XiaoMi-AI文件搜索系统
World File Search System量化
移动 NPU 上的实时量化图像超分辨率，移动 AI 2021 挑战赛：报告
图像超分辨率是最流行的计算机视觉问题之一，在移动设备上有许多重要的应用。虽然已经为这项任务提出了许多解决方案，但它们通常甚至没有针对常见的智能手机 AI 硬件进行优化，更不用说通常仅支持 INT8 推理的更受限的智能电视平台了。为了解决这个问题，我们推出了第一个移动 AI 挑战赛，其目标是开发一种基于端到端深度学习的图像超分辨率解决方案，该解决方案可以在移动或边缘 NPU 上展示实时性能。为此，为参与者提供了 DIV2K 数据集和训练过的量化模型，以进行高效的 3 倍图像升级。所有模型的运行时间都在 Synaptics VS680 智能家居板上进行评估，该板具有能够加速量化神经网络的专用 NPU。所提出的解决方案与所有主流移动 AI 加速器完全兼容，能够在 40-60 毫秒内重建全高清图像，同时实现高保真度结果。本文提供了挑战赛中开发的所有模型的详细描述。
量化步态和共同试验的平衡结果
摘要摘要，以疾病改良的药物在地平线上进行性行为性共济失调，生态有效，细粒度，数字健康指标非常有必要增加临床和患者报告的结果指标。步态和平衡干扰最常作为退化性小脑共济失调的第一个迹象，并且是疾病进展中据报最多的残疾特征。因此，数字步态和平衡度量构成了临床试验的有希望的和相关的绩效结果。这次叙述性综述和嵌入式共识将描述数字步态和平衡测量值的敏感性的证据，以评估共济失调的严重程度和进展，提出了一种共识方案，用于在自然史研究和临床试验中建立步态和平衡指标，并讨论将其用作绩效结果的相关问题。
引用了原始发表的论文（记录的版本）：Blöbaum，L。，Torello Pianale，L.，Olsson，L。等（2024）。量化微生物鲁棒
抽象背景微生物必须对其环境变化做出反应。分析函数的鲁棒性（即性能稳定性）这种动态扰动在实验室和工业环境中都引起了极大的兴趣。最近，一种能够评估各种功能的鲁棒性的定量方法，例如在不同条件，时间范围和种群中为在96孔板中生长的微型ISM开发了各种功能的鲁棒性。在微静电板中，环境变化缓慢且未定义。动态微型单细胞培养（DMSCC）实现了微环境的精确维护和操纵，同时使用活细胞成像随着时间的推移跟踪单细胞。在这里，我们将DMSCC和鲁棒性量化方法结合在一起，以评估在几秒钟或几分钟内发生变化的性能稳定性。结果，酿酒酵母CEN.PK113-7D，具有用于细胞内ATP水平的生物传感器，暴露于葡萄糖盛宴饥饿周期，每种状况在20小时内持续1.5至48分钟。开发并应用了半自动图像和数据分析管道，以评估种群，亚种群和单细胞分辨率的各种功能的性能和鲁棒性。我们观察到特定生长速率的降低，但振荡间隔更长的细胞内ATP水平增加。持续48分钟振荡的细胞表现出最高的平均ATP含量，但随着时间的流逝，稳定性最低，在人群中的异质性最高。结论所提出的管道使随着时间的时间和种群内的动态环境中的功能稳定性进行了研究。该策略允许并行化和自动化，并且很容易适应新的生物，生物传感器，培养条件和振荡频率。对微生物对不断变化环境的反应的见解将指导应变开发和生物处理优化。关键词酿酒酵母，种群异质性，动态环境，尺度降低，生物传感器，活细胞成像，微流体单细胞培养，营养振荡
最佳大脑压缩：准确的训练后量化和修剪框架
我们考虑深度神经网络 (DNN) 在具有挑战性的一次性/后训练环境中的模型压缩问题，在该环境中，我们获得了一个经过精确训练的模型，并且必须仅基于少量校准输入数据对其进行压缩，而无需进行任何重新训练。鉴于新兴的软件和硬件支持通过加速剪枝和/或量化来执行压缩模型，这个问题变得很普遍，并且已经针对这两种压缩方法分别提出了性能良好的解决方案。在本文中，我们介绍了一种新的压缩框架，该框架在统一的环境中涵盖权重剪枝和量化，具有时间和空间效率，并且大大提高了现有后训练方法的实际性能。在技术层面，我们的方法基于 [LeCun、Denker 和 Solla，1990] 的经典最佳脑外科医生 (OBS) 框架的精确和高效实现，该框架扩展到还涵盖现代 DNN 规模的权重量化。从实际角度来看，我们的实验结果表明，它可以显著改善现有后训练方法的压缩-准确度权衡，并且可以在后训练环境中实现修剪和量化的准确复合应用。
通过信息扰乱量化量子计算复杂性的副本
V Veitch、SAH Mousavian、D. Gottesman 和 J Emerson。稳定器量子计算的资源理论。《新物理学杂志》，16(1):013009，2014 年
神经网络中的量化优势与局限性
● 1943 年 - Pitts 和 McCulloch 创建了基于人脑神经网络的计算机模型 ● 20 世纪 60 年代 - 反向传播模型基础 ● 20 世纪 70 年代 - AI 寒冬：无法兑现的承诺 ● 20 世纪 80 年代 - 卷积出现，LeNet 实现数字识别 ● 1988-90 年代 - 第二次 AI 寒冬：AI 的“直接”潜力被夸大。AI = 伪科学地位 ● 2000-2010 年 - 大数据引入，第一个大数据集 (ImageNet) ● 2010-2020 年 - 计算能力，GAN 出现 ● 现在 - 深度学习热潮。AI 无处不在，影响着新商业模式的创建
使用分布式温度传感定位和量化地下水地表水连接
海军优势 使用光纤 DTS 技术可为海军带来多种潜在优势。首先，它是唯一能够高分辨率识别大面积渗漏的技术。这可验证并改进地下水和污染物运输模型。它可精确定位值得关注的区域并排除渗漏程度极低或没有渗漏的区域。例如，最近一项 50 英亩的 DTS 研究发现，渗漏发生在不到 5% 的场地面积内。这种高分辨率数据可提高后续调查的成本效益，并让监管机构更加确信该场地的特征已得到充分描述。
量化建筑环境维持 BDNF 的能力
摘要：与啮齿类动物的丰富环境不同，人类建造的环境通常会通过久坐的生活方式阻碍神经可塑性，损害认知和心理健康。本文引入了“身体活动的环境可供性”，以量化空间布局设计刺激活动和维持神经可塑性（主要是海马神经发生）的潜力。一个新颖的框架将城市和建筑变化的代谢当量 (MET) 与脑源性神经营养因子 (BDNF) 联系起来，后者是一种促进和维持成人海马神经发生和长期增强 (LTP) 的生物标志物。通过短暂暴露于建筑环境 20-35 分钟后可测量的 BDNF 变化，开发了方程式来评估神经可持续性潜力，因为有证据表明，通过低强度到中等强度的身体活动可以引起 BDNF 释放。该模型提供了一种可行的评估工具，将设计和神经科学连接起来。通过维持神经发生，环境对身体活动的承受能力有望通过海马神经发生的可持续性来改善心理健康并防止认知能力下降。
