XiaoMi-AI文件搜索系统
World File Search System计算负担
语言量化自动编码器
在扩大大型语言模型方面的最新进展表现出令人印象深刻的能力，可以在各种自然语言任务中进行几次学习。但是，一个关键的限制是，这些语言模型从根本上缺乏视觉感知的基础 - 扩展到现实世界任务所需的关键属性，例如在视觉问题上的答案和机器人技术中。虽然先前的作品在很大程度上通过预处理或微调将图像与文本联系在一起，但由于结合了策划的大量数据集和较大的计算负担，学习对齐方式通常是昂贵的。In order to resolve these limitations, we propose a simple yet effective approach called L anguage- Q uantized A uto E ncoder (LQAE), a modification of VQ-VAE that learns to align text-image data in an unsupervised manner by leveraging pretrained language model denoisers ( e .g .bert）。我们的主要思想是通过使用验证的语言代码簿直接量化图像嵌入来编码图像作为文本令牌的序列。然后，我们将量化嵌入的蒙版版本送入BERT，以重建原始输入。这样做，LQAE学会了用相似的文本令牌表示相似的图像，从而在不使用对齐的文本图像对的情况下对齐这两种方式。我们向LQAE显示了学习文本对准图像令牌，这些图像令牌可以通过大型语言模型启用几示多式模式学习，在诸如图像分类和VQA等任务中的基线方法优于基线方法，同时需要1-10张图像 - text Pairs 1。
AASD：通过在多模式大型语言模型中对准投机解码来加速推理
多模式大型语言模型（MLLM）在视觉教学调整中取得了显着的成功，但由于大型语言模型（LLM）骨干的自动回归解码，它们的推论既耗时又耗时。传统的加速推理方法，包括模型压缩和从语言模型加速的迁移，通常会损害输出质量或有效整合多模式特征的face Challenges。为了解决这些问题，我们提出了AASD，这是一个新型的框架，用于加速使用精制的KV缓存并在MLLM中对准投机解码。我们的方法利用目标模型的缓存键值（KV）对提取生成草稿令牌的重要信息，从而有效地投机解码。为了减少与长多模式令牌序列相关的计算负担，我们会引入KV投影仪，以压缩KV缓存，同时保持代表性保真度。此外，我们设计了一种目标放射线注意机制，以优化草稿和目标模型之间的对齐方式，从而以最小的计算开销来实现真实推理情景的好处。主流MLLM的广泛实验表明，我们的方法在不牺牲准确性的情况下达到了2倍推理的速度。这项研究不仅为加速MLLM推断提供了有效且轻巧的解决方案，而且还引入了一种新颖的对齐策略，用于在多模式背景下进行投机解码，从而为未来的有效MLLM研究奠定了强大的基础。代码可在https://anonymon.4open.science/r/asd-f571上使用。
用于电力、射频、数字和量子计算应用的新兴 GaN 技术：最新进展和前景 /作者=Teo, Koon Hoo；Zhang, Yuhao；Chowdhury, Nadim；Rakheja, Shaloo；Ma, Rui；Xie, Qingyun；Yagyu, Eiji；Yamanaka, Koji；Li, Kexin；Palacios, Tomas /创建日期=2022 年 1 月 13 日 /主题=应用物理、电子和光子器件、机器学习、多物理建模
摘要 GaN 技术不仅在功率和射频电子领域获得广泛关注，而且还迅速扩展到其他应用领域，包括数字和量子计算电子。本文概述了未来的 GaN 器件技术和先进的建模方法，这些技术和方法可以在性能和可靠性方面突破这些应用的界限。虽然 GaN 功率器件最近已在 15-900 V 级实现商业化，但新的 GaN 器件对于探索高压和超低压功率应用非常有吸引力。在 RF 领域，超高频 GaN 器件正用于实现数字化功率放大器电路，并且可以预期使用硬件-软件协同设计方法将取得进一步的进展。GaN CMOS 技术即将问世，这是实现集成数字、功率和 RF 电子技术的全 GaN 平台的关键缺失部分。尽管目前是一个挑战，但高性能 p 型 GaN 技术对于实现高性能 GaN CMOS 电路至关重要。由于其出色的传输特性和通过极化掺杂产生自由载流子的能力，GaN 有望成为超低温和量子计算电子学的重要技术。最后，鉴于新设备和电路的硬件原型设计成本不断增加，使用高保真设备模型和数据驱动的建模方法进行技术电路协同设计预计将成为未来的趋势。在这方面，物理启发、数学稳健、计算负担较少和预测性的建模方法是必不可少的。凭借所有这些以及未来的努力，我们预计 GaN 将成为电子产品的下一个 Si。
通过同型加密迈向量子安全联合学习：梯度学习
联合学习（FL）包括用于机器学习的分散培训算法的家族[1] - [3]，使内部分裂能够在不集中培训数据的情况下协作训练模型。这种方法通过将培训计算分配到边缘来减轻数据中心的计算负担。但是，至关重要的是要注意，尽管联邦学习提供了一个分散的框架，但它可能无法继承客户的隐私。中央服务器收到的更新有可能无意间揭示有关客户培训数据的信息[4]，[5]。保护客户对联合学习的隐私的流行策略包括基于差异的隐私（DP）和基于同型加密（HE）方法。DP的想法是在梯度上添加噪音，以保护梯度的保密性[6]。基于DP的学习算法的现有作品包括本地DP（LDP）[7]，具有选择性参数更新[8]，基于晶格[9]等的DP等。尽管可以直接采用DP，但它具有较弱的隐私保证和潜在准确性损失的缺点。他是一种加密技术，可以在加密数据上执行计算，而无需首先解密。在联邦学习的背景下，同构加密在确保个别参与者数据的隐私方面起着至关重要的作用。由于FL中的梯度的聚集仅涉及添加，因此许多最近的作品[10]，[11]提议采用基于Paillier [12]的加性同构加密。某些基于晶格的问题，例如但是，一旦可以使用Shor的量子算法有效地将大整数构成大型整数[13]，Paillier的安全性就会损坏。基于晶格的密码学被认为是抗量子的[14] - [16]。
UC旧金山先前出版的作品
大脑功能连通性与结构连通性之间的关系引起了神经科学界的广泛关注，通常使用数学建模推断出。在许多建模方法中，光谱图模型（SGM）具有独特性，因为它具有大脑振荡的宽带频率光谱的封闭形式解，仅需要全球生物物理解释的参数。虽然SGM在参数方面是简单的，但SGM参数的确定是非平凡的。先前在SGM上的工作通过计算密集型退火算法确定参数，该算法仅提供一个点估计值，而没有置信区间的参数估计。为了填补此空白，我们结合了基于仿真的推理（SBI）算法，并开发了一种贝叶斯程序来推断SGM参数的后验分布。此外，使用SBI大大减轻了推断SGM参数的计算负担。我们评估了健康受试者的静止状态磁脑摄影记录上提出的SBI-SGM框架，并表明所提出的程序在恢复功率光谱和Alpha频带的空间分布方面具有与退火算法相似的性能。此外，我们还分析了参数之间的相关性及其与后验分布之间的不确定性，而后验分布无法通过退火推断进行。这些分析对SGM生物物理参数之间的相互作用提供了更丰富的理解。通常，基于模拟的贝叶斯推理的使用可以实现生成模型参数不确定性的强大而有效的计算，并可能为在临床翻译应用中使用生成模型铺平道路。
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。
大宇航局
为期四天的“DAE 原子和连续建模进展研讨会 (DAE-SAACM2024)”全国研讨会由印度孟买 Trombay 巴巴原子研究中心 (BARC) 化学工程组于 2024 年 10 月 23 日至 26 日在 Anushaktinagar 的 DAE 会议中心举办。该研讨会与原子和连续建模学会 (SACM) 联合举办，并得到原子能部 (DAE) 核科学研究委员会 (BRNS) 的支持。原子建模包括电子结构计算和分子动力学模拟，在分子和材料的性质和行为评估中起着决定性的作用——甚至在它们被创造出来之前。此外，机器学习 (ML) 和人工智能 (AI) 加速了分子搜索空间的发展，从而促进了复杂化学系统的设计和开发。由于涉及大量原子且原子间相互作用复杂，原子模拟通常需要大量计算资源。相反，连续体建模可能包含大空间域和长时间尺度，这进一步增加了计算负担。在保持计算效率的同时整合原子和连续体模型仍然是一项艰巨的任务。原子尺度上材料的行为可以显著影响宏观特性，但连接这些尺度需要稳健的方法将信息从原子转移到连续体。开发有效的耦合算法以保持跨尺度数据的准确性和一致性对于可靠的多尺度模拟至关重要。此外，量子计算有可能通过加速多尺度建模并具有超越传统计算机的巨大计算能力来彻底改变科学技术领域。本次研讨会旨在汇集 DAE 和其他研究机构的电子结构和原子模拟、连续建模、机器学习、人工智能、并行和量子计算领域的专家，以便研究学者、科学家和教师之间交流思想。研讨会将涵盖以下主题。
糖尿病在马其顿北部共和国
糖尿病是一种慢性代谢疾病，由于分泌物的变化，胰岛素或两种因素的作用而导致高血糖症，导致许多器官的生理功能及其潜在失败，从而导致生活质量的降低。该研究的主要目的是介绍有关糖尿病的流行病学数据，疾病相关并发症的评估以及马其顿北部糖尿病的经济负荷。材料和方法：基于关于马其顿北部共和国糖尿病登记册的数据的回顾性流行病学研究，以及来自初级和专业医疗中心的数据。将2021年人口的人口统计与糖尿病的流行病学数据结合在一起，以及与从世卫组织获得的糖尿病有关的医疗保健成本，卫生元学研究所和评估研究所以及国家健康保险基金。结果：马其顿北部共和国的1型糖尿病（T1DM）的发病率由2018年新诊断的1.21％OO和2021年的2.8％OOO代表，在10-14岁（12.4％oo）中，年龄在2021年。在2018 - 2021年期间，2型糖尿病（T2DM）患者的盟约率也从323.3％OOO增加到355.5％OOO，而患病率从5554.4％OOO提高到6549.3％的OOO。在55至79岁之间，观察到按年龄分析的T2DM的最高患病率。马其顿北部与糖尿病有关的并发症的最高率是外周循环坑，其次是酮症酸中毒，神经系统并发症，眼科并发症，糖尿病性昏迷和多种并发症。The percentage of receptor for blood glucose lowering medications (in insulin non -insulin patients in our country increased from 7.3% in 2018 to 7.6% in 2020, while the cost of providing funds for the treatment of diabetes in 2021 for patients of insulin therapy was approximately 13.457.57.50.马其顿北部共和国的糖尿病和糖尿病并发症的计算负担为42,806.59残疾调节的终身年份（适合丧失能力/残疾的生命年）。结论：世界以及马其顿北部共和国的糖尿病率正在上升。这项流行病学研究是实施国家糖尿病战略的坚实基础，并将有助于对马其顿北部共和国糖尿病控制各个方面的有效计划和评估。
量化可再生能源系统中的不确定性成本
1 新莱昂自治大学机械工程与电气学院 墨西哥 2 哥伦比亚国立大学电气工程系 哥伦比亚 摘要：- 可再生能源在电力系统中的增加和整合意味着经济调度 (ED) 成本和生产中的不确定变量的增加，目前对批发电力市场 (MEM) 有重大影响。不确定性成本是指与风能、太阳能或水力发电等可再生能源发电固有的变化相关的额外费用或经济损失的量化。因此，本文提出了与成本高估和低估以及 CVaR 相关的确定性方程，以建模和评估与可再生能源整合相关的风险的随机性，使系统运营商和规划人员能够做出明智的决策。在元素渗透率高的能源系统中减轻或利用上述风险，主要是智能网络。在本研究中，使用由太阳能发电的概率密度函数 (PDF) 产生的功率形成的直方图谱进行数学分析，尽管可以考虑其他类型的函数来确定能量产生。所提出的模型的目的是为系统运营商提供另一种用于能源管理和规划的工具，这可以减轻一点计算负担，同时通过使用数据库，使结果更精确。如果这些值可用，则使用历史数据。通常，对于这种类型的分析，在集成这些函数时使用密度函数的概率计算来估计值，或者在其他最近的情况下，通过使用相同函数的分析方法来估计它们。通过将结果与蒙特卡罗模拟进行比较来验证该模型，仅从“低概率发电极值”中得出不确定性的总成本。此外，结果通过分析不确定性成本函数 (AUCF) 呈现。该分析包括使用确定性方程计算由条件风险价值 (CVaR) 确定的低概率和高概率能源发电的不确定性成本。关键词：- 分析不确定性、条件风险价值、经济调度、直方图、低概率、数学建模、蒙特卡罗、概率密度函数、不确定性成本、风险。收到日期：2024 年 4 月 14 日。修订日期：2024 年 9 月 7 日。接受日期：2024 年 10 月 11 日。发布日期：2024 年 11 月 13 日。
射电天文学的月球轨道的卫星群
iac-20，b4,3,6，x59219 Olfar的自主任务计划：Lunar轨道上的卫星群，用于射电射线天文学的Sung-Hoon Mok A *，Jian Guo A，Jian Guo A，Eberhard Gill A，Eberhard Gill A，Raj Thilak Rajan Ba Aerospace Engifetry of Aerospace Engineering（lr）（LR），LR），DELLE（LR），deflue（lr），deflue（lr）。荷兰2629 HS，s.mok@tudelft.nl; j.guo@tudelft.nl; e.k.a.gill@tudelft.nl b Faculty of Electrical Engineering, Mathematics & Computer Science (EWI), Delft University of Technology, Mekelweg 4, Delft, The Netherlands 2628 CD , r.t.rajan@tudelft.nl * Corresponding Author Abstract Orbiting Low Frequency Array for Radio Astronomy (OLFAR) is a radio astronomy mission that has been studied since 2010 by several荷兰大学和研究机构。该任务旨在通过在30 MHz频带以下的超低波长状态下收集宇宙信号来产生天空图。一颗卫星群，其中包括10多个配备了被动天线的卫星，将部署在可以最小化射频干扰的太空中，例如，在月球的远处。到目前为止，已经投入了一些研究来设计空间部分，其中包括有效载荷和平台元素。但是，尚未详细设计地面部分，尤其是任务计划系统。在本文中，根据当前的卫星设计提出了任务计划问题后，提出了OLFAR的系统任务计划方法。关键字：任务规划，射电天文学，卫星群，月球轨道，地面部门，自治1。任务控制元素（MCE）是地面部分元素之一，其主要功能是任务计划和计划。简介地面细分市场对于任务成功以及太空领域和发射部门[1]起着重要作用。它旨在在有限的资源和限制下安排几个任务；最终，为特定的计划范围生成时间表。任务计划算法（或不久的算法）通常可以分为三类：确定性精确算法，确定性近似算法和非确定性近似算法[2]。首先，确定性精确算法提供了一个精确的最佳解决方案，但需要三个方面的计算时间最长。例如，蛮力搜索需要在获得全球最佳解决方案之前列举所有可能的候选者。其次，确定性近似算法提供了一个亚最佳解决方案，其计算负担明显较小。它通常被称为启发式算法[3]。有例如贪婪算法和本地搜索算法。第三，非确定性近似算法也提供了次优的解决方案，通常称为元启发式算法或基于人群的算法。遗传算法和粒子群优化是众所周知的非确定性近似算法。但是，应注意的是，算法的定义和分类在文献中通常会有所不同。