂的价值链快速扩张和平行撤出生产能力（电力、燃料、材料、生物质等）。综合评估和其他宏观能源系统模型是探索可在预定时间范围内（例如到 2050 年）实现此目标的缓解技术（方案）替代组合的必不可少的工具。最近，人们越来越重视提高方案的可行性，并呼吁更多地考虑人为因素 1 和资金。 2 我们可能是第一个提出类似呼吁考虑私人开发商决策的人。在模型中，开发商会理性且即时地响应市场信号，一夜之间建设新的缓解项目。实际上，开发商会启动一个多年的结构化决策过程，以在资产融资和建设之前充分降低长期资本投资的风险。这是学术文献中很少涉及的一个领域，因为存在着一条断层线，即大多数可持续未来的建模者和敢于冒险的项目开发商站在一边。然而，它对确保深度脱碳目标的正确政策具有重要意义。在本意见中，我们揭示了资产动员的机制。我们首先描述一个重要的商业概念，即资本纪律。我们展示了这一概念如何构成两个关键的能源转型挑战的基础：路径依赖和先有鸡还是先有蛋的问题。应对这些挑战对于实现雄心勃勃的减排目标至关重要。然而，这超出了本文的范围，
营销互动中的人工同理心：弥合人机在情感和社交客户体验方面的差距
引用本文 请注意，如果 King's Research Portal 上提供的全文是作者接受的手稿或后印刷版本，则可能与最终发布的版本不同。如果引用，建议您检查并使用出版商的最终版本以获取分页、卷/期和出版日期详细信息。如果在研究门户上提供最终发布的版本，如果引用，建议您再次检查出版商的网站以进行任何后续更正。一般权利 研究门户中提供的出版物的版权和道德权利由作者和/或其他版权所有者保留，并且用户访问出版物的条件是承认并遵守与这些权利相关的法律要求。
符号作为弥合人机鸿沟的通用语言，用于可解释和可建议的人工智能系统
尽管许多现代人工智能系统通常能够学习自己的表征，拥有令人惊讶的强大功能，但人们对它们的不可捉摸性以及与人类互动能力随之而来的问题感到非常不满。虽然已经提出了神经符号方法等替代方案，但对于这些方法的具体内容缺乏共识。通常有两个独立的动机：(i) 符号作为人机交互的通用语言；(ii) 符号作为人工智能系统在其内部推理中使用的系统生成的抽象。关于人工智能系统是否需要在其内部推理中使用符号来实现一般智能能力，目前尚无定论。无论答案是什么，人机交互中对（人类可理解的）符号的需求似乎非常引人注目。符号，就像情绪一样，可能不是智能本身的必要条件，但它们对于人工智能系统与人类互动至关重要——因为我们既不能关闭我们的情绪，也不能没有我们的符号。特别是在许多人为设计的领域，人类会对提供明确的（符号）知识和建议感兴趣——并期望机器以同样的方式进行解释。仅此一点就要求人工智能系统维护一个符号界面以便与人类互动。在这篇蓝天论文中，我们论证了这一观点，并讨论了需要追求的研究方向，以实现这种类型的人机互动。