XiaoMi-AI文件搜索系统
World File Search System计算成本
Mila Anastasova
基于不断增长的物联网（IoT）世界，在低端设备上部署加密协议的冲动需要最佳的设计和基础加密算法的实施，以实现小型通信和计算成本，同时保留了销售数据的隐私。靶向嵌入式设备时，低带宽，约束内存和有限的处理功率的方案很常见；但是，由于可以传达的敏感信息，仍然存在安全要求。在我们的工作中，我们满足了在计算能力，能源和功耗以及内存使用方面对最佳和安全的加密原始实施设计的需求，以适应现代基于ARM的基于ARM的受限设备上的经典和量词后密码系统的部署。
基于石墨烯的纳米载体：一项计算研究Niyazi Bulut Firat University，科学系，物理系，Elazig-Türkiye电子邮件：
在本演讲中，我将首先引入石墨烯，并提供范德华骨料的概述以及分散力在分子系统中的作用，然后讨论从头算电子结构计算，概述标准计算技术，例如密度功能理论（DFT）及其相关的计算成本。谈话还将专注于使用分析公式的分子间电位的表示，并将这些方法应用于日益复杂的分子系统。最后，我将描述用于精确模拟DFT函数基准测试的计算方法。此外，我将分析对总体相互作用能量的物理贡献，从而提供有关选择适当功能的见解，以优化石墨烯作为纳米载体的性能。
使用深度学习方法的黑色素瘤皮肤癌检测
黑色素瘤是皮肤癌最具侵略性的类型之一，其早期发现对于改善患者的存活率和治疗结果至关重要。常规的诊断方法通常遭受高计算成本和较低的精度，这主要是由于特征选择和分类策略不足。这项研究的目的是将最先进的深度学习技术与优化算法相结合，以开发出一种精确有效的预测系统以进行黑素瘤检测。在这项工作中，我们提出了一个新颖的框架，该框架集成了用于图像分类的卷积神经网络（CNN）和用于特征选择的二进制灰狼优化（GWO）算法。二进制GWO算法确定了皮肤病学图像中最相关的特征，从而消除了冗余并减轻了计算负担。然后对CNN进行精制特征子集的训练，以提高分类效率。公开可用的皮肤病变数据集的广泛实验表明，所提出的模型显着优于传统的机器学习模型。敏感性，特异性和整体分类精度的提高突出了将深度学习与优化技术相结合的有效性。我们的结果表明，深度学习和优化方法（例如二进制GWO算法）可以成功应用于黑色素瘤诊断。该策略不仅提高了检测效率和准确性，而且还支持早期诊断和治疗计划，从而提高患者的结果。通过利用二进制GWO算法来优化特征选择过程和用于图像分类的CNN，建议的方法可以降低计算成本，同时提高分类精度。与传统机器学习模型相比，该模型在公开可用的皮肤病变数据集进行了培训和评估时，表现出敏感性，特异性和整体准确性的显着提高。
基于信号的预测可靠性分析元模型...
测试结果的预测对于非常昂贵的测试尤其重要，例如航空航天工业应用，例如高升力系统的测试。出于成本和可管理性考虑，测试样本通常仅代表部分系统。通过软件驱动的执行器对剩余系统的反应进行真实的反馈，可以提高测试结果的代表性。可以使用复杂的程序对物理系统进行真实的建模，例如多体动力学模拟算法，但它们需要大量的计算时间，并且缺乏实时性能。因此，需要降低计算成本，同时保持高保真度建模。可以建立纯数学模型，这些模型计算速度快，但结果准确。作者的方法最初在 [1] 中提出，产生了近似测试对象动态响应的元模型。修改
使用基于近场动力学的计算方法模拟裂纹扩展的疲劳退化策略
摘要 本文的目的是开发新的计算工具来研究结构材料中的疲劳裂纹扩展。特别是，我们比较了不同退化策略的性能，以采用基于近场动力学的计算方法研究疲劳裂纹扩展现象。提出了三种疲劳退化定律。其中两个是原创的。首先使用圆柱模型来比较这三种疲劳定律的计算性能，并研究它们对离散化参数变化的稳健性。然后在近场动力学框架中实施疲劳退化策略以进行疲劳裂纹扩展分析。圆柱模型和近场动力学模拟都表明，提出的第三种退化定律在高精度、高稳定性和低计算成本的结合方面是独一无二的。
将新型生成扩散模型应用于降水降压
机器学习（ML）在统计缩减中起着越来越有价值的作用。能够利用培训数据中潜在的复杂的非线性关系，社区表现出ML学习缩小映射的巨大潜力。遵循完美预后（PP）方法，可以对ML模型进行历史重新分析数据的培训，以了解粗糙预测因子与更高分辨率之间的关系（即缩小）预测。一旦受过训练，这些模型就可以在一般循环模型（GCM）输出上进行评估，以产生区域缩小的结果。由于培训的计算成本相对较低和利用这些模型，它们可用于有效地降低气候模型的大集合，而不是区域与全球域。
ME977卫星数据的机器学习
讲座教程实验室组件外部在线项目分配私人研究总计10 50 30 100教育目标该课程旨在为学生提供有关机器学习方法应用于卫星数据的理论和实用基础，以进行预测，分类，聚类和时间序列分析。学习结果对模块的完成成果预期能够：LO1评估并确定机器学习方法及其对实际问题的适用性LO2理解并分析用于处理卫星数据的计算成本和并行性的选项，用于使用机器学习方法LO3客观地选择，训练和测试机器学习方法，用于给定问题的机器学习方法，以下是syllababus：
hyneter：用于多个计算机视觉任务的混合网络变压器
摘要 - 在本文中，我们指出，基于卷积神经网络（CNN）基于变压器的检测器之间的基本差异，这些检测器在基于变压器的方法中导致小对象的性能较差，是局部信息与全局依赖性在特征提取和传播中的差距。为了使这些差异打扮，我们提出了一种新的视觉变速器，称为Hybrid Network Transformer（Hyneter），此前表明差距导致基于CNN的基于CNN的方法和基于变压器的方法，以增加尺寸不同的对象的结果。不同于以前方法中的分裂策略，Hyneters由混合网络骨干（HNB）和双切换（DS）模块组成，这些模块集成了本地信息和全局，并同时转移它们。基于平衡策略，HNB通过将卷积层嵌入并联中的变压器块中扩展了局部信息的范围，并且DS调整了对斑块外部全局依赖性的过度依赖。消融研究表明，Hyneters通过 + 2的巨大边缘实现了最先进的表现。1〜13。2 AP在可可和 + 3上。 1〜6。 5 miou在visdrone上具有较轻的型号大小和对象检测的计算成本较低。 此外，Hyneters在多个计算机视觉任务上实现了最新的结果，例如对象检测（60。 1 AP在可可和46上。 1 AP在Visdrone上），语义segmentation（54。 3 AP上的ADE20K）和实例分段（48。 可可上的5个ap掩码），并超过以前的最佳方法。2 AP在可可和 + 3上。1〜6。5 miou在visdrone上具有较轻的型号大小和对象检测的计算成本较低。此外，Hyneters在多个计算机视觉任务上实现了最新的结果，例如对象检测（60。1 AP在可可和46上。1 AP在Visdrone上），语义segmentation（54。3 AP上的ADE20K）和实例分段（48。可可上的5个ap掩码），并超过以前的最佳方法。该代码将在以后公开可用。
使用基于近场动力学的计算方法模拟裂纹扩展的疲劳退化策略
摘要 本文的目的是开发新的计算工具来研究结构材料中的疲劳裂纹扩展。特别是，我们比较了不同退化策略的性能，以采用基于近场动力学的计算方法研究疲劳裂纹扩展现象。提出了三种疲劳退化定律。其中两个是原创的。首先使用圆柱模型来比较这三种疲劳定律的计算性能，并研究它们对离散化参数变化的稳健性。然后在近场动力学框架中实施疲劳退化策略以进行疲劳裂纹扩展分析。圆柱模型和近场动力学模拟都表明，提出的第三种退化定律在高精度、高稳定性和低计算成本的结合方面是独一无二的。
具有物理信息神经网络的时间相关狄拉克方程：计算和性质
本文研究使用物理信息神经网络 (PINN) 计算时间相关的狄拉克方程，PINN 是科学机器学习中一个强大的新工具，它避免了使用微分算子的近似导数。PINN 以参数化（深度）神经网络的形式搜索解，其导数（时间和空间）由自动微分实现。计算成本的增加源于需要使用随机梯度法求解高维优化问题，并在训练网络中使用大量类似于标准偏微分方程求解器离散化点的点。具体而言，我们推导了一种基于 PINN 的算法，并展示了其应用于不同物理框架下的狄拉克方程时的一些关键基本性质。