XiaoMi-AI文件搜索系统
World File Search System计算负担
FETCH：EEG 可穿戴系统中快速有效的通道选择技术
可穿戴生物医学系统的快速发展如今使得实时监测脑电图 (EEG) 信号成为可能。这些信号的采集依赖于电极。这些系统必须应对设计挑战，即选择一组在性能和可用性约束之间取得平衡的最佳电极。从更大的电极集合中搜索最佳电极子集是一个具有组合复杂性的问题。虽然现有研究主要集中于仅探索有限组合的搜索策略，但我们的方法提出了一种计算效率高的方法来探索所有组合。为了避免为每种组合训练模型所带来的计算负担，我们利用了一种受小样本学习启发的创新方法。值得注意的是，该策略涵盖了所有可穿戴电极组合，同时与在每种可能的组合上重新训练网络相比，显著减少了训练时间。在癫痫发作检测任务中，所提出的方法在使用八个电极的配置下实现了 0.917 的 AUC 值。这一性能与之前的研究结果相当，但实现所需的时间却少得多，将原本需要数月才能完成的过程在单个 GPU 设备上缩短为数小时。我们的工作可以全面探索可穿戴生物医学设备设计中的电极配置，从而获得可提高性能和实际可行性的见解。
电力系统运行模型中的核心过程表示：多部门动态研究的差距、挑战和机遇
电网运营与环境系统和人类系统（如交通、农业、经济和金融市场）的互动日益密切。我们的目标是讨论建模方面的差距和机遇，以推动多部门适应和权衡的科学发展。我们专注于电力系统运营模型，这些模型通常代表几天到一年内电网运营的关键物理和经济方面，并假设电网基础设施固定。由于计算负担，模型通常是定制的，以反映区域资源机会、数据可用性和感兴趣的应用。我们将电力系统运营模型概念化为四个核心过程：物理电网资产（发电、输电、负载和存储）、模型目标和目的、机构和决策代理以及绩效指标。我们根据对 23 个现有模型的审查对这些核心过程的表示进行了分类。以围绕电网和短期不确定性、长期全球变化和多部门技术创新的科学问题为例，我们报告了研究界采用的流程保真度和可处理性之间的权衡，以表示电力系统运行模型中的多部门相互作用。我们对研究方向的建议与模型无关，侧重于核心过程及其与其他人类系统的相互作用，并考虑计算权衡。© 2021 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可协议开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
高性能容量扩展模型的正则化 Benders 分解
摘要 — 我们考虑电力容量扩张模型，该模型通过最小化投资和运营成本来优化投资和退役决策。为了为规划和政策决策提供可靠的支持，这些模型需要包括详细的运营和时间耦合约束，考虑与天气相关的参数和需求数据的多种可能实现，并允许对离散投资和退役决策进行建模。这些要求导致大规模混合整数优化问题，而这些问题是现成的求解器无法解决的。因此，实际的解决方法通常依赖于精心设计的抽象技术，以在减少计算负担和模型准确性之间找到最佳折衷。Benders 分解提供了可扩展的方法来利用分布式计算资源并使模型具有高分辨率和计算性能。在本研究中，我们为具有多个规划期、随机运营场景、时间耦合策略约束以及多日储能和水库水力资源的大规模容量扩张模型实施了一种量身定制的 Benders 分解方法。使用多个案例研究，我们还评估了几种水平集正则化方案以加速收敛。我们发现，在可行集内部选择规划决策的正则化方案与以前发布的方法相比表现出更优异的性能，从而能够以前所未有的计算性能解决高分辨率混合整数规划问题。
dsnet：用于实时焊接接缝图像分割的动态挤压网络
焊接过程产生的图像噪声（例如弧光，飞溅和烟雾）给基于激光视觉传感器的焊接机器人带来了巨大的挑战，可以定位焊接接缝并准确地进行自动焊接。当前，基于深度学习的方法超过了灵活性和鲁棒性的传统方法。但是，它们的重大计算成本导致与自动焊接的实时要求不匹配。在本文中，我们对卷积神经网络（CNN）和变压器的有效混合体系结构（称为动态挤压网络（DSNET））进行实时焊接接缝分段。更准确地说，开发了一个轻巧的分割框架，以充分利用变压器结构的优势，而无需显着增加计算开销。在这方面，旨在提高其功能多样性的高效编码器已被设计并导致了编码性能的大幅改进。此外，我们提出了一个插件轻巧的注意模块，该模块通过利用焊接接缝数据的统计信息并引入线性先验来产生更有效的注意力权重。使用NVIDIA GTX 1050TI对焊缝图像进行广泛的实验表明，与基线方法Transunet相比，我们的方法将参数的数量减少了54倍，将计算复杂性降低了34倍，并将推理速度提高33倍。dsnet可实现较高的准确性（78.01％IOU，87.64％骰子）和速度性能（100 fps），其模型复杂性和计算负担较低。该代码可在https://github.com/hackerschen/dsnet上找到。
应用能源 - Refubium - 柏林自由大学
为支持能源转型和遏制气候变化，全球范围内的举措已导致过去十年安装的可再生分布式发电机 (DG) 数量大幅增长，其中光伏 (PV) 系统是增长最快的技术。然而，众所周知，电网中光伏渗透率高会导致电压波动和线路拥塞等许多运行问题，这些问题可以通过利用光伏系统的无功功率能力来缓解。为此，我们建议使用人工神经网络 (ANN) 来预测光伏系统中的最佳无功功率调度，方法是以集中式或分散式的方式从交流最优功率流 (ACOPF) 解决方案中学习近似输入输出映射。在分散控制的情况下，我们利用可解释人工智能 (XAI) 技术 Shapley 加法解释 (SHAP) 来识别对每个单独系统的最佳调度有显著影响的非本地电网状态测量值。通过基于 CIGRE 中压配电网的案例研究，对集中式和分散式 ANN 控制器进行了评估，并与基线控制策略进行了比较。结果表明，两种基于 ANN 的控制器均表现出优异的性能，可防止基线策略遇到的电压问题和线路拥塞，同时与固定功率因数控制相比，可节省 0.44% 的能源。通过利用 ANN 和 SHAP，所提出的用于无功功率控制的分散式控制器能够实现 ACOPF 级性能，同时促进数据隐私并减少计算负担。
使用生成对抗网络
准确的湍流预测非常昂贵，因为它需要一个限定时间的时间步骤来推进管理方程以解决快速发展的小规模动作。随着各种机器学习（ML）算法的最新开发，有限的时间预测成为减轻计算负担的有希望的选择之一。然而，对小规模动议的可靠预测具有挑战性。在这项研究中，开发了基于生成对抗网络（GAN）的数据驱动的ML框架的预测网络，用于快速预测湍流，使用相对较少的参数，高精度降至最小的湍流。特别是，我们使用直接的数值模拟数据在有限的交货时间内学习了二维（2-D）腐烂的湍流。开发的预测模型可以在有限的交货时间内准确地预测湍流场，最多是Eulerian积分时间尺度的一半，大规模动作保持相当相关。量表分解用于解释可预测性，具体取决于空间量表，并研究了潜在变量在歧视者网络中的作用。GAN在预测小规模的湍流中的良好性能归因于潜在变量的尺度选择和尺度相互作用能力。此外，通过利用预测网络作为替代模型，开发了一个名为ControlNet的控制模型，以识别驱动流量段的时间演变的扰动模型，以优化指定目标函数的方向。
接受的手稿 - addi
摘要 - 基于机器学习的嵌入式系统，这些系统在安全 - 关键应用中（例如航空航天和自主驾驶）中所需的系统需要强大，以防止软错误产生的扰动。软误差是现代数字处理器越来越多的关注点，因为较小的晶体管几何形状和较低的电压使电子设备对背景辐射具有更高的敏感性。深神经网络（DNN）模型对参数扰动的弹性在很大程度上是通过模型本身的结构以及所选的数值表示并使用算术精确的。应用诸如模型修剪和模型量化之类的压缩技术来减少内存足迹和部署的计算复杂性时，模型结构和数值表示都会修改，因此，软误差稳健性也会改变。从这个意义上说，尽管DNN模型中的激活功能（AFS）的选择经常被忽略，但它不仅可以预测它们的准确性和训练性，还可以应对可压缩率和数值鲁棒性。本文涉及使用有限的AFS来提高模型鲁棒性对DNN参数扰动的适用性，同时评估了此选择对模型准确性，可压缩性和计算负担的影响。尤其是我们分析了旨在在高光谱图像上执行语义分割任务的编码器完全卷积模型，以在自主驾驶中进行场景理解。部署表征是在AMD-Xilinx的KV260 SOM上进行实验的。索引项 - 稳定性，激活功能，模型组合，边缘计算，语义分割
gjk ++：利用加速方法以更快的碰撞检测
摘要 - 集合检测是各个领域的基本问题，例如机器人技术，计算物理和计算机图形。一般而言，碰撞检测被作为计算几何问题，而所谓的吉尔伯特，约翰逊和Keerthi（GJK）算法是当今最采用的解决方案。在1988年推出时，GJK仍然是计算两个3D凸几何形状之间距离或碰撞的最有效解决方案。多年来，它被证明是高效，可扩展的和通用的，在宽类凸形的形状上运行，范围从简单的原始词（球体，椭圆形，盒子，盒子，锥，锥，胶囊等）到涉及数千个顶点的复杂网格。在本文中，我们通过利用这两个问题是从根本上优化概率的事实来介绍了凸几何之间加速碰撞检测和距离计算的几项贡献。值得注意的是，我们确定GJK算法是凸优化中良好的Frank-Wolfe（FW）算法的特定子案例。通过调整将Polyak和Nesterov加速与Frank-Wolfe方法联系起来的最新作品，我们还提出了经典GJK算法的两个加速扩展。通过涉及日常生活对象的数百万碰撞对的广泛基准，我们表明，这两个加速的GJK扩展大大减轻了碰撞检测的总体计算负担，导致计算时间高达两倍。最后，我们希望这项工作将大大降低现代机器人模拟器的计算成本，从而允许在很大程度上依赖模拟（例如增强学习或轨迹优化）的现代机器人应用加速。
audiolcm：具有最小推理步骤
潜在扩散模型（LDMS）的最新进步已将它们置于各种生成任务的最前沿。但是，它们的迭代采样过程构成了重大的计算负担，从而导致生成速度缓慢，并限制了其在文本到审计生成部署中的应用。在这项工作中，我们介绍了AudiolCM，这是一种基于一致性的新型模型，该模型量身定制，专门针对高效和高质量的文本发电。与以前通过迭代过程解决噪声删除的方法不同，AudiolCM将一致性模型（CMS）集成到生成过程中，从而通过从任何时间步长到轨迹的初始点的任何点映射来促进快速推断。过度提出了LDMS固有的收敛性问题，并减少了样品迭代，我们提出了带有多步骤的普通微分方程（ODE）求解器的引导潜在一致性蒸馏。这项创新将时间表从数千个步骤缩短到数十个步骤，同时保持样本质量，从而实现快速的收敛和高质量的生成。此外，为了优化基于变形金刚的神经网络体系结构的性能，我们将Llama率先启用的先进技术集成到变压器的基础框架中。该体系结构支持稳定，有效的培训，以确保文本与原告合成中的稳健性能。关于文本到审计生成和文本到音乐综合任务的实验结果表明，Audiolcm仅需要2个迭代即可合成高保真音频，而它可以保持样本质量与最新的
安全信息共享挑战
我们生活在一个依赖互联网的数字时代。随着计算能力和网络带宽的增加，我们看到需要近乎实时地传输视频、音频、文本和其他数据（而不是发送静态文件）的应用程序数量正在增长。保护流数据免遭盗窃、篡改、窃听和混淆至关重要，然而，这可能非常困难。必须确保在开放网络（例如5G/6G）上流式传输的数据安全（即保护数据本身，而不是网络通道），近乎实时地运行，不会显著增加延迟，施加最小的额外计算负担，并且在某些情况下可用于高度分布式和/或远程应用程序，这些应用程序往往对功率和外形尺寸有重大限制（例如物联网、增强现实耳机、北极地区的行动等）。这项挑战赛旨在开发软件和硬件解决方案，为高度动态的流式数据提供 CIA，重点是确保通过不安全的网络跨异构组织边界共享数据的信任，包括使用以数据中心为中心的安全技术。此外，我们要求公司开发方法，以确保整个数据生命周期（从收集或创建点到消费点）中流数据的真实性。最后，我们正在寻求创新解决方案，为个人或组织提供的移动设备上的轻量级、用户友好的联合文本、语音和视频聊天提供常见商业工具的替代方案，以便第三方无法发现聊天参与者的位置、身份和通信模式。DIANA 特别感兴趣的是支持高度分布式和弹性 IT 架构的解决方案，这些解决方案基于目前正在为金融、供应链、医疗保健、游戏、内容创建和分发以及其他商业行业开发的功能。3.技术挑战