XiaoMi-AI文件搜索系统
World File Search System软硬件
COE838 片上系统设计
• 课程大纲 http://www.ee.ryerson.ca/undergraduate/dcd/coe838.html http://www.ee.ryerson.ca/~courses/coe838/ • 要获得的关键知识：片上系统 (SoC) 架构和 SoC IP 核（ARM Cortex、Nios-II 和其他核）、SoC 建模和硬件/软件协同规范、硬件软件协同综合和 SoC 的架构探索、片上网络和片上互连结构（如 AMBA、Avalon）、使用可编程芯片上的系统进行 SoC 原型设计、多核架构和嵌入式片上系统、真实 SoC 及其应用的案例研究。 • 需要掌握的关键技能基于 SystemC 的片上系统仿真和软硬件协同规范、片上系统原型设计的 CAD 工具、实验室和课程项目均采用 Quartus-II 和 SOPC（可编程芯片系统）构建工具。 • 潜在职业 ASIC 设计师、嵌入式系统设计工程师、计算机系统工程师、系统集成工程师、SoC 设计工程师、嵌入式系统测试工程师…… • 潜在雇主 Advanced Micro Devices、DALSA、加拿大原子能公司（AECL）、PMC-Sierra、Research-in-Motion、ST Microelectronics、IBM Canada…… • 研究生学习瑞尔森大学、多伦多大学、滑铁卢大学、UBC、麦吉尔大学、卡尔加里大学、艾伯塔大学等拥有强大的 SoC 设计、嵌入式系统、微系统和先进计算机架构研究生课程。
RAPIDx：用于序列比对的高性能 ReRAM 处理内存加速器
摘要 — 基因组序列比对是许多生物应用的核心。测序技术的进步产生了大量的数据，使序列比对成为生物信息学分析的关键瓶颈。现有的比对硬件加速器存在片上内存有限、数据移动成本高、比对算法优化不佳等问题。它们无法同时处理测序机产生的大量数据。在本文中，我们提出了一种基于 ReRAM 的加速器 RAPIDx，使用内存处理 (PIM) 进行序列比对。RAPIDx 通过软硬件协同设计实现了卓越的效率和性能。首先，我们提出了一种适用于 PIM 架构的自适应带状并行比对算法。与原有的基于动态规划的比对相比，所提出的算法显著降低了所需的复杂度、数据位宽和内存占用，而准确性下降却微不足道。然后，我们提出了实现所提算法的高效 PIM 架构。 RAPIDx 中的数据流实现了四级并行，我们在 ReRAM 中设计了一个原位比对计算流，与我们之前的 PIM 设计 RAPID 相比，效率和吞吐量提高了 5.5-9.7 倍。所提出的 RAPIDx 可重新配置为集成到现有基因组分析流程中的协处理器，以增强序列比对或编辑距离计算。在短读比对中，RAPIDx 分别比最先进的 CPU 和 GPU 库提供了 131.1 倍和 46.8 倍的吞吐量改进。与用于长读比对的 ASIC 加速器相比，RAPIDx 的性能高出 1.8-2.9 倍。
行政长官2022年施政报告
一、前言：共创新篇 1. 今天，我发表就任行政长官后的首份《施政报告》，深感责任重大。我不断思考：市民最关心的是什么？他们对香港的愿景是什么？他们对《施政报告》有什么期望？我在此感谢市民和社会各界在过去三个月向我提出许多建议，也感谢我的团队的鼎力支持，让我们同心协力，共同建设更美好的香港。 2. 当今世界正经历百年未有之大变局。疫情和全球经济前景急剧恶化，加上高通胀、加息、货币政策收紧、贸易争端和地缘政治紧张，导致全球经济增长动力减弱，影响香港经济复苏步伐。 3. 尽管面临挑战，但香港有自身优势，在“一国两制”下拥有大量机遇。香港是全球营商环境最强的国际金融、贸易、航运中心，也是全球最大的离岸人民币业务中心，创新及科技等新兴产业蓬勃发展。香港拥有先进的软硬件基础设施、完善的法律制度和来自世界各地的顶尖人才，地处亚洲中心，是跨国公司在亚洲设立业务的首选地点。香港是一个开放多元、新旧交融的大都会，也是中西文化交融的魅力之城。4. 在“一国两制”下，香港拥有背靠祖国、与世界紧密联系的独特优势。香港既能直接进入庞大的内地市场，又能与国际紧密联系，是连接内地与世界的桥梁。 “十四五”规划、粤港澳大湾区建设、“一带一路”倡议等国家重大战略为香港带来无限机遇。
机器人运动：人工智能和机器人技术在运动理疗中的新兴作用
摘要：随着计算机处理能力和深度学习网络模型的更新，基于计算机软硬件的人工智能技术得到了快速发展。机器人作为人工智能技术的实体载体，作为融合多学科的综合技术，也得到了迅速发展，并在多个领域得到应用。同时，体育科学研究不再局限于运动和训练的研究，逐渐引入工程技术，使传统体育向智能体育迈进，增加了体育教学的趣味性。本文通过查阅文献资料，综述了机器人在体育领域的应用，列举了一些常见的机器人案例，并分析了不同体育项目的机器人技术，说明了对各体育项目的相对积极意义。最后，对未来趋势进行了总结和建议。 关键词：交叉学科；信息技术；智能科学；机器人应用；体育 1.引言 人工智能是一个模糊的术语，可能会引起一些重要的误解。对其进行定义以防止这种情况发生至关重要，至少要将作为自主系统的人工智能与作为机器学习的人工智能区分开来。人工智能在日常活动中的使用正在增长。与普遍看法相反，体育也不例外。体育很可能是人工智能应用疯狂增长的行业。人工智能系统是帮助完成数据存储、指导、培训等多项任务的理想工具。1体育承载着国家富强和民族复兴的梦想，科技自力更生是国家发展的重要战略支撑。当前，体育与科技的融合、协同、创新正在加速，数字化、智能化手段已成为促进全民健身和体育产业高质量发展的重要组成部分。人工智能和大数据的有效结合，是推动体育产业高质量发展的重要支撑。
音乐计算机技术作为综合网络......
Music Vision International – Estados Unidos 摘要：本研究旨在寻找最合适的方法来开发信息技术的新功能，使其适用于交互式音乐教学——例如，使用计算机程序教授乐器演奏。这项研究的目的是将交互性、网络交互和教育功能的实现视为音乐计算机技术 (MCT) 的主要特征。这些技术有助于开发一种有效的方法，进行适当的培训，并开发新的软硬件系统，学生可以通过这些系统学习音乐技能的三个最重要的组成部分：特定乐器的键盘、乐谱和音乐理论。作者的结论是，MCT 可以而且应该充当交互式网络教育环境，有必要在这种条件下为教育过程准备曲目列表，并寻找这种活动的合法组织形式。关键词：互动交流、信息技术（IT）、教学方法、音乐计算机技术（MCT）、教育环境、音乐教学、教育技术 简历：El estudio se hace relatede midte la búsqueda de los enfoques más apropiados para el desarrollo pedagógico de las nuevas características de la tecnología de la información, aplicables a la音乐互动体验，例如，使用信息节目来体验音乐乐器。研究目的是考虑互动、红色互动和教育功能的实施，以信息音乐技术 (MCT) 为特色。为学生提供先进的技术和有效的方法，以提高学生的能力和软件和硬件的新系统
人工智能与机器学习（智能研究所研究领域）
研究领域：1.人工智能理论方法的自然科学基础（数理逻辑方法、算法理论、组合学、模式识别、统计学、最优化、认知心理学、语言语义学以及其他旨在解决人工智能和机器学习问题的领域）。 2. 人工智能基本范式的理论和概念基础——符号人工智能或“黑箱”控制论（基于知识的方法）和神经控制论（基于机器学习的统计方法）。协同人工智能。可解释人工智能的研究。 3. 对问题领域进行系统分析，以了解人工智能和机器学习方法和技术的适用性，以评估算法和软件解决方案在创建各种建筑类型的智能系统中的质量和有效性。用于比较和选择算法和软件解决方案的多标准方法。 4.智能系统（人工智能系统）是控制论与人工智能协同发展的主要软硬件产物。集成和混合智能系统。设计各种建筑类型的智能系统的方法。人工智能不同范式中的多层次集成模型与混合方法。 5. 在智能系统中表示可靠和合理知识的模型和方法。开发和改进可靠知识表示的经典模型（过渡到抽象知识）并创建新的混合模型，包括非知识因素、时间知识的建模和本体模型的开发。 6. 在思维过程建模背景下的知识处理（推理自动化）的方法和算法，包括推理、论证、识别和分类以及概念形成。基于案例推理的自动化。智能规划方法和智能规划器开发领域的研究。 7. 自然语言和图像分析中处理和分析文本的方法、算法和软件。从自然语言文本中提取开源信息的方法，包括无监督机器学习。从自然语言文本和其他特殊类型的半结构化数据中自动获取时间信息的方法。 8. 在智能系统中搜索、获取和使用知识和模式（包括经验模式）的方法和技术。自动化的模型和方法
ACM 参考格式：Shravya Channamadhavuni、Sven Thijssen、Sumit Kumar Jha 和 Rickard Ewetz。2021 年。使用模拟内存计算加速 AI 应用：挑战和机遇。在 2021 年大湖区 VLSI 研讨会 (GLSVLSI '21) 论文集上，2021 年 6 月 22 日至 25 日，虚拟活动，美国。ACM，美国纽约州纽约，6 页。 https://doi.org/10.1145/3453688.3461746
通过重新思考计算堆栈的所有层，包括硬件、软件和软硬件基本方法和方案 [1, 2, 4]。由于有望同时实现密集存储和节能模拟处理，基于非易失性电阻技术的内存计算已成为克服上述挑战的一种有吸引力的解决方案。非易失性电阻器件是一种具有可编程电阻的双端器件，可以使用忆阻器 [11, 35]、电阻随机存取存储器 (ReRAM) [23, 38]、相变存储器 (PCM) [20, 39] 或自旋转移力矩磁性随机存取存储器 (STT-RAM) [18, 31] 来实现。通过将新兴设备集成到电阻交叉阵列 (RCA) 中，可以在模拟域中执行近似矩阵向量乘法 (MVM)。这是很有希望的，因为计算比数字域中的能源效率高得多（数量级）[17]。通过将矩阵存储在内存中并现场执行计算，数据移动也大大减少[9, 32]。此外，MVM 是许多 AI 应用中的主要计算，例如深度学习 [22]、图像处理 [24] 和图形分析 [34]。利用模拟内存计算的主要挑战是，各种错误和变化源可能会降低计算精度。这包括设备写入错误、非零阵列寄生效应、有限的设备产量、电阻漂移、温度变化、随机电报噪声和有限的设备耐久性。此外，在模拟域中引入的任何错误都可能损害加速应用程序的功能正确性。例如，神经网络的硬件分类准确性可能明显低于软件级别。相反，数字计算系统中的稳健性问题只会引入时序违规，可以使用动态电压频率缩放 (DVFS) 来缓解。为了在系统级性能上提供保证，需要在设备级、算法级和软件应用程序级进行协同创新。虽然设备级研究人员不断尝试改进制造设备的特性，但开发所需的算法和软件级支持变得迫在眉睫。在本文中，我们回顾了使用模拟内存计算加速 AI 应用所面临的挑战、解决方案和未来研究方向。第 4 节概述了未来研究的机会。第 2 节讨论了模拟矩阵向量乘法的基本概念、目标 AI 应用以及不同误差的建模。第 3 节回顾了在算法和软件层面上提高对误差的鲁棒性的最新解决方案。第 5 节总结了本文。