XiaoMi-AI文件搜索系统
World File Search System计算单元
神经形态硬件系统的天体自我修复
虽然基于脉冲神经网络 (SNN) 的神经形态计算架构作为实现生物可信机器学习的途径越来越受到关注，但人们的注意力仍然集中在神经元和突触等计算单元上。从这种神经突触视角出发，本文试图探索神经胶质细胞，特别是星形胶质细胞的自我修复作用。这项工作调查了与星形胶质细胞计算神经科学模型的更强相关性，以开发具有更高生物保真度的宏观模型，准确捕捉自我修复过程的动态行为。硬件-软件协同设计分析表明，生物形态星形胶质细胞调节有可能自我修复神经形态硬件系统中的硬件实际故障，并且在 MNIST 和 F-MNIST 数据集上的无监督学习任务中具有明显更好的准确性和修复收敛性。我们的实现源代码和训练模型可在 https://github.com/NeuroCompLab-psu/Astromorphic Self Repair 上找到。
RISC-V 工具链和基于敏捷开发的开放...
本文提出了一种低功耗神经形态处理器——文曲星 22A，它将通用 CPU 功能与 SNN 相结合，利用 RISC-V SNN 扩展指令对其进行高效计算。文曲星 22A 的主要思想是将 SNN 计算单元集成到通用 CPU 的流水线中，利用定制的 RISC-V SNN 指令 1.0（RV-SNN 1.0）、精简泄漏积分和发射 (LIF) 模型和二元随机脉冲时序相关塑性 (STDP) 实现低功耗计算。文曲星 22A 的源代码已在 Gitee 1 和 GitHub 1 上在线发布。我们将文曲星 22A 应用于 MNIST 数据集的识别，以与其他 SNN 系统进行比较。实验结果表明，文曲星22A相比加速器解决方案ODIN能耗降低了5.13倍，3位ODIN在线学习的分类准确率约为85.00%，1位文曲星22A的分类准确率约为91.91%。
Spin-Photon网络中的可扩展和高保真量子随机访问存储
量子随机访问存储器（QRAM）被认为是必不可少的计算单元，可以在量子信息处理中实现多名速度。建议的实现包括使用中性原子和超导电路来构建二进制树，但这些系统仍然需要证明基本组件。在这里，我们提出了一个与固态记忆集成的光子集成电路（PIC）结构，作为构造QRAM的可行平台。我们还提出了一种基于量子传送的替代方案，并将其扩展到量子网络的背景。这两个实现都意识到了两个关键的QRAM操作，（1）量子状态传输和（2）量子路由，并具有已证明的组件：电气调节器，一个Mach-Zehnder干涉仪（MZI）网络，以及与人工原子相连的基于自旋记忆的记忆和固定的纳米腔。我们的方法从基于光子先驱的内置误差检测中获得了好处。详细介绍了QRAM的效率和查询效果的理论分析表明，我们的建议为一般QRAM提供了可行的近期设计。
量子计算机和数据库之间的协同作用
有多个不同的计算范例，是基于CPU的常规计算。如今，最令人兴奋的计算范式是量子范围。它基于量子力学[1]，尽管现代量子计算软件[2，3]几乎不知道量子物理学。量子计算机的硬件不同。最常见的硬件实现是超级传导（IBM，Google，Rigetti），光子（Xanadu），被困的离子（Ionq，Honeywell），Adiabatic（D-Wave）和Silicon Spin Qubits（Intel，HRL）。Amazon Braket，IBM Quantum，Xanadu和D-Wave Leap提供了对云中Quantum计算机和模拟器的访问。各种各样的硬件类型表明，这些类型尚未成为标准品，而Quantum硬件公司之间的竞争仍在进行中。未来将显示哪种量子计算硬件类型将成为主导。量子计算机不会接管经典的计算。相反，它们将是计算单元，例如GPU处理器或超级计算机，以及经典的计算机和数据库。我们可以向他们发送特定且计算复杂的问题。因此，混合方法将是实用量子计算的最现实选择。
量子计算：一种部门组成方法
量子计算工作近年来取得了长足的进步，在许多“颠覆性”或“新兴”技术列表中，量子技术赢得了量子技术。1在2019年底，Google自我指定的是运营53 Qubit处理器的成就，以实现长期的“量子至高无上”的基准（量子至高无上，这是量子计算机比传统计算机胜过传统计算机的能力）。2同时，量子行业的竞争对手也提高了其量子计算能力。例如，IBM连续第四年庆祝2019年，它可以超过量子计算机的量子计算机的量子量或最小的计算单元，即量子系统的容量。3计算量子技术（例如量子通信）依靠相似的技术和科学知识，也看到了巨大的改进。在2020年初，中国宣布通过量子卫星以创纪录的1,120公里的土地距离成功传输消息。4这介绍了确保合理距离城市之间超级连接通信的能力。这些基准中的每个基准都会单独标记朝着可操作的量子技术的具体步骤，这些量子技术可显着提高计算能力和安全益处。一起，它们表明了对实现可用量子的系统的浓厚兴趣和承诺。
自动驾驶汽车的突出检测
自动驾驶汽车的引入代表了运输历史上的分水岭，并承诺提供更安全，更高效和可访问的流动性。但是，转移到完全无人驾驶汽车的障碍中，包括检测出意外的障碍物，例如从其他车辆突出物体。这项研究试图为自动驾驶汽车创建原型突出检测系统。该原型构建在玩具车底盘上，并具有由微控制器控制的电动机和车轮。一个小型相机，例如网络摄像头或Raspberry Pi相机，记录了车辆的前视图。Raspberry Pi或Arduino用作中央计算单元，解释传感器数据，做出决策并将命令发送到驱动器系统。为了训练检测系统，我们拍摄了带有和没有突起的汽车的照片。这些照片与OpenCV库一起处理，以提高功能质量和检测准确性。基本对象识别技术检测突起，系统检查图像是否差异。系统检测到突出时，它会停止汽车，激活LED警报或发出蜂鸣器。测试原型以确保其有效性，并随着反馈的驱动而变化。该项目提供了计算机视觉和机器人技术的动手经验，这有助于提高自动驾驶汽车安全性的总体目标。
量子计算不同量子比特设计的比较
„ 引言 在过去十年中，量子计算一直是一个不断发展的领域。与依靠比特将信息表示为 0 或 1 的传统计算机不同，量子计算机使用量子比特或量子位，由于叠加原理，量子比特可以同时存在于多种状态中。预计量子计算机解决特定问题的速度将比传统计算机快得多。这些问题包括复杂的量子模拟 1 和特定的优化任务。2 量子计算还可用于加密。3,4 量子计算应用是一个不断发展的领域，随着量子计算机计算能力的增长，它们也在不断发展。量子计算机的这些潜在应用引起了人们对该领域的极大关注，人们对这些计算机的设计和改进进行了广泛的研究。量子位是量子计算机中最小的计算单元，其属性决定了计算所需的设计。设计量子位的第一步是定义量子计算机需要满足的标准，才能被视为实用的计算机设计。理论物理学家 David P. DiVincenzo 在 21 世纪提出了这些特性。5 DiVincenzo 提出了量子计算的五个必要条件和量子通信的两个必要条件。DiVincenzo 的量子计算标准如下：
Qompress：利用部分和混合基数运算减少通信量的 Ququarts 高效编译
量子计算正处于资源有限的时代。当前的硬件缺乏高保真门、长相干时间以及执行有意义计算所需的计算单元数量。现代量子设备通常使用二进制系统，其中每个量子位都存在于 | 0 ⟩ 和 | 1 ⟩ 状态的叠加中。然而，通过以不同的方式操纵系统，通常可以访问同一物理单元中的 | 2 ⟩ 甚至 | 3 ⟩ 状态。在这项工作中，我们考虑通过压缩方案自动将两个量子位编码为一个四状态量子。我们使用量子最优控制来设计高效的概念验证门，完全复制这些编码量子位上的标准量子位计算。我们扩展了量子比特编译方案，以便在由量子比特和量子门组成的任意混合基数系统上高效路由量子比特，从而减少通信并最大限度地减少由较长持续时间的量子门引入的额外电路执行时间。结合这些编译策略，我们引入了几种方法来寻找有益的压缩，将计算和通信导致的电路错误减少高达 50%。这些方法可以将有限的近期机器上可用的计算空间增加高达 2 倍，同时保持电路保真度。
在 HPC 基础设施上扩展脉冲神经网络
1 机器人、人工智能与实时系统，慕尼黑工业大学信息学院，德国慕尼黑，2 于利希超级计算中心 (JSC) 神经科学模拟与数据实验室，高级模拟研究所，JARA，于利希研究中心有限公司，德国于利希，3 瑞士国家超级计算中心 (CSCS)，苏黎世联邦理工学院，瑞士卢加诺，4 神经计算单元，冲绳科学技术研究生院，日本冲绳，5 机器人与人工智能卓越系，生物机器人研究所，Scuola Superiore Sant'Anna，意大利蓬泰代拉，6 计算机架构与技术系，格拉纳达大学信息与通信技术研究中心，西班牙格拉纳达，7 图像处理研究团队，日本理化学研究所先进光子学中心，和光，8 计算工程应用单元，信息系统与网络安全总部，理化学研究所，日本和光市、9 日本东京电气通信大学信息与工程研究生院、10 德国于利希研究中心、神经科学与医学研究所 (INM-6)、高级模拟研究所 (IAS-6)、JARA BRAIN 研究所 I、11 德国亚琛工业大学计算机科学 3-软件工程、12 日本神户理化学研究所计算科学中心
连接车辆的有效数据传输框架
摘要 - 连接的车辆（CVS）在连续的大数据传输方面面临重大挑战，导致较高的传输带宽成本和影响实时决策。为了解决这个问题，我们提出了基于强化学习和时间压缩感知的两种动态驾驶感知机制，以智能压缩视频数据。这些机制适应驾驶条件，减少带宽，同时保留足够的信息以进行准确的应用，例如对象检测并确保在需要时确保高质量的重建。我们还实施了一个集成这些机制的车辆边缘库云（VEC）闭环框架。具体来说，轻巧的车辆模型对压缩数据（测量）进行实时检测，而Edgeserver则在需要时接收测量并重建场景。然后将测量结果，重建视频和分析结果发送到云中以进行车辆模型更新。与传统方法不同，我们的框架无缝地适应了跨车辆，边缘服务器和云，从而支持有效的数据传输和动态模型更新。在我们设计的路边单元平台和机器人车辆上进行了广泛的评估，这些车辆配备了行业级传感器和计算单元。结果表明，与非自适应测量值相比，在320kb/s的带宽下降低了18倍，同时保持高检测精度和重建质量，突出了该框架对CVS的有希望的现实世界应用。