XiaoMi-AI文件搜索系统
World File Search System计算效率
DNA数据存储的信息理论基础
并从数百万个短噪声序列中重建？本专着的目的是通过讨论存储DNA信息的基本限制来解决这个问题。受到当前技术限制在DNA合成和测序上的动机，我们提出了一个概率通道模型，该模型捕获了DNA存储系统的三个关键独特方面：（1）数据写入许多以无序方式存储的许多短DNA分子上； （2）分子被噪声损坏，（3）通过从DNA池中随机采样读取数据。我们的目标是研究这些关键方面对DNA存储系统能力的影响。我们旨在为分析这些渠道分析的信息理论基础，为这些渠道的分析，开发可实现性和交流参数的工具，而不是专注于编码理论考虑和计算效率的编码和解码。
有效计算Collatz序列停止时间
摘要Collatz的猜想认为，任何正整数最终都将通过特定的迭代过程达到1，这是数学中的经典未解决问题。这项研究着重于设计有效的算法来计算Collatz序列中数字的停止时间，从而实现了显着的计算改进。通过利用Collatz树中的结构模式，提出的算法最大程度地减少了冗余操作并优化了计算步骤。与先前的方法不同，它可以有效地处理极大的数量，而无需进行高级技术，例如记忆或并行化。实验评估证实了计算效率提高了约28％的最新方法。这些发现强调了该算法的可扩展性和鲁棒性，为未来对计算数学中的猜想和潜在应用的大规模验证提供了基础。
一种无需基因组关系矩阵直接逆的有效基因组预测方法
GBLUP 是应用最广泛的基因组预测 (GP) 方法，由于需要求基因组关系矩阵 (GRM) 的逆，因此随着训练群体规模的增加，该方法会消耗大量且不断增加的计算资源。因此，在本研究中，我们结合随机 Haseman - Elston (HE) 回归 (RHE-reg) 和预条件共轭梯度 (PCG)，开发了一种新的基因组预测方法 (RHEPCG)，该方法避免了直接求 GRM 的逆。模拟结果表明，在大多数情况下，RHEPCG 不仅能达到与 GBLUP 相似的预测精度，而且还能显著减少计算时间。对于实际数据，与 GBLUP 相比，RHEPCG 对拟南芥 F2 群体的 7 个性状和高粱双色 RIL 群体的 4 个性状表现出相似或更好的预测精度。这表明 RHEPCG 是 GBLUP 的一个实用替代方案，并且具有更好的计算效率。
量子傅里叶变换估计驱动周期
车辆系统中的驾驶周期是决定能源消耗、排放和安全性的重要因素。快速估计驾驶周期的频率对于与燃油效率、减排和提高安全性相关的控制应用非常重要。量子计算已经确定了可以获得的计算效率。基于量子傅里叶变换的驾驶周期频率估计算法比经典傅里叶变换快得多。该算法应用于真实世界数据集。我们使用量子计算模拟器评估该方法，结果显示与经典傅里叶变换的结果具有显著的一致性。当前的量子计算机噪声很大，提出了一种简单的方法来减轻噪声的影响。该方法在 15 qbit IBM-q 量子计算机上进行了评估。对于有噪声的量子计算机，所提出的方法仍然比经典傅里叶变换更快。
缩小“量子霸权”差距：实现真正的……
我们在新型神威超级计算机上开发了一个基于张量的高性能随机量子电路模拟器。主要创新包括：（1）近乎最优的切片方案和兼顾复杂度和计算密度的路径优化策略；（2）三级并行方案，可扩展到约 4200 万个核心；（3）融合排列和乘法设计，可提高各种张量收缩场景的计算效率；（4）混合精度方案，进一步提升性能。模拟器有效扩展了可模拟 RQC 的范围，包括 10 × 10（量子比特）×（1+40+1）（深度）电路，并能保持 1.2 Eflops（单精度）或 4.4 Eflops（混合精度）的性能，成为经典量子电路模拟的新里程碑；并将Google Sycamore的模拟采样时间从之前宣称的10000年缩短至304秒。
M/EEG 信号的对称正定矩阵上的 Sliced-Wasserstein
在处理脑电图或脑磁图记录时，许多监督预测任务是通过使用协方差矩阵来汇总信号来解决的。使用这些矩阵进行学习需要使用黎曼几何来解释它们的结构。在本文中，我们提出了一种处理协方差矩阵分布的新方法，并证明了其在 M/EEG 多元时间序列上的计算效率。更具体地说，我们定义了对称正定矩阵测度之间的 Sliced-Wasserstein 距离，该距离具有强大的理论保证。然后，我们利用它的属性和核方法将此距离应用于从 MEG 数据进行大脑年龄预测，并将其与基于黎曼几何的最新算法进行比较。最后，我们表明它是脑机接口应用领域自适应中 Wasserstein 距离的有效替代品。
GSCORE：通过3D高斯脱落的架构支撑效率的有效辐射场渲染
摘要本文介绍了GSCORE，这是一个硬件加速器单元，该单元有效地执行了使用算法优化的3D Gauss-ian剥落的渲染管道。GSCORE基于对基于高斯的辐射场渲染的深入分析的观察，以提高计算效率并将技术带入广泛采用。在此过程中，我们提出了几种优化技术，高斯形状感知的交叉测试，分层排序和下图跳过，所有这些都与GSCORE协同集成。我们实施了GSCORE的硬件设计，使用商业28NM技术进行合成，并评估具有不同图像分辨率的一系列合成和现实世界场景的性能。我们的评估要求表明，GSCORE在移动消费者GPU上实现了15.86倍的速度，其面积较小，能源消耗较低。
glskeleton：几何laplacian骨骼化...
摘要 - 曲线骨架是几何建模和计算机图形群落已知的，它是形状删除者之一，它凭直觉指示对象的拓扑特性。近年来，研究还提出了应用曲线骨骼来协助机器人推理和计划的潜力。但是，原始的扫描点云模型通常不完整且嘈杂。此外，处理大点云在计算上也效率低下。专注于物体不完整和分布较差的对象云的曲线骨骼化，在这项工作中提出了有效的基于Laplacian的骨骼化框架（GLSKeleton）。我们还提出了引入的局部还原策略（LPR）方法的计算效率，而无需牺牲主要的拓扑结构。使用开源数据集进行了全面的实验来基准性能，并且它们在收缩和整体骨骼化计算速度方面都有显着改善。
工业机器人对神经形态计算的需求
摘要 — 随着摩尔定律走向极限，可用于处理应用程序的计算能力的增长速度也同样停滞不前。这意味着机器人、人工智能和高性能空间计算等计算密集型任务需要创新的方法来满足其不断增长的计算需求。解决计算瓶颈的一种创新方法是将计算和内存结合在一起，而不是冯·诺依曼计算模型，在基于事件的异步计算范式中具有更高的并行度。神经形态计算就是这样一种从大脑中汲取灵感的范式。能源和计算效率、异步和基于事件的处理是神经形态计算的显著特征，是计算密集型任务值得探索的领域。在本文中，作者探讨了神经形态计算在机器人领域的可能性和好处，并确定了可能有益于机器人领域的可能研究方向。