XiaoMi-AI文件搜索系统
World File Search System片上
走向芯片上的量子光学生物科学实验室
摘要：量子增强传感和计量为满足当今对集成芯片的基本和技术需求铺平了道路，这些芯片超越了经典的功能和测量极限。相位或强度等光学特性的最精确测量需要量子光学测量方案。这些非经典测量利用了光学探测态的纠缠和压缩等现象。与经典光检测方案相比，它们的检测限也较低。利用纠缠光子或压缩光的非经典光源进行生物传感是实现可集成在芯片上的量子光学生物科学实验室的关键。利用这种非经典光源进行单分子传感将是实现最小不确定性和每光子数最高信息的先行者。这需要一种集成的非经典传感方法，将量子光学的微妙非确定性测量技术与通过纳米光子学和纳米等离子体学实现的设备级集成能力相结合。在此背景下，我们回顾了量子传感的基本原理、量子光学探针和协议以及最先进的构建
b'摘要 提出了一种毫米波\xe2\x80\x90 低\xe2\x80\x90 轮廓宽带微带天线。为了加宽阻抗带宽并同时实现稳定的大增益，在由同轴探针馈电的微带贴片两侧布置共面寄生贴片阵列。在微带贴片上蚀刻双槽以降低 H \xe2\x80\x90 平面交叉\xe2\x80\x90 极化水平。提出了使用 Floquet \xe2\x80\x90 端口模型进行零\xe2\x80\x90 相位\xe2\x80\x90 反射分析以预测寄生贴片阵列的谐振频率。根据理想探针的输入阻抗来验证激发的谐振模式。依次激励两个相邻的宽边谐振，分别以微带贴片的准 \xe2\x80\x90 TM 10 模式和寄生贴片阵列的准 \xe2\x80\x90 TM 30 模式为主导。所提出的天线尺寸为 1.06 1.06 0.024 \xce\xbb 0 3（\xce\xbb 0 为自由空间中 29 GHz 的波长），在 | S 11 | \xe2\x89\xa4 10 dB 时实现 15%（27\xe2\x80\x93 31.35 GHz）的阻抗带宽。实现的峰值增益高达 9.26 dBi，2 \xe2\x80\x90 dB 增益带宽为 15.7%。 H \xe2\x80\x90 平面交叉 \xe2\x80\x90 极化水平在 3 \xe2\x80\x90 dB 波束宽度内小于 14 dB，背部辐射水平小于 17.9 dB。'
b'摘要 提出了一种毫米波\xe2\x80\x90 低\xe2\x80\x90 轮廓宽带微带天线。为了加宽阻抗带宽并同时实现稳定的大增益，在由同轴探针馈电的微带贴片两侧布置共面寄生贴片阵列。在微带贴片上蚀刻双槽以降低 H \xe2\x80\x90 平面交叉\xe2\x80\x90 极化水平。提出了使用 Floquet \xe2\x80\x90 端口模型进行零\xe2\x80\x90 相位\xe2\x80\x90 反射分析以预测寄生贴片阵列的谐振频率。根据理想探针的输入阻抗来验证激发的谐振模式。依次激励两个相邻的宽边谐振，分别以微带贴片的准 \xe2\x80\x90 TM 10 模式和寄生贴片阵列的准 \xe2\x80\x90 TM 30 模式为主导。所提出的天线尺寸为 1.06 1.06 0.024 \xce\xbb 0 3（\xce\xbb 0 为自由空间中 29 GHz 的波长），在 | S 11 | \xe2\x89\xa4 10 dB 时实现 15%（27\xe2\x80\x93 31.35 GHz）的阻抗带宽。实现的峰值增益高达 9.26 dBi，2 \xe2\x80\x90 dB 增益带宽为 15.7%。 H \xe2\x80\x90 平面交叉 \xe2\x80\x90 极化水平在 3 \xe2\x80\x90 dB 波束宽度内小于 14 dB，背部辐射水平小于 17.9 dB。'
SOCCAR：检测芯片上的系统违反系统...
大多数现代计算设备通常是通过系统内芯片（SOC）体系结构设计的，是通过从各种全球分布式供应链中采购的预设的硬件知识属性（IP）块的集成和组成。IP可以是多种多样的，包括各种处理器核心，内存模块，加密块，通信模块（例如，无线和LTE模块），调试和外围驾驶界面（例如，JTAG，HDMI，USB等）。SOC设计有望比定制硬件更快地设计周转时间，稳健性和配置性。然而，这种整合的不幸影响是设计复杂性的急剧增加，以及安全漏洞的相应增加。因此，必须开发技术在现代SOC设计中系统侵犯安全行为的技术。现代SOC设计中复杂性的关键来源是过多的异步事件，即，由系统主要执行流的独立条件触发的事件。此类触发器包括异步重置，动态时钟切换，软件活动，模拟 /混合信号（AMS）事件等。< / div>不幸的是，异步事件引起的系统行为的不可分割性可能会导致微妙的角色案例脆弱性，而对手可以利用这些脆弱性，以损害整个系统的完整性。因此，值得信赖的SOC设计在很大程度上取决于安全验证，以确定异步事件引起的违规行为。另一方面，鉴于有很多潜在的异步触发器，SOC安全架构师不可能预测系统的行为对这些事件的响应，并提出其安全含义，并进行设计缓解。的确，异步事件角案例代表了工业社会安全验证实践中最难以检测的一些错误，并说明了大多数验证成本。在本文中，我们开发了一个框架，即“在同步r esets下，“因此，“如此”），以检测理解最普遍和娱乐性的异步异步事件之一的SOC安全性违规行为，部分重新集中。部分异步重置已在具有多个重置域的当前工业SOC设计中启用，并允许在执行的中间进行选定的IP和设计功能的部分初始化，而
片上收获的挑战
物联网设备变得越来越受欢迎，这意味着人们对易于维护和无电池独立的电源的兴趣日益增加，因为在应用数十亿个设备的应用程序场景中，电线和电池是非实践的。为了保持低廉的成本并实现最小的外形，具有综合能源收集和电力管理单位的SOC实施是一种受欢迎的创新。片上能量收集解决方案通常只能以微量流量为单位提供功率。对于IoT-SOC的功能块以及电源管理单元本身的功能块存在着重要的设计挑战，因为收获的电压必须转换为更高，更可用的电压。同时，电源管理块必须具有最低可能的静态电流尽可能有效。在本文中，我们提供了片上Microwatt电源管理。从RF电源或光的能源收获开始，然后我们展示超低功率电压参考的最新实现和超低功率低降低调节器（LDO）设计。
片上传输线参数提取的字母分析
超高频率芯片的抽象匹配网络易感，并且准确提取被动设备参数是必不可少的。对于片上传输线，作者提出了一种从具有不同长度的两个传输线测量结构中提取传输线传播常数的精确方法。基于此方法获得传播常数后，为了获得传输线的特征阻抗，本文对信号板进行了Y-Z模型分析，并给出数学表达式。这种近似方法可以在不求解信号垫的模型参数的情况下获得传输线的特征阻抗。将来自提出的方法得出的传播常数和特征阻抗与相应的电磁模拟结果进行了比较，从而达到了250 MHz至110 GHz的相当良好的一致性。关键词：传输线，片上匹配组件，110GHz分类：集成电路
人工智能驱动的全景X光片上牙齿检测和分割新工具
摘要 目的 评估一种新的人工智能 (AI) 驱动的工具在全景 X 光片上检测和分割牙齿的性能。材料和方法共收集了 153 张 X 光片。牙颌面放射科医生标记和分割每颗牙齿，作为基本事实。一颗牙齿的类别不可知裁剪图像产生 3576 颗训练牙齿。AI 驱动的工具将两个深度卷积神经网络与专家细化相结合。系统检测和分割牙齿的准确度是主要结果，时间分析是次要结果。Kruskal-Wallis 检验用于评估牙齿组和不同设备之间性能指标的差异，卡方检验用于验证矫正量、假阳性和假阴性的存在以及牙齿的冠和根部分与潜在的 AI 误解之间的关联。结果该系统的牙齿检测灵敏度为 98.9%，精确度为 99.6%。对于牙齿分割，下颌犬齿的效果最佳，其交集比、精确度、召回率、F1 分数和豪斯多夫距离的值分别为：95.3%、96.9%、98.3%、97.5% 和 7.9。虽然仍高于 90%，但上下磨牙的分割结果略低。该方法显示，临床上显著减少了 67% 的手动时间。结论该 AI 工具在检测和分割牙齿方面表现出高度准确和快速的性能，比单独使用地面实况更快。临床意义与手动分割相比，创新的临床 AI 驱动工具在检测和分割全景 X 光片上的牙齿方面表现出更快、更准确的性能。
研究文章 深度迁移学习人工智能可在便携式胸部 X 光片上准确分期 COVID-19 肺部疾病严重程度
本研究采用深度学习卷积神经网络在便携式胸部X光 (CXR) 上对冠状病毒病 2019 (COVID-19) 感染的肺部疾病严重程度进行分期，并以放射科医生的疾病严重程度评分为基本事实。本研究包括 84 名 COVID-19 患者 (51 名男性 55.1 ± 14.9 岁；29 名女性 60.1 ± 14.3 岁；4 项信息缺失) 的 131 张便携式 CXR。三位专家胸部放射科医生根据不透明度 (0-3) 和地理范围 (0-4) 分别对左肺和右肺进行评分。深度学习卷积神经网络 (CNN) 用于预测肺部疾病严重程度评分。数据分为 80% 的训练数据集和 20% 的测试数据集。分析了 AI 预测评分与放射科医生评分之间的相关性。并与传统学习和迁移学习进行了比较。平均不透明度得分为 2.52（范围：0-6），三位读者的标准差为 0.25（9.9%）。平均地理范围得分为 3.42（范围：0-8），三位读者的标准差为 0.57（16.7%）。评分者间一致性得出不透明度得分的 Fleiss' Kappa 为 0.45，范围得分的 Fleiss' Kappa 为 0.71。人工智能预测的分数与放射科医生的分数高度相关，其中顶级模型的相关系数（R 2 ）为 0.90（范围：传统学习为 0.73-0.90，迁移学习为 0.83-0.90），平均绝对误差为 8.5%（范围：分别为 17.2-21.0% 和 8.5%-15.5）。迁移学习通常表现更好。总之，深度学习 CNN 可在便携式 COVID-19 肺部感染胸部 X 光片上准确分级疾病严重程度。这种方法可能有助于分级肺部疾病严重程度、预测和预测治疗反应和生存率，从而为风险管理和资源分配提供信息。
文章人工智能 (AI) 驱动的磨牙角度测量可预测全景 X 光片上的第三磨牙萌出
摘要：所提出的人工智能 (AI) 工具的目的是自动分割全景 X 光片上的下颌磨牙并提取磨牙方向，以预测第三磨牙的萌出潜力。总共使用 838 张全景 X 光片进行网络的训练 (n = 588) 和验证 (n = 250)。具有 ResNet-101 主干的全卷积神经网络联合预测了磨牙分割图和方向线估计值，然后通过对分割轮廓的近中和远中侧进行回归迭代细化。准确度被量化为与人类参考测量值相比的正确角度 (具有预定义的误差间隔) 的分数。使用 Bland-Altman 图直观地评估网络和参考测量值之间的性能差异。自动磨牙分割的定量分析导致平均 IoU 约为 90%。第一和第二磨牙的平均 Hausdor ffi 距离最小。网络角度测量的准确度达到 79.7% [ − 2.5 ◦ ; 2.5 ◦ ] 和 98.1% [ − 5 ◦ ; 5 ◦ ]，同时临床上显著减少了 53% 以上的用户时间。总之，本研究验证了一种独特的新型 AI 驱动工具，可快速、准确、一致地自动测量全景 X 光片上的磨牙角度。为牙科医生提供精确的 AI 工具将促进和优化牙科护理，并协同提高诊断准确性。
b'片上微型超级电容器（MSC）是最有前途的器件之一，可集成到微/纳米级电子设备中以提供足够的峰值功率和能量支持。然而，较低的工作电压和有限的能量密度极大地限制了它们更广泛的实际应用。在此，设计了基于Ti3C2TxMXene作为负极、活性炭作为正极的高压片上MSC，并通过一种新颖的切割喷涂法简单地制造了它。通过解决MXene的过度极化，单个非对称片上MSC可以在中性电解质（PVA / Na2SO4）中提供高达1.6V的电位窗口，并具有7.8 mF cm2的高面积电容（堆栈比电容为36.5 F cm3）和大大提高的能量密度3.5 mWh cm3在功率密度为100 mW cm3时，这远远高于其他片上储能产品。此外，MSC 表现出优异的容量保持率（10,000 次循环后仍保持 91.4%）。更重要的是，MSC 可以轻松扩大为硅晶片上串联和/或并联的高度集成阵列。显然，这项研究为开发用于片上电子产品和便携式设备的高压 MXene 基 MSC 开辟了新途径。'
b'片上微型超级电容器（MSC）是最有前途的器件之一，可集成到微/纳米级电子设备中以提供足够的峰值功率和能量支持。然而，较低的工作电压和有限的能量密度极大地限制了它们更广泛的实际应用。在此，设计了基于Ti3C2TxMXene作为负极、活性炭作为正极的高压片上MSC，并通过一种新颖的切割喷涂法简单地制造了它。通过解决MXene的过度极化，单个非对称片上MSC可以在中性电解质（PVA / Na2SO4）中提供高达1.6V的电位窗口，并具有7.8 mF cm2的高面积电容（堆栈比电容为36.5 F cm3）和大大提高的能量密度3.5 mWh cm3在功率密度为100 mW cm3时，这远远高于其他片上储能产品。此外，MSC 表现出优异的容量保持率（10,000 次循环后仍保持 91.4%）。更重要的是，MSC 可以轻松扩大为硅晶片上串联和/或并联的高度集成阵列。显然，这项研究为开发用于片上电子产品和便携式设备的高压 MXene 基 MSC 开辟了新途径。'
氮化硅芯片上的近简并正交压缩真空产生
压缩态是连续变量 (CV) 量子信息处理的主要资源。为了以可扩展且稳健的方式实现 CV 协议，最好使用集成光子学平台生成和操纵压缩态。在本信中，我们展示了使用具有双泵四波混频过程的小型氮化硅微谐振器在射频载波边带中生成正交相位压缩态。我们记录的压缩噪声水平比光电流散粒噪声低 1.34 dB（0.16 dB），这相当于芯片上 3.09 dB（0.49 dB）的正交压缩。我们还表明，考虑泵浦场的非线性行为对于正确预测此系统中可以产生的压缩至关重要。这项技术代表着朝着创建和操纵可用于量子信息应用（包括通用量子计算）的大规模 CV 簇状态迈出了重要一步。