XiaoMi-AI文件搜索系统
World File Search System缓存
肠道微生物营养不良差异在两个不同的缓存肿瘤模型中不同的饮食
摘要：癌症恶病质对结肠微生物群的影响的特征很差。这项研究评估了如果发现类似的营养不良，则评估了两种缓存产生的肿瘤类型对肠道菌群的影响，以确定肠道菌群的影响。此外，还确定了含有富含免疫营养素的食物（核桃）的饮食是否已知可以促进结肠中益生菌的生长，这会改变营养不良和缓慢的卡希克西亚。男性Fisher 344只大鼠被随机分配给有或没有核桃的半纯化饮食。然后，在每个饮食组中，将大鼠随机分配到一个治疗组：肿瘤的特征喂养（TB），非肿瘤含量的Adibitum Fed（NTB-AL）和非肿瘤组对TB（NTB-PF）（NTB-PF）。TB组植入了病房结肠癌或MCA诱导的肉瘤，都是可移植的肿瘤系。粪便样品，并使用16S rRNA基因分析鉴定了细菌。两个结核病组都患有恶病质，但肠道微生物组的变化也有所不同。β多样性不受治疗（NTB-AL，TB和NTB-PF）的影响，无论肿瘤类型如何，但受饮食影响。此外，饮食始终改变了几种细菌类群的相对丰度，而治疗和肿瘤类型没有。对照饮食增加了曲霉曲霉的丰度，而核桃饮食则增加了Ruminococcus属。没有发现病虫的常见粪便细菌变化特征。饮食始终改变了肠道菌群，但是这些变化不足以减慢恶病质的进展，这表明癌症恶病质比几个肠道菌群变化更为复杂。
适应性缓存技术优化车辆性能
摘要：在互连和自动驾驶汽车的快速发展的领域中，自适应缓存在提高车载信息系统的效率方面起着关键作用。缓存，最初是一种用于加快数据访问的计算技术，现在对于管理现代车辆生成的大量数据至关重要。通过将经常访问的数据存储在快速访问记忆中，自适应缓存可降低延迟并提高数据检索速度，从而使自动驾驶，智能和电动汽车受益。将机器学习与缓存策略的集成进一步推进了系统，从而使预测性缓存可以根据使用模式预测数据需求。这种方法不仅可以提高性能，还可以通过最大程度地减少不必要的数据交换来降低能源消耗。自适应缓存的关键优势包括提高安全性，有效的交通流量和改进的用户体验。在连接的车辆中，从车辆到所有内容的V2X通信中的数据可将延迟降至最低，从而提供了及时的信息，从而提高了道路安全性。同样，电动汽车受益于与电池状态有关的缓存数据的实时分析，从而优化了电源管理。总体而言，自适应缓存解决了当代汽车系统的挑战，为更智能，更安全和更高效的车辆铺平了道路。关键字：自适应缓存，自动驾驶汽车，数据效率，预测缓存，V2X通信
密钥形式：通过关键令牌选择减少KV缓存
本文介绍了一种创新的推理时间方法“密钥形式”，以减轻与KV高速缓存大小相关的挑战。密钥形式利用了以下观察结果，即生成推断中大约90％的注意力重点集中在特定的令牌子集上，称为“键”代币。密钥形式仅通过使用新颖的分数函数识别这些关键令牌来保留KV缓存中的密钥令牌。这种方法降低了KV缓存大小和内存带宽的使用情况，而不会损害模型精度。我们在三个基础模型中评估了KeyFormer的性能：使用各种位置嵌入算法的GPT-J，Cerebras-GPT和MPT。我们的评估使用各种任务，重点是摘要和涉及扩展上下文的对话任务。我们表明，密钥形式可将推理潜伏期降低2.1倍，并将令牌生成吞吐量提高2.4倍，同时保持模型的准确性。
基于深层学习的联合缓存和合作MEC
摘要 - 新应用程序的出现导致对移动边缘计算（MEC）的需求很高，这是一个有希望的范式，在网络边缘部署了类似云的架构，以向移动用户（MUS）提供计算和存储服务。由于MEC服务器与远程云相比的资源有限，因此在MEC系统中优化资源分配并平衡合作MEC服务器之间的负载至关重要。MEC服务器的不同类型计算服务（CSS）的缓存应用数据也可能是高度好处的。在本文中，我们调查了合作MEC系统中层次结构缓存和资源分配的问题，该系统被称为有限的Horizon成本成本最小化Markov决策过程（MDP）。为了处理大型状态和动作空间，我们将问题分解为两个耦合的子问题，并开发了基于分层的增强学习（HRL）基于基于的解决方案。下层使用深Q网络（DQN）来获取流量决策的服务缓存和工作量，而上层则利用DQN来获得合作MEC服务器之间的负载平衡决策。我们提出的方案的可行性和有效性通过我们的评估结果验证。
缓存碳-EOS.org
Geodesy Surendra Adhikari海科学Clark Alexander HydrologyJoséLuisArumi自然危害Paula R. Buchanan Geohealth Helena Chapman Helena Chapman大气和太空电力Kenneth L.Cummins Tectonoponophysicsic Ciarra Greene Space Physics and Aeronomy Jingnan Guo Hydrology Caitlyn Hall Science and Society Sara Hughes Planetary Sciences James T. Keane Cryosphere Michalea King Seismology Ved Lekic Mineral and Rock Physics Jie “Jackie” Li Volcanology, Geochemistry, and Petrology Michelle Jean Muth Atmospheric Sciences Vaishali Naik Study of the Earth's Deep Interior Rita Parai Geomagnetism, Paleomagnetism, and Electromagnetism Greig Paterson Earth and Space Science Informatics Sudhir Raj Shrestha Nonlinear Geophysics Daniele Telloni Paleoceanography and Paleoclimatology Kaustubh Thirumalai Earth and Planetary Surface Processes Desiree Tullos Biogeosciences Merritt Turetsky History of Geophysics Roger Turner Global Environmental Change Yangyang XU
找到一种快乐媒介的异质缓存集成
对于高性能计算，希望从整体SOC中分解缓存存储器，并通过异源集成技术重新整合它。将缓存从整体SOC中重新定位会导致降低晚期硅死模尺寸，从而导致较高的产量和较低的成本。在这项研究中，我们评估了使用DECA模制的M-Series™嵌入式缓存扇出溶液之间高端3D硅互连解决方案和低端基板溶液之间差距的方法。deca的M系列芯片首先面对FOWLP平面结构是一个理想的平台，用于构建嵌入式插入器，用于处理器芯片，缓存内存和深沟槽电容器的异质集成。deca的自适应模式®允许扩展到处理器chiplet和缓存内存之间的高密度互连。考虑了嵌入式缓存插波器的三种不同配置。垂直堆叠的面对面配置最小化处理器和高速缓存之间的互连长度，而横向配置为铜堆积的铜堆积提供了铜的互连，从而可以进一步缩放互连间距。这两种配置都有其特定的好处和缺点，这些作品在这项工作中详细描述了。关键词自适应图案，嵌入式缓存插入器，扇出晶圆级包装，异质集成，高性能计算，M系列
widir：无线启用目录缓存连贯协议
摘要 - 作为共享记忆多核的核心计数不断增加，设计高性能协议的设计越来越困难，这些协议可以提供高性能而不会增加复杂性和成本。特别是，共享一组内核经常读取和写入共享变量的模式很难有效地支持。因此，程序员最终会调整其应用程序以避免这些模式，从而损害共享内存的可编程性。为了解决这个问题，本文使用最近提供的片上无线网络技术来增强常规的基于无效的基于无效的目录高速缓存相干协议。我们称之为生成的协议widir。widir通过有线和无线相干交易在给定线路之间基于访问模式以程序员透明方式进行过渡。在本文中，我们详细描述了协议过渡。此外，使用飞溅和PARSEC应用程序的评估表明，Widir大大减少了应用程序的存储器失速时间。结果，与常规目录协议相比，对于64核运行，Widir平均将应用程序的执行时间缩短了22％。此外，Widir更可扩展。这些好处是通过非常适中的功率成本获得的。索引条款 - 芯片上的无线网络，目录缓存相干协议
具有交易缓存的多组分分支预测指标中的共享模式记录表
I。代表性的示例包括Alpha 21264锦标赛预测器[11]，偏斜分支预测因子，例如2BC-GSKEW分支预测器，该预测已计划为Alpha EV8前端[15]。驱动多组分预测指标的主要动机是观察[10]，即不同的动态预测因子在预测准确性方面与不同分支的不同，因此需要使用多个预测指标来预测分支。多组分预测因子已经在文献中进行了广泛的研究，并具有多种设计策略，试图提高预测准确性和功率[2]，[5]。典型且广泛流行的多组分预测指标由本地和全局预测指标组成，并使用复杂的比赛预测方案来选择运行时这些预测变量之间的最终预测。基于本地历史的预测指标仅使用有关其当前预测所考虑的分支的过去结果信息，而全球人除了目前外，还考虑了前面分支的结果历史，同时对特定分支进行了预测。本地和全局组件保持单独的模式
告别堆外缓存！堆上缓存...
许多分析计算都由迭代处理阶段主导，一直执行到满足收敛条件为止。为了加速此类工作负载，同时跟上数据的指数增长和 DRAM 容量的缓慢扩展，Spark 采用了内存外缓存中间结果。然而，堆外缓存需要对数据进行序列化和反序列化（serdes），这会增加大量开销，尤其是在数据集不断增长的情况下。本文提出了 TeraCache，这是 Spark 数据缓存的一个扩展，它使用内存映射 I/O（mmio）将所有缓存数据保留在堆上但不在内存中，从而避免了对 serdes 的需求。为了实现这一点，TeraCache 使用托管堆扩展了原始 JVM 堆，该托管堆驻留在内存映射的快速存储设备上，专门用于缓存数据。初步结果表明，与最先进的 serdes 方法相比，TeraCache 原型可以将缓存中间结果的机器学习 (ML) 工作负载加快多达 37%。