XiaoMi-AI文件搜索系统
World File Search System矢量化
识别均匀的医疗保健使用概况和
硅纳米结构（如纳米式阵列）在各种应用中具有巨大的潜力，例如光伏电池[1]，传感器[2]，信息存储[3]，仅举几例。纳米果（NNS）被定义为具有较高纵横比的纳米材料。那些属于两个主要类别：单针，外部操纵以接触细胞和组织（近场显微镜（AFM），微型操纵器）或支持基板支撑的垂直高纵横比纳米结构的阵列。前者涵盖了各种纳米结构，包括纳米线，纳米柱，多孔纳米酮，纳米管和纳米膜。各种材料/尺寸/形状使每种类型的NN具有不同的特定感应需求的特性，也就是说，在机械生物学，纳米电机生理学，光遗传学，纳米遗传学，转染/载体化/矢量化（药物输送）中，各种应用[4] [4]。
CRISPR-Cas12a 在多细胞生物中的当前和未来应用
摘要 CRISPR-Cas 系统在原核生物对噬菌体和外来质粒等移动遗传元件的适应性免疫中起着关键作用。在过去十年中，Cas9 已成为一种强大而多功能的基因编辑工具。随之而来的是，新型 RNA 引导的核酸内切酶系统 CRISPR-Cas12a 因其独特的特性（例如其高特异性或靶向富含 T 基序的能力、诱导交错双链断裂和处理 RNA 阵列的能力）正在改变生物学研究。同时，为了实现作物改良、基因治疗、研究模型开发和其他目标，对多细胞生物中高效、安全的基因激活、抑制或编辑的需求日益增加。在本文中，我们回顾了 CRISPR-Cas12a 在多细胞生物中的应用，并讨论了如何克服这些复杂模型特有的挑战，例如外温物种的矢量化或温度变化。
混合传输/控制操作触发架构
市场上有几种用于 FPGA 的商用软 IP 处理器：ARM Cortex M1 [3]、Altera NIOS [5] 和 Xilinx MicroBlaze [4]。尽管提供这些处理器的目的各不相同（前者是为了让 ARM 架构在更多的开发渠道上可用，后者则是想为使用相应 FPGA 的开发人员提供完整的数字设计系统），但它们的共同点在于都基于 RISC，并且每个内核的配置能力有限（例如可选的 FPU）。虽然 ρ-VEX [8] 是一种实现可重构和可扩展的软核 VLIW 处理器的非常实用的方法，但是并行性受到指令宽度的限制。[7] 提供了可扩展的并行性。该协处理器提供复杂的矢量化能力，但不能处理非 SIMD 类并行性。传输触发架构 (TTA) [6] 由于其数据流特性，在并行性方面是可扩展的和可伸缩的。此属性的缺点是缺乏使用更复杂的功能单元以及固有的存储能力来放宽调度问题的可能性。
Geomstats：机器学习中黎曼几何的 Python 包
我们介绍了 Geomstats，这是一个开源 Python 包，用于对非线性流形（例如双曲空间、对称正定矩阵空间、变换李群等）进行计算和统计。我们提供面向对象且经过大量单元测试的实现。流形配备了黎曼度量系列以及相关的指数和对数映射、测地线和并行传输。统计和学习算法提供了对流形进行估计、聚类和降维的方法。所有相关操作都被矢量化以用于批量计算，并为不同的执行后端提供支持——即 NumPy、PyTorch 和 TensorFlow。本文介绍了该软件包，将其与相关库进行了比较，并提供了相关的代码示例。我们表明，Geomstats 提供了可靠的构建块，既可以促进微分几何和统计学的研究，又可以使黎曼几何在机器学习应用中的使用更加民主化。源代码可根据 MIT 许可证在 geomstats.ai 上免费获取。
最大限度地发挥定制 RISC-V 矢量扩展的潜力，以加速 SHA-3 哈希函数
摘要。SHA-3 被认为是最安全的标准哈希函数之一。它依赖于 Keccak-f[1 600] 置换，该置换对 1 600 位的内部状态进行操作，主要表示为 5 × 5 × 64 位矩阵。虽然现有实现通常以 32 位或 64 位的块顺序处理状态，但 Keccak-f[1 600] 置换可以通过并行化加速。本文首次通过 32 位和 64 位架构上的自定义向量扩展探索基于 RISC-V 的处理器中 Keccak-f[1 600] 并行化的全部潜力。我们分析了由五个不同步骤映射组成的 Keccak-f[1 600] 置换，并提出了十条自定义向量指令来加速计算。我们在 SystemVerilog 中描述的 SIMD 处理器中实现了这些扩展。我们将我们的设计性能与基于矢量化专用指令集处理器 (ASIP) 的现有架构进行了比较。我们表明，得益于我们精心选择的自定义矢量指令，我们的设计性能优于所有相关工作。
Geomstats：机器学习中黎曼几何的 Python 包
我们介绍了 Geomstats，一个用于非线性流形计算和统计的开源 Python 工具箱，例如双曲空间、对称正定矩阵空间、变换李群等等。我们提供面向对象且经过广泛单元测试的实现。除此之外，流形还配备了黎曼度量族，以及相关的指数和对数映射、测地线和并行传输。统计和学习算法提供了在流形上进行估计、聚类和降维的方法。所有相关操作都被矢量化以用于批量计算，并为不同的执行后端提供支持，即 NumPy、PyTorch 和 TensorFlow，从而实现 GPU 加速。本文介绍了该软件包，将其与相关库进行了比较，并提供了相关的代码示例。我们表明，Geomstats 提供了可靠的构建块来促进微分几何和统计学的研究，并使黎曼几何在机器学习应用中的使用更加民主化。源代码可根据 MIT 许可证在 geomstats.ai 上免费获取。
TRANSPIRE：节能的TRANSprecision 浮动...
摘要 —近年来，粗粒度可重构架构 (CGRA) 加速器越来越多地部署在物联网 (IoT) 终端节点中。现代 CGRA 必须支持并有效加速整数和浮点 (FP) 运算。在本文中，我们提出了一种超低功耗可调精度 CGRA 架构模板，称为 TRANSprecision 浮点可编程架构 (TRANSPIRE)，及其支持整数和 FP 运算的相关编译流。TRANSPIRE 采用跨精度计算和多个单指令多数据 (SIMD) 来加速 FP 操作，同时提高能源效率。实验结果表明，TRANSPIRE 实现了最大 10.06 × 的性能提升并且消耗 12 .相对于基于 RISC-V 的 CPU，其能耗降低了 91 倍，并且具有支持 SIMD 样式矢量化和 FP 数据类型的增强型 ISA，同时执行近传感器计算和嵌入式机器学习的应用程序，面积开销仅为 1.25 倍。
mftraj：无图，行为驱动的轨迹预测
本文介绍了用于自动驾驶的轨迹预测模型，重点是动态流量sce-narios中的复杂相互作用，而不依赖高清图。该模型，称为MFTRAJ，利用历史轨迹数据与新型动态图基于行为感知的模块相结合。以自适应结构感知的交互式卷积网络在其核心上捕获了道路使用者的正常和行为特征，并提供了时空的复杂性。通过线性注意机制增强，该模型达到了计算效率并降低了参数开销。对Argoverse，ngsim，HighD和MoCAD数据集进行评估强调了MFTRAJ的鲁棒性和适应性，即使在数据挑战的方案中，也不需要获得其他信息，例如HD MAPS或矢量化映射，甚至超过了数字基准。重要的是，即使在情况下，它仍保持竞争性能，这些竞争性能与大多数现有的最新模型相当。结果和方法表明，自主驾驶轨迹预测的显着进步，为更安全，更有效的自主系统铺平了道路。
生成项目问答系统
摘要在新项目的规划和设计中，团队成员通常依靠现有的技术文件来做出明智的决定。提问系统可以使用大型语言模型（LLM）（例如GPT-4）在此过程中有所帮助，例如用于体系结构，工程和施工（AEC）等专业领域。但是，他们面临着诸如信息检索不正确的挑战，对域特异性数据的访问有限，提示自定义不足和幻觉不足。本文通过使用检索功能的生成（RAG）和及时的工程来开发用于技术文档的生成问题的问题来解决这些问题。系统杠杆具有带有域特异性嵌入的矢量化数据库，并采用语义模拟来进行有效的通过检索。通过提示将检索到的域知识集成到LLM中，该系统旨在提高生成信息的准确性和相关性。专家评估将开发的顾问与包括Google和文档数据库在内的传统搜索方法进行了比较，显示了所有LLM辅助评估指标的卓越性能，尤其是搜索效率。
MIP：科学与医学的高级数据处理和分析 从关系数据库提供深度学习模型
我们提出了医学信息平台（MIP），这是科学和医学界的在线集中平台。它介绍了位于医院中的偏心的患者数据，帮助临床医生，临床科学家和研究人员确定疾病独有的模式，并提供明确的诊断和个性化治疗方法。该平台使用户能够从预处理的神经生理和医学记录中访问统一的医学数据，以及研究同类数据集，而无需传输原始的临床数据。此功能有助于对医疗数据进行利用和分析，同时保留敏感患者信息的隐私和安全性。MIP将数据科学和机器学习与数据技术，尤其是数据集成，安全计算，分散的分布式查询执行以及低水平，有效的科学管道执行，从而利用了现代数据引擎的特征，例如矢量化，并行化，并行化和JIT汇编。MIP是计算机科学家，临床科学家和医学专业人员多年的多年努力的结果。迄今为止，它已在欧洲的40多家医院中部署和使用，另外12个装置正在进行中。