XiaoMi-AI文件搜索系统
World File Search System扩展的
一种快速且可扩展的神经形态计算模拟器
在许多神经形态工作流程中，模拟器在重要任务中发挥着至关重要的作用，例如训练脉冲神经网络、运行神经科学模拟以及设计、实施和测试神经形态算法。当前可用的模拟器适用于神经科学工作流程（例如 NEST 和 Brian2）或深度学习工作流程（例如 BindsNET）。问题是，基于神经科学的模拟器速度慢且可扩展性不强，而基于深度学习的模拟器不支持神经形态工作负载的某些典型功能（例如突触延迟）。在本文中，我们解决了文献中的这一空白，并提出了 SuperNeuro，这是一种快速且可扩展的神经形态计算模拟器，能够进行同质和异构模拟以及 GPU 加速。我们还提供了初步结果，将 SuperNeuro 与广泛使用的神经形态模拟器（如 NEST、Brian2 和 BindsNET）在计算时间方面进行了比较。我们证明，对于小型稀疏网络，SuperNeuro 比其他一些模拟器快约 10 × –300 倍。对于大型稀疏网络和大型密集网络，SuperNeuro 比其他模拟器分别快约 2.2 × –3.4 倍。
如何创建较小，更安全和可扩展的机器人设计
机器人运动控制成功的机器人运动控制成功基本上需要相互构图。例如，用于人形机器人的电机控制系统需要为您的机器人设计选择最佳的功率和尺寸配置。在机器人中，电动机控制驱动器连接到机器人电池，并包括电流，电压传感和编码器接口。人形机器人尤其与更高的自由度和更快的响应时间变得更加复杂，以更好地模仿人类运动（图2）。人形机器人的运动必须接收运动位置数据以定义路径计划。需要各种转子位置传感器，具体取决于电动机所需的精度。Texas Instruments提供了模拟和过程来启用编码器接口系统。一些最常见的编码器是：•光学编码器•磁编码器•增量编码器•正弦（SIN/COS）解析器（解析器是模拟的电气变压器，测量角姿势和速度）
神经网络的有效且可扩展的零知识证明框架
近年来，云供应商已开始通过提供训练有素的神经网络模型来提供付费服务进行数据分析。但是，面对懒惰或恶意供应商，客户缺乏工具来验证云供应商提供的结果是否是正确推断的。称为零知识证明（ZKP）的Cryp-tographic原始人解决了此问题。它使结果可以进行验证，而无需泄漏有关模型的信息。不幸的是，神经网络的现有ZKP方案具有较高的计算开销，尤其是对于神经网络中的非线性层。在本文中，我们提出了为神经网络的有效且可扩展的ZKP框架。我们的工作改善了非线性层的证明的性能。与以前依靠位分解技术的工作相比，我们将非线性关系转换为范围和指数关系，这大大减少了证明非线性层所需的约束数量。此外，我们采用模块化设计，使我们的框架与更多的神经网络兼容。具体来说，我们提出了两个增强的范围和查找证明作为基本块。他们有效地证明了范围和指数关系的满意度。然后，我们使用少量范围和指数关系来限制原始非线性操作的正确计算。最后，我们建立了从原始操作到整个神经网络的ZKP框架，从而为各种神经网络提供了灵活性。6×（最多477。我们将ZKP实施用于卷积和变压器的网络网络。评估结果表明，我们的工作达到了168多个。2×）分离的非线性层和41的加速。与最先进的作品Mystique相比，整个Resnet-101卷积神经网络的4倍加速度。此外，我们的工作还可以证明GPT-2是一种具有1.17亿个参数的变压器神经网络，287。1秒，达到35。超过ZKML的7×加速度，这是支持变压器神经网络的最先进的工作。
如何组合ML和MCDM技术：扩展的书目分析
机器学习（ML）和多标准决策（MCDM）是最近在许多不同领域中广泛使用的流行方法。由于这两种方法的使用越来越多，因此需要在该领域进行文献分析。在这项研究中，在2000年1月至2024年4月之间从科学网络（WOS）和Scopus数据库中检索的1189个出版物进行了一项扩展的作者分析分析。在最初的文献计量分析中，作为通用部分，使用Vosviewer程序使数据有意义。尤其是根据年的年份以及与关键字分析相关的关系进行的分析。此外，还确定了最常用的关键字，并确定了趋势的方向。在最初的文献计量分析期间，分析了308个出版物，从WOS数据库中检索了297个出版物，并从Scopus中检索了11个出版物。这项研究通过建立新的模型和类别作为文献计量分析的扩展部分，将自己与现有文献区分开来。使用这些模型和类别，我们试图回答有关研究人员如何一起使用ML和MCDM以及这些方法正在发展的方向的问题。在这种情况下，分析了不同研究领域中模型和类别的分布及其多年来的变化。本研究为研究人员提供了整合ML和MCDM技术时各种组合可能性的全面观点。
低成本，可扩展的网格存储以实现能量目标
小组将讨论热量储能的最新创新，以及它们很重要的原因，尤其是在2022年《降低通货膨胀法》中包含的新投资税收抵免中。该会议将涵盖热电池与电网相互作用的方式，它们如何提供负担得起的解决方案以实现能源目标，以及最终用户的经济和减少碳还原利益。
培养肉的细胞扩展的挑战和机会
使用体外成年动物干细胞培养肉类，为迫切关注气候变化，道德考虑和公共卫生提供了有希望的解决方案。然而，栽培的肉引入了前所未有的必要性：细胞生物材料的质量尺度产生，通过促进生物反应器中的细胞增殖实现。现有的体外细胞增殖方法就可伸缩性和经济生存能力而言遇到了重大挑战。在这个角度，我们讨论了细胞增殖优化的当前景观，重点是与细胞农业有关的方法。我们检查了管理增殖率的机制，同时还解决了内在和条件率的限制。此外，我们阐述了前瞻性策略，这些策略可能会导致在培养的肉类生产过程中显着提高细胞增殖阶段的总体可扩展性和成本效益。通过探索基本细胞周期研究，病理环境和组织工程的知识，我们可以确定创新的解决方案以优化细胞扩张。
创建可扩展的AGI：开放的通用智能框架
摘要 - 人工智能（AI）的遗物进步，尤其是大型语言模型（LLMS），已在狭窄的任务中取得了重大进展，例如图像分类，语言翻译，编码和写作。但是，这些模型由于其孤立的体系结构而面临的可靠性和可伸缩性限制，这些模型旨在一次仅处理一个数据模式（数据类型）。这种单模式方法阻碍了他们整合现实世界中挑战和解决问题的任务所需的复杂数据点的能力，例如医学诊断，质量保证，设备故障排除和财务决策。解决这些现实世界中的挑战需要更有能力的人工通用情报（AGI）系统。我们的主要贡献是开放通用智能（OGI）框架的开发，这是一种新型的系统体系结构，是AGI的宏设计参考。OGI框架基于在多个可以作为单个系统无缝运行的专用模块中进行认知的前提，采用了智能系统设计的模块化方法。OGI使用动态处理系统和织物互连会集成这些模块，从而实现实时适应性，多模式集成和可扩展处理。OGI框架由三个关键组成部分组成：（1）指导操作设计和处理的总体宏设计指南，（2）控制路由，主要目标，指令和加权的动态处理系统，以及（3）框架区域，一组专业的模块，可在凝聚力形成一个统一的认知系统。通过将人类认知原理的已知原理纳入AI系统中，OGI框架旨在克服当今智能系统中观察到的挑战，为更全面和背景感知的解决问题的能力铺平了道路。Index Terms —Artificial General Intelligence (AGI), Artificial Intelligence (AI), Open General Intelligence (OGI), Dynamic Processing System, Cognitive Architecture, Modular AI Systems, Scalable AI, Multi-Modal Integration, Human-Like Cognition, General Intelligence, Specialized AI Modules, AI Scalability, Adaptive AI Systems, Reference Design, Intelligent Systems
独特的人类智能源于扩展的信息能力
大多数人类认知如何独特的理论提出了特定的代表性或偏见，通常认为是通过进化变化而产生的。从这个角度来看，我们认为支持这些领域特定理论的证据与一般信息处理差异相混淆。我们认为，人类的独特性是通过遗传定量增加的全球处理能力增加并在记忆，注意力和学习等系统中共享的。这种变化解释了众多认知子领域的规律性，物种和儿童发育现象之间的行为比较。这种严格的人类智力的进化连续性理论与关于表示规则，模式和抽象概括能力的神经进化和记忆的计算约束的比较证据一致。我们展示了信息处理能力程度上的这些差异如何相对于其他动物的人类认知产生差异。
国家人工智能研发战略计划:2019年更新 - 投研数据库
2019年更新：持续对基础AI研究进行长期投资 ............................................................................................. 7 推进以数据为中心的知识发现方法 .................................................................................................................................. 9 增强AI系统的感知能力 .................................................................................................................................................... 9 了解AI的理论能力和局限性 ............................................................................................................................................ 10 开展通用人工智能研究 .................................................................................................................................................. 10 开发可扩展的AI系统 ........................................................................................................................................................ 11 促进人类AI的研究 ............................................................................................................................................................ 11 开发更强大，更可靠的机器人 ...................................................................................................................................... 11 推进硬件以改进AI ............................................................................................................................................................ 12 创建AI以改进硬件 ................................................................................