XiaoMi-AI文件搜索系统
World File Search System量级
通过轻量级端到端技术实现高效的脑肿瘤检测...
摘要：在医学成像领域，深度学习取得了长足进步，尤其是在脑肿瘤诊断方面。医疗物联网 (IoMT) 使得将这些深度学习模型结合到先进的医疗设备中成为可能，以实现更准确、更高效的诊断。卷积神经网络 (CNN) 是一种流行的脑肿瘤检测深度学习技术，因为它们可以在大量医学成像数据集上进行训练，以识别新图像中的癌症。尽管深度学习具有更高的准确性和效率等优点，但它也存在一些缺点，例如计算成本高以及由于训练数据不足而导致结果出现偏差的可能性。需要进一步研究以充分了解深度学习在 IoMT 脑肿瘤检测中的潜力和局限性，并克服与实际实施相关的障碍。在这项研究中，我们提出了一种新的基于 CNN 的脑肿瘤检测深度学习模型。建议的模型是一个端到端模型，与早期的深度学习模型相比，它降低了系统的复杂性。此外，我们的模型很轻量，因为与其他以前的模型相比，它由较少的层构成，这使得该模型适合实时应用。准确率快速提高（二分类准确率为 99.48%，多分类准确率为 96.86%）的乐观结果表明，新的框架模型在比赛中表现出色。这项研究表明，所提出的深度模型在检测脑肿瘤方面优于其他 CNN。此外，该研究还提供了一个用于安全传输医学实验室结果的框架，并提出了安全建议，以确保 IoMT 的安全。
MAMBO：用于多尺度材料和应用的轻量级本体
摘要：计算和实验工具的进步最近导致了新型先进功能材料开发的重大进展，与此同时，材料数据和信息总量也迅速增长。然而，要有效发挥先进数据密集型方法的潜力，需要在材料研究和开发背景下系统而有效地组织知识。语义技术可以支持知识的结构化和形式化组织，为数据的集成和互操作性提供平台。在本文中，我们介绍了材料和分子基础本体 (MAMBO)，旨在组织分子材料和相关系统（纳米材料、超分子系统、分子聚集体等）计算和实验工作流领域的知识。MAMBO 结合了相邻领域材料科学本体的最新努力，旨在填补当前最先进的材料开发和设计知识建模方法的空白，针对分子尺度和更高尺度领域的交叉领域。 MAMBO 专注于操作流程、轻量级和模块化，能够扩展到更广泛的知识领域，并集成与计算和实验工具相关的方法和工作流程。MAMBO 有望推动数据驱动技术在分子材料中的应用，包括用于材料设计和发现的预测机器学习框架和自动化平台。
√ s NN = 200 GeV 能量下 Au+Au 和同量级碰撞中轻强子定向流的流体动力学模拟 *
摘要：利用 (3+1)-D 流体动力学模型 CLVisc，我们研究了 200 GeV 下 Au+Au、Ru+Ru 和 Zr+Zr 碰撞中产生的轻强子的定向流 ( )。系统地研究了倾斜能量密度、压力梯度和沿 x 方向的径向流的演变。结果表明，初始火球的逆时针倾斜是最终轻强子定向流的重要来源。对 RHIC 中心和中中心 Au+Au 和等量异位素碰撞中的轻强子定向流进行了很好的描述。我们的数值结果显示，在不同碰撞系统中，轻强子具有明显的系统尺寸依赖性。我们进一步研究了原子核结构对定向流的影响，发现对于轻强子来说，对具有四极子变形的原子核来说，定向流不敏感。
肉细菌在太阳系中从火星表面（103 pa）到深海（107 pa）的压力范围超过5个数量级的肉芽杆菌
正在研究几个永久性的太阳系体，包括火星和冰冷的月亮。在这样的位置，微生物的寿命必须应对低温和高压和低压，在火星表面上的 * 10 2到10 3 pa，在冰冷月球地下海洋中的 * 10 8 –10 9 pa。细菌肉细菌由以前被证明在低温下和低压或高压下没有氧气的物种组成，但迄今尚未探索该属的整个压力范围。在本研究中，我们在2 c的厌氧条件下，在复杂的液体培养基中进行了14种代表11种的肉网菌株，在2 c和一系列压力下，跨越5个数量级的压力，从10 3
b'我们表明，与激光散斑相关的质动力可以以类似于库仑散射的方式散射激光产生的等离子体中的电子。给出了实际碰撞率的解析表达式。电子散斑碰撞在高激光强度或 \xef\xac\x81lamentation 期间变得重要，\xef\xac\x80影响长脉冲和短脉冲激光强度范围。例如，我们 \xef\xac\x81 发现国家点火装置空腔激光重叠区域中的实际碰撞率预计将超过库仑碰撞率一个数量级，从而导致电子传输特性发生根本变化。在短脉冲激光-等离子体相互作用的高强度特性下（ I \xe2\x89\xb3 10 17 Wcm \xe2\x88\x92 2 ），散射足够强，导致激光能量直接吸收，产生能量缩放为 E \xe2\x89\x88 1 . 44 I/ 10 18 Wcm \xe2\x88\x92 2 1 / 2 MeV 的热电子，接近实验观察到的结果。 PACS 数字： PACS 数字。'
b'我们表明，与激光散斑相关的质动力可以以类似于库仑散射的方式散射激光产生的等离子体中的电子。给出了实际碰撞率的解析表达式。电子散斑碰撞在高激光强度或 \xef\xac\x81lamentation 期间变得重要，\xef\xac\x80影响长脉冲和短脉冲激光强度范围。例如，我们 \xef\xac\x81 发现国家点火装置空腔激光重叠区域中的实际碰撞率预计将超过库仑碰撞率一个数量级，从而导致电子传输特性发生根本变化。在短脉冲激光-等离子体相互作用的高强度特性下（ I \xe2\x89\xb3 10 17 Wcm \xe2\x88\x92 2 ），散射足够强，导致激光能量直接吸收，产生能量缩放为 E \xe2\x89\x88 1 . 44 I/ 10 18 Wcm \xe2\x88\x92 2 1 / 2 MeV 的热电子，接近实验观察到的结果。 PACS 数字： PACS 数字。'
投资卫生系统以保护社会和促进经济发展：优先投资和数量级成本估算
1. COVID-19 是百余年来最严重的公共卫生紧急事件，引发了全球经济危机，并对整个社会产生了长期影响。COVID-19 继续夺走生命，许多人因病毒而身体和/或精神健康状况不佳，卫生系统正在努力从大规模破坏中恢复。这场前所未有的危机凸显了加强卫生系统恢复能力的迫切需要。需要通过加强预防保健和在紧急情况下增强自然防御能力来保护人们的基本健康；需要通过确保足够的核心设备和利用卫生信息的潜力来巩固卫生系统的基础；需要通过确保足够数量的医生和护士来加强在前线工作的卫生专业人员。明智的卫生投资使各国能够灵活应对不断发展的流行病，以及应对其他卫生和社会冲击。
道路运输：加拿大经济重量级
卡车领域是供应链中最重要的运输支柱之一。感谢加拿大广泛的道路网络，卡车是用于在全国运输货物的主要运输方式。卡车领域也是与美国贸易的关键机制 - 加拿大的第一贸易伙伴。然而，在各省和国家之间缺乏协调的法规，阻碍了贸易的流程。此外，该行业在响应不断增长的需求方面面临许多挑战，目前，驾驶员的短缺是引起关注的主要原因。旨在通过支持不足的团体并鼓励他们加入该行业的旨在使卡车领域多样化的举措可以帮助填补空缺。在不计算COVID-19大流行的影响的情况下，在气候变化引起全球关注的时候，卡车运输部门也被要求减少其环境足迹，大概需要将其转移到更环保的重型车辆上。
NIST 轻量级密码最终候选者的随机性测试
2018 年 8 月，NIST 启动了一项流程，以征集、评估和标准化轻量级加密算法，这些算法适用于当前 NIST 加密标准性能不可接受的受限环境。要求加密算法提供经过认证的加密和关联数据 (AEAD) 功能，以及可选的哈希功能。从那时起，密码社区就为最初 57 份提交的密码分析和不同平台（包括软件和硬件）的基准测试做出了贡献。10 个入围者于 2021 年 3 月 29 日选出，分别是：ASCON、Elephant、GIFT-COFB、Grain128-AEAD、ISAP、Photon-Beetle、Romulus、Sparkle、TinyJambu 和 Xoodyak。在本报告中，我们展示了对不同数据集执行的 NIST 统计测试的结果，这些数据集是从 NIST 轻量级标准化流程的入围者的所有可能的缩减轮次版本的输出生成的。实验的目的是提供另一个指标来比较每个候选者的轮数选择是保守还是激进。请注意，在 1999 年和 2000 年的高级加密标准选择期间以及 2011 年的 SHA-3 候选者中也进行了类似的分析。
LILLIPUT：用于近期量子纠错的轻量级低延迟查找表解码器
量子设备的错误率比运行大多数量子应用程序所需的错误率高出几个数量级。为了弥补这一差距，量子纠错 (QEC) 对逻辑量子位进行编码并使用多个物理量子位分发信息。通过定期对逻辑量子位执行综合征提取电路，可以在运行程序时提取有关错误（称为综合征）的信息。解码器使用这些综合征来实时识别和纠正错误，这对于防止错误累积是必要的。不幸的是，软件解码器速度很慢，而硬件解码器速度快但准确性较低。因此，到目前为止，几乎所有的 QEC 研究都依赖于离线解码。为了在近期的 QEC 中实现实时解码，我们提出了 LILLIPUT——一种轻量级低延迟查找表解码器。LILLIPUT 由两部分组成——首先，它将综合征转换为错误检测事件，这些事件被索引到查找表 (LUT) 中，其条目实时提供错误信息。其次，它通过离线运行软件解码器，对 LUT 进行错误分配编程，以应对所有可能的错误事件。LILLIPUT 可以容忍量子硬件中任何操作的错误，包括门和测量，并且可容忍的错误数量随着代码大小而增加。LILLIPUT 在现成的 FPGA 上使用的逻辑不到 7%，因此可以实际采用，因为 FPGA 已经用于设计现有系统中的控制和读出电路。LIL-LIPUT 的延迟只有几纳秒，可以实现实时解码。我们还提出了压缩 LUT (CLUT) 来减少 LILLIPUT 所需的内存。通过利用并非所有错误事件都同样可能的事实，并且只存储最可能的错误事件的数据，CLUT 将所需内存减少了多达 107 倍（从 148 MB 减少到 1.38 MB），而不会降低准确性。
增强轻量级认证加密方案抵御统计无效故障攻击的能力
资源受限的设备越来越多地使用，这些设备内存更少、计算资源更少、电源更少，这促使人们采用轻量级密码术来提供安全解决方案。ASCON 是 NIST 轻量级密码术竞赛的决赛入围者，GIMLI 是第二轮候选者。ASCON 是一种基于海绵函数的认证加密 (AE) 方案，适用于高性能应用。它适用于物联网 (IoT) 等环境，在这种环境中，大量非常受限的设备与高端服务器通信。缺点是可能出现统计无效故障攻击 (SIFA) 和子集故障分析 (SSFA) 等故障分析。GIMLI 也是一种基于海绵函数的 AE 方案，易受 SIFA 攻击。在这项工作中，我们修改了 ASCON 128a 和 GIMLI，利用元胞自动机 (CA) 的伪随机特性来防止这些攻击。我们分析并表明这些攻击不适用于增强密码。