XiaoMi-AI文件搜索系统
World File Search System网络优化
物联网时代的人工智能：边缘人工智能硬件和软件回顾
摘要 — 将人工智能计算移至数据源附近的现代趋势增加了对适合此类环境的新硬件和软件的需求。我们进行了一项范围界定研究，以找到开发 Edge AI 应用程序时使用的当前资源。由于主题的性质，该研究结合了科学来源与产品信息和软件项目来源。本文的结构如下。在第一部分中，简要讨论了 Edge AI 应用程序，然后介绍了硬件选项，最后介绍了用于开发 AI 模型的软件。有各种硬件产品可供选择，我们在本研究中找到了尽可能多的产品，以确定最知名的制造商。我们按以下类别描述设备：人工智能加速器和处理器、现场可编程门阵列、片上系统设备、模块系统以及从开发板到服务器的完整计算机。Edge AI 软件开发似乎有三种趋势：神经网络优化、移动设备软件和微控制器软件。我们讨论了这些新兴领域以及如何考虑低功耗和机器学习计算的特殊挑战。我们的研究结果表明，边缘 AI 生态系统目前正在发展，它有自己的挑战，供应商和开发人员正在应对这些挑战。
治理和商业模式白皮书
5G 蓝图项目的主要目标是探索和克服与 5G 支持的跨境远程运输（包括陆路和水路）相关的技术挑战。与此同时，对远程操作的业务和治理相关方面以及运行远程操作所需的 5G 网络优化选项进行了广泛的研究。治理和商业模式的工作始于定义和验证一系列 5G 支持的 CAM 商业案例，为探索和详细阐述可持续部署“远程”物流业务和相关适当商业模式的选项奠定了基础。经过验证后，所有调查结果还将转化为健全合作和治理的明确建议。该项目这一部分的主要成果包括从物流角度更好地理解“远程操作”业务案例（D3.1）和相关潜在业务模型（D3.2），随后对所需的 5G 网络投资进行技术经济评估（D3.3），验证全面的价值网络分析和最有前途的业务模型（D3.4），最后制定一份路线图，其中包括对所需行动和治理的考虑和详细指导（D3.5）。下图阐明了实现的工作流程的逻辑以及相应的任务：
图论的多方面应用
摘要。数学的一个分支学科称为图论，它研究由线相互连接的点网络。研究人员可以使用图论来建模和检查网络结构。图论本质上主要是拓扑的，支持定性和定量方法。图论使重要的科学发现成为可能，包括更好地理解电力分配系统如何发生故障以及健康问题如何通过社交网络传播。尽管网络分析通常会让人联想到图论、复杂网络理论和网络优化，但地理学家采用各种技术来研究网络。本研究通过系统地探索图论在多个领域的众多应用，强调了图论在建模和分析复杂网络中的基础意义。它首先回顾了图论在数学信息、计算科学和化学中发挥的基本作用。然后讨论转向社交媒体、交通工具和神经科学领域的前沿应用，展示了图论的多功能性。该研究强调了其在利用社交媒体数据改进交通流量预测和评估文化环境设施方面的新应用。本文通过广泛的概述和方法研究验证了图论在解决当代问题中的关键作用。
进化计算和移动可持续网络
如今，网络可持续性已成为全球学术界和业界关注的焦点，为移动通信网络优化的影响提供了解决方案。最近，包括群体智能算法和其他进化算法范式在内的进化计算技术不断发展，成为移动可持续网络虚拟化、优化和自动化的广泛接受的描述符。为了应对对移动通信网络的新影响，第四届进化计算和移动可持续网络国际会议 [ICECMSN 2024] 构想了一个创新的研究平台，用于征集关于开发可持续设计及其在移动网络中实施的最新研究成果。随着进化计算算法的出现，ICECMSN 2024 汇集了一系列富有创造性的研究成果，将开启移动可持续网络的新视角。本次国际会议的主要目的是促进和反映进化计算技术和移动可持续网络的最新研究成果。 ICECMSN 2024 特别关注计算智能和进化计算，其范围广泛，从理论基础到增强移动网络可持续性的实际应用。
基于人工智能的移动量子计算...
摘要 — 在本文中，我们讨论了如何使用人工智能中的约束满足问题概念对某些无线接入网络优化问题进行建模，并使用量子计算机大规模解决这些问题。作为一个案例研究，我们讨论了根序列索引 (RSI) 分配问题 — 一个重要的 LTE/NR 物理随机接入信道配置相关自动化用例。我们将 RSI 分配公式化为使用从商业移动网络获取的数据构建的二次无约束二进制优化 (QUBO) 问题，并使用基于云的商用量子计算平台对其进行求解。结果表明，量子退火求解器可以成功分配无冲突的 RSI。与众所周知的启发式方法相比，一些经典算法在解决方案质量和计算时间方面甚至更有效。非量子优势是由于当前实现是一种半量子概念验证算法。此外，结果取决于所使用的量子计算机的类型。尽管如此，所提出的框架具有高度灵活性，并且在利用移动网络自动化中的量子计算能力方面具有巨大潜力。
在直播电子商务时代的3D打印供应链优化
这项研究检查了使用系统动力学来开发纯聚合物和聚合金混合印刷的单独模型，研究了上升的实时流媒体电子商务对3DP供应链的影响。分析重点是优化3DP供应链配置。结果表明，仅基于印刷时间，成本和质量指标，Corporate-Live-3DP服务对于实时商务场景是最佳的。尽管如此，文献数据和案例研究证明了私人Live-3DP在实践中维持了大量的消费者基础。这两种模型都对常规供应链构成了重大挑战，需要适应。对于企业Live-3DP，优化策略可能包括技术进步，数字化转型，敏捷制造，全球网络优化，创新管理，协作R＆D，微调库存控制，质量系统升级，人才发展，人才开发和组织压缩。，可以通过合并私人3D打印资源，需求预测和订单优化，供应链协作平台，质量管理扩展，库存策略调整，提高透明度，法规合规性和风险缓解措施来优化私人Live-3DP。
基于可持续性的城市交通战略规划：决策应用
摘要：公共交通是发展中城市的主要目标之一。这个主题不仅包括管理人员，还包括城市居民和环境，涉及经济、环境和社会因素。本文介绍了一种多标准决策过程，用于优先考虑克勒卡莱的替代公共交通项目，考虑到发展中城市的城市类型。它概述了三个计划中的改进项目：“电动市政公交车”、“轻轨系统”和“现有车辆的现代化和网络优化”。在本研究中，我们使用层次分析法和模糊技术按与理想情况的相似性排序 (TOPSIS) 应用，使用经济、社会、交通和环境子标准对交通项目进行优先排序。本研究的目的是选择最合适的项目，基于可持续性，提高克勒卡莱市的城市宜居性。在战略决策过程中，使用层次分析法 (AHP) 确定了每个可持续性标准的权重。模糊 TOPSIS 方法已用于对克勒卡莱拟议的备选项目进行排序。最后，比较了分析决策过程的结果，并选择电动市政公交车作为最佳项目替代方案。这项研究的结果不仅可以为当前与城市规划相关的需求提供解决方案，还可以确保更透明的决策
实验室介绍 电气工程学院
[深度学习和神经网络处理器设计] 深度学习算法最近受到了极大的关注。GPU 被广泛用于运行神经网络，但由于其能效低，不适合集成到智能手机、可穿戴设备和无人机等移动设备中。我们专注于高性能和节能的专用神经网络处理器的设计和实现。为此，我们正在研究针对神经网络优化的数据路径和内存架构、处理各种神经网络模型的灵活硬件架构以及硬件友好的神经网络算法。最后，基于我们的想法设计、制造和测试了神经网络处理器芯片。我们正在最受认可的会议上进行最先进的研究。[深度学习的内存处理] 传统的冯诺依曼架构在处理以内存为主的深度学习算法时严重受到内存瓶颈问题的困扰，因为大量数据必须通过窄总线从主内存传输到处理器。同时，遵循非冯·诺依曼架构的内存处理（PIM）技术将数据处理在内存中，只将必要的数据传输到处理器，降低了内存传输的能耗成本。因此，内存处理范式是高效处理大规模深度神经网络的重点方向和下一代平台。
斯图加特大学通信网络与计算机工程学院 Pfaffenwaldring 47, D-70569 斯图加特，德国电话：++49-711-68
摘要 — 按需提供各种网络服务需要具有快速适应和重新配置能力的敏捷网络。我们提出了一种基于量子计算 (QC) 和整数线性规划 (ILP) 模型的短期网络优化新方法框架，该框架有可能实现实时网络自动化。我们定义了将近乎真实的资源配置 ILP 模型映射到二次无约束二进制优化 (QUBO) 问题的方法，该问题可以在量子退火器 (QA) 上解决。我们专注于三节点网络，使用最先进的量子退火器 D-Wave Advantage™5.2/5.3 评估我们的方法及其可获得的解决方案质量。通过研究退火过程，我们找到了退火配置参数，这些参数可以获得接近经典 ILP 求解器 CPLEX 生成的参考解的可行解。此外，我们研究了网络问题的扩展，并对量子退火器的硬件要求进行了估计，以便能够正确地将 QUBO 问题嵌入到更大的网络中。我们在 D-Wave Advantage™ 上实现了最多 6 个节点的网络的 QUBO 嵌入。根据我们的估计，一个具有 12 到 16 个节点的实际大小的网络需要至少具有 50000 个量子比特或更多量子比特的 QA 硬件。索引术语 — 整数线性规划、网络自动化、光网络、量子退火、量子计算、资源分配
学习通过离线加强学习从观察中控制自主舰队
摘要 - 按需（AMOD）系统的自主移动性是一种不断发展的运输方式，其中中央协调的自动驾驶汽车的舰队动态地服务了旅行请求。这些系统的控制通常被称为一个大型网络优化问题，而增强学习（RL）最近已成为解决该领域中开放挑战的一种有前途的方法。最近的集中式RL方法专注于从在线数据中学习，而忽略了实际运输系统中的每样本相互作用。为了解决这些限制，我们建议通过离线强化学习的镜头正式对AMOD系统进行正式控制，并使用仅离线数据学习有效的控制策略，这很容易为当前的移动性运营商提供。我们进一步研究了设计决策，并根据现实世界中移动性系统的数据提供了经验证据，表明了离线学习如何恢复（i）（i）（i）与在线方法表现出相同的AMOD控制策略，（ii）允许样品有效的在线微调和（iii）消除复杂的模拟环境的需求。至关重要的是，本文表明，离线RL是在经济临界系统（例如迁移率系统）中应用基于RL的SO的有希望的范式。