XiaoMi-AI文件搜索系统
World File Search System粗帧
案例研究利用粗粒度分子模拟推进药物配方的设计和优化
在亲水性聚合物基质中配制低水溶性小分子药物，也称为无定形固体分散体 (ASD)，是实现有效药物输送和生物利用度的最常见方法之一。生产高性能 ASD 取决于各种因素，例如药物赋形剂基质的物理稳定性、其在溶解过程中与聚合物的相互作用以及药物在水性介质中的释放速率。通常，研究人员会进行大量的设计和实验迭代来实现这一目标。虽然可以从实验数据中得出关于药物释放行为的假设，但对基本机制的全面理解和对分子水平事件的洞察仍然难以实现。仅通过实验很难获得详细的药物/聚合物/水相互作用。因此，需要一种更有效的方法来指导为特定药物选择合适的赋形剂（包括聚合物）。
使用 CNN 特征跟踪连续视频帧中的关键点以用于太空应用
摘要：太空任务中的严格时间限制带来了许多自主任务的快速视频处理问题。视频处理涉及分离不同的图像帧、获取图像描述符、应用不同的机器学习算法进行物体检测、避障以及航天器自动操纵中涉及的许多其他任务。这些任务需要在时间限制内对图像进行最翔实的描述。在流量估计应用中，需要从连续图像帧中跟踪这些信息点。SIFT 和 SURF 等经典算法是特征描述开发的里程碑。但计算复杂性和高时间要求迫使关键任务避免在实时处理中采用这些技术。因此，本文选择时间保守且复杂度较低的预训练卷积神经网络 (CNN) 模型作为特征描述符。使用预训练的 VGG 模型参数设计和实现 7 层 CNN 模型，然后使用这些 CNN 特征匹配月球下降视频连续图像帧中的兴趣点。系统的性能是基于视觉和经验关键点匹配来评估的。然后使用 CNN 特征将视频中两个连续图像之间的匹配分数与 SIFT 和 SURF 等最先进的算法进行比较。结果表明，对于太空任务的关键点跟踪应用，在时间关键的视频处理任务中，CNN 特征更可靠、更稳健。关键词：人工智能；卷积神经网络；特征描述符；机器学习；太空任务 1 引言
共晶Sn-58Bi焊点在老化过程中的微观组织粗化和力学性能
摘要 随着封装的微型化和异质集成化，人们一直致力于开发低温焊料。Sn-58Bi 共晶焊料的熔点为 138°C，是一种颇具吸引力的替代方案。由于 Sn-Bi 焊料的熔点较低，即使在室温下也可能发生 Bi 粗化。本文观察了室温储存过程中 Sn-58Bi 接头的微观结构演变。室温老化导致焊料基体中 Bi 相的溶解和粗化，尤其是在初生 Sn 相和 Sn-Bi 枝晶中。通过纳米压痕测量了单个富 Sn 相和富 Bi 相的力学性能。结果表明，由于溶液强化，老化焊点中富 Sn 相比富 Bi 相具有更高的杨氏模量和硬度。Bi 相比 Sn 更柔顺，硬度更低。
公告 第 151 号 令和6年11月1日
3 天前 — 来自大臣官房卫生监察长、防卫政策局局长、防卫采购局局长或陆上自卫队参谋长...... ・与规格相关的内容。 补给队米食课负责人：佐竹（内线 336）。 1. 第 3 页。 物品明细等......
从地面到对象：与地面接触的动态物体的粗到细节自我监督的单眼估计
自我监督的单眼深度估计（DE）是一种学习深度的方法，没有昂贵的深度地面真理。但是，它经常在移动物体上挣扎，这些物体违反了训练期间的静态场景假设。为了结束这个问题，我们介绍了一个粗到最新的训练策略，该策略利用了地面与先验接触的地面，该期望是在户外场景中大多数移动物体在地面上造成的。在粗糙的训练阶段，我们将动态类中的对象排除在再投入损失计算中，以避免深度学习不准确。为了对物体的深度进行精确的监督，我们提出了一种新颖的接地式差异平滑度损失（GDS-loss），该损失（GDS-loss）鼓励DE网络将物体的深度与其接地接触点保持一致。随后，在精细的训练阶段，我们完善了DE网络，以了解重新投影损失中对象的详细深度，同时通过使用基于成本量的加权因素利用我们的正则化损失来确保对移动对象区域的准确DE。我们的整体粗表表训练策略可以轻松地与无需修改的方法集成，从而显着提高了挑战性的城市景观和KITTI数据集的DE性能，尤其是在移动对象区域中。
通过粗粒分量并发提高地球系统模型的可伸缩性 - 与图标v2.6.5建模系统的案例研究
摘要。在Exascale计算时代，具有前所未有的计算能力的机器可用。使这些大规模平行的机器有效地使用了数百万个核心，提出了一个新的挑战。需要多级和多维并行性来满足这种挑战。粗粒分量并发性提供了一个差异的并行性维度，该维度通常使用了通常使用的并行化方法，例如域分解和循环级别的共享内存方法。虽然这些主教化方法是数据并行技术，并且它们分解了数据空间，但组件并发是一种函数并行技术，并且分解了算法MIC空间。并行性的额外维度使我们能够将可扩展性扩展到由已建立的并行化技术设置的限制之外。，当通过添加组件（例如生物地球化学或冰盖模型）增加模型复杂性时，它还提供了一种方法来提高性能（通过使用更多的计算功率）。此外，货币允许每个组件在不同的硬件上运行，从而利用异质硬件配置的使用。在这项工作中，我们研究了组件并发的特征，并在一般文本中分析其行为。分析表明，组件并发构成“并行工作负载”，从而在某些条件下提高了可扩展性。这些通用考虑是
光电自动检测及高精度系统...
摘要。本文介绍了可见光和红外频段数字视频处理技术在空中物体实时自动检测和精确跟踪方面的发展成果。开发了基于空中物体实时自动检测和精确跟踪的算法和软件。对算法进行了测试并评估了其性能。通过测量按顺序处理每帧所花费的时间来评估算法的性能。测试结果发现，在执行现场可编程门阵列 (FPGA) 算法时，处理帧所花费的时间与物体配置、帧填充和背景特征无关。当算法在 FPGA 上以 1920x1080 的帧大小执行时，其速度比在个人计算机 (PC) 上的执行速度快 20 倍以上。
与扩散模型的灵活运动
运动内部的运动是字符动画中的基本任务，包括生成运动序列，这些运动序列合理地插值用户提供的密钥帧约束。长期以来，它一直被认为是一个劳动密集型和具有挑战性的过程。我们研究了扩散模型在产生以关键帧为指导的各种人类运动中的潜力。与以前的Inbeting方法不同，我们提出了一个简单的统一模型，能够生成精确而多样的动作，以符合灵活的用户指定的空间约束以及文本调理。为此，我们提出了条件运动扩散在中间（condmdi），该扩散允许任意密集的或sparse的密钥帧放置和部分密钥帧约束，同时产生与给定密钥帧相干的高质量运动。我们评估了Condmdi在文本条件的HumanM3D数据集上的性能，并演示了扩散模型对密钥帧In-bet中间的扩散模型的多功能性和功效。我们进一步探索使用
burtlink：用于传统和虚拟现实系统的节能视频显示技术
传统的平面视频流是移动系统中最流行的应用。360◦视频内容和虚拟现实（VR）设备的快速增长正在加速VR视频流的采用。不幸的是，由于视频流过程中涉及的主要系统组件（例如，DRAM，显示界面和显示面板）的高功耗（例如DRAM，显示界面和显示面板），视频流消耗了大量的系统能量。例如，在召开平面视频流中，视频解码器（在处理器中）解码视频帧，并将它们存储在DRAM主内存中，然后在显示控制器（在处理器中）将解码的帧从DRAM传输到显示面板。此系统体系结构导致大量数据移动到DRAM以及高DRAM带宽使用情况。因此，DRAM本身消耗了超过30％的视频流能量。我们提出了burstlink，这是一种新型的系统级技术，它证明了平面和VR视频流的能源效率。burtlink基于两个关键想法。首先，burtlink直接从视频解码器或GPU传输了一个解码的视频框架到显示面板，完全绕过主机DRAM。到此目的，我们使用双重远程帧缓冲区（DRFB）而不是DRAM的双帧缓冲区扩展了显示面板，以便系统可以使用新框架直接更新DRFB，同时使用DRFB中存储的当前帧更新显示面板的像素。第二，使用现代显示界面的最大带宽将完整的解码框架以单个爆发的形式传输到显示面板。与传统的系统不同，帧传输速率由显示面板的像素上的吞吐量限制，burtlink始终可以通过将帧传输从drfb启用的像素更新中解除帧传输来充分利用现代显示器接口的高带宽。这种直接和突发的框架转移链接链接的这种直接和爆发的框架转移可显着降低视频显示的能量消耗1）通过1）减少对DRAM的访问，2）增加怠速功率状态的系统的居留性，3）在快速传输后，启用了几个系统组件的时间功率传输 - 每个系统组件将每个帧转移到DRFB中。
NeuronFlow：用于实时 AI 应用的神经形态处理器架构
视觉和音频传感器处理目前主要由神经网络主导。与手工制作的特征提取/分类技术相比，这些技术更强大、更准确且更易于开发。它们的出现使大量应用程序成为可能，并开辟了新的市场和机会。我们专注于云边缘应用程序，尤其是实时人工智能，即从一个或多个传感器接收实时数据并快速响应环境变化、实时做出决策的应用程序。实时人工智能通常对时间（尤其是延迟）和功耗有严格的要求，因此无法卸载到云端。我们认为，处理实时人工智能神经网络的流行策略存在功率瓶颈，现有计算架构无法解决这一问题。NeuronFlow 通过采用神经形态工程的最新进展和数据流处理器的旧理念来弥补这一差距。最先进的视觉和音频传感器会生成大量时间采样数据。大多数市售视觉传感器都依赖于以等距（即周期性）时间间隔捕获完整图像（帧），而不管场景是否发生变化。此类传感器称为基于帧的。处理视觉传感器的算法通常遵循基于帧的结构，因为这既适合占主导地位的基于帧的传感器技术，也因为它能够重用单帧算法来处理帧序列，即，单个图片对象识别 DNN 可以逐帧应用于视频序列。因此，相同的无关背景对象会在帧之间被重复识别和分析。处理所有这些多余的数据会大大增加计算负荷，导致处理效率极低、耗电。如果图像传感的绝对计算要求满足，那么这不会是一个严重的问题