XiaoMi-AI文件搜索系统
World File Search System100s
基于PCB的电力电子产品的自动型号生成
作为转换器的其余部分。设计师必须依靠制造商的设备型号（如果有）。由于其热性能低和电流能力有限，因此长期以来，PCB一直限于低功率转换（通常为10或100瓦，用于消费者的功能）。最近的改进，例如PCB嵌入技术[5]，可以在PCB中插入电源设备，或者厚铜层的可用性使PCB对多千瓦范围的转换器的吸引力更具吸引力（3。在[6]中为3 kW，或[7]中的50 kW）。结果，一个完整的转换器（包括电源，控制等）可以仅使用PCB进行互连，并带有裸露的DIES功率半导体设备。此“合理化”组件的一个结果是，有关转换器的所有信息都可以在PCB设计软件[8]中可用：布局的完整说明，材料清单（组件列表）等。从理论上讲，可以使用此信息来生成模型（热，电气等）以自动化的方式。实际上，从PCB设计软件中生成模型并不是一件容易的事：除了上述复杂性问题外，模型准备还需要大量的用户交互。最近，霍夫曼等人。[9]提出了一种解决方案，该解决方案允许用户在PCB中选择导体并自动计算寄生电感，电阻和焦耳加热；该论文的目的是通过快速计算算法以及仅将域仅减少到几个导体，提供“立即的价值量化”。相比之下，我们此处提出的方法旨在为整个PCB生成模型（以更长的计算时间为代价）。一旦完成PCB设计，就计算了每个轨道的寄生元件（电容，电阻，电感及其耦合），并将计算在电路模型中，并插入PCB的所有组件，以构成电路的完整“虚拟原型”。
研究声明
我过去的研究集中在自主系统，正式方法和机器学习的交集中的多代理系统协调和控制上。我以前的研究工作的详细信息可在我的简历中获得。作为一名研究人员，我既开发了理论贡献，也开发了大规模硬件实验，证明了该理论的实际实用性。我使用时间逻辑，可验证控制和优化理论的概念在多机器人系统上开发了正式的保证。这项工作使一个大型团队（10至100s）的机器人可以使用线性时间逻辑在传感器覆盖范围和复杂的顺序任务中进行协调。这项工作被扩展为使用一种称为“能力时间逻辑的能力”的新型时间逻辑框架来考虑异质的代理和更复杂的任务。在麻省理工学院合作者的帮助下，该框架还用于部署一支在查尔斯河上具有不同传感器功能的自动船舶船只。除了这项协调工作之外，我开发了用于计算机视觉应用程序的分布式功能匹配的算法，该算法使协调团队可以融合图像数据并执行更有效的循环封闭，以同时本地化和映射问题。这项工作扩展到使用自动编码器神经网络的潜在空间生成的功能。我最近的工作还包括使用神经控制障碍功能为复杂的动力系统开发基于学习的安全保证。这项工作还与麻省理工学院的一位教授合作，并应用于战术飞机系统。我当前的其他工作还探讨了Q-Learning策略的零摄像布尔任务组成，作为为对抗游戏生成实时策略的一种方法（特别是在捕获标志中使用类似选项的框架）。我在使用机器人操作系统（ROS）以及MOOS-IVP中的开发应用方面拥有建造和部署机器人技术硬件（无人机，海洋船只，海底系统和地面车辆）方面的丰富经验。我还领导着研究飞机动态，学习加速的组合优化以及模拟基于学习的感知和控制系统的真实转移的研究计划。我目前通过内部资助与麻省理工学院，波士顿大学，Lehigh University，WPI和BYU以及NASA，DARPA和OSD（R＆E）的赠款保持积极合作。
CHIME：CMOS 体内微电极，用于大规模可扩展的神经元记录
哺乳动物的大脑由数千万到数千亿个神经元组成，这些神经元以毫秒级的时间尺度运行，而目前的记录技术只能捕捉到其中的一小部分。能够以高时空分辨率对神经活动进行采样的记录技术一直难以扩展。研究最深入的哺乳动物神经元网络（例如大脑皮层）呈现出分层结构，其中最佳记录技术可在大面积上进行密集采样。然而，对特定应用设计的需求以及大脑的三维结构与二维微加工技术之间的不匹配严重限制了神经生理学研究和神经假体。在这里，我们讨论了一种可扩展神经元记录的新策略，即将玻璃包覆微线束与来自高密度 CMOS 体外 MEA 系统或高速红外摄像机的大规模放大器阵列相结合。由于玻璃包覆微线中芯金属的高导电性，允许使用超薄金属芯（低至 < 1 µ m）和可忽略不计的杂散电容，因此实现了高信噪比（< 25 µ V RMS 本底噪声，SNR 高达 25）。尖端的多步电化学改性可实现超低接入阻抗和最小几何面积，这与芯直径基本无关。我们表明，可以减小微线尺寸，以几乎消除插入时对血脑屏障的损伤，并且我们证明微线阵列可以稳定地记录单个单元活动。将微线束和 CMOS 阵列相结合可以实现高度可扩展的神经元记录方法，将电神经元记录的进展与硅微加工的快速进展联系起来。系统的模块化设计允许自定义记录位置的排列。我们采用微创、高度绝缘和功能化的微线束将二维 CMOS 架构扩展到第三维，这种方法可以转化为其他 CMOS 阵列，例如电刺激设备。
CHIME：CMOS 体内微电极，用于大规模可扩展的神经元记录
哺乳动物的大脑由数千万到数千亿个神经元组成，这些神经元以毫秒级的时间尺度运行，而目前的记录技术只能捕捉到其中的一小部分。能够以高时空分辨率对神经活动进行采样的记录技术一直难以扩展。研究最深入的哺乳动物神经元网络（例如大脑皮层）呈现出分层结构，其中最佳记录技术可在大面积上进行密集采样。然而，对特定应用设计的需求以及大脑的三维结构与二维微加工技术之间的不匹配严重限制了神经生理学研究和神经假体。在这里，我们讨论了一种可扩展神经元记录的新策略，即将玻璃包覆微线束与来自高密度 CMOS 体外 MEA 系统或高速红外摄像机的大规模放大器阵列相结合。由于玻璃包覆微线中芯金属的高导电性，允许使用超薄金属芯（低至 < 1 µ m）和可忽略不计的杂散电容，因此实现了高信噪比（< 25 µ V RMS 本底噪声，SNR 高达 25）。尖端的多步电化学改性可实现超低接入阻抗和最小几何面积，这与芯直径基本无关。我们表明，可以减小微线尺寸，以几乎消除插入时对血脑屏障的损伤，并且我们证明微线阵列可以稳定地记录单个单元活动。将微线束和 CMOS 阵列相结合可以实现高度可扩展的神经元记录方法，将电神经元记录的进展与硅微加工的快速进展联系起来。系统的模块化设计允许自定义记录位置的排列。我们采用微创、高度绝缘和功能化的微线束将二维 CMOS 架构扩展到第三维，这种方法可以转化为其他 CMOS 阵列，例如电刺激设备。
人工智能/机器学习详解
数千亿美元的公共和私人资本正在投资于人工智能和机器学习公司。2021 年提交的专利数量是 2015 年的 30 多倍，因为世界各地的公司和国家都意识到人工智能和机器学习将成为重大颠覆因素，并可能改变军事力量的平衡。直到最近，炒作都超过了现实。然而，今天，人工智能在几个重要领域（这里、这里、这里、这里和这里）的进步等于甚至超过了人类的能力。如果你还没有注意，现在是时候了。人工智能和国防部国防部认为人工智能是一套基础技术，他们成立了一个专门的组织——JAIC——来在整个部门内实现和实施人工智能。他们为国防部用户提供基础设施、工具和技术专长，以成功构建和部署他们的 AI 加速项目。本文档后面列出了一些特定的国防相关 AI 应用程序。我们正处于一场革命之中 想象一下现在是 1950 年，你是一位从今天回到过去的访客。你的工作是向使用手动计算器和计算尺的人们解释计算机将对商业、国防和社会产生的影响。你成功说服一家公司和一个政府采用计算机并比竞争对手/对手更快地学习编码。他们想出了如何以数字化方式实现业务——供应链、客户互动等。想想他们今天在商业或国家中拥有的竞争优势。他们会压倒所有人。这就是我们今天在人工智能和机器学习方面所处的位置。这些技术将改变企业和政府机构。今天，数千亿美元的私人资本已投资于数千家人工智能初创企业。美国国防部已经成立了一个专门的组织来确保其部署。但它是什么？与过去 75 年来我们所使用的传统计算相比，人工智能已经带来了新类型的应用，例如面部识别；新类型的算法，例如机器学习；新类型的计算机架构，例如神经网络；新硬件，例如GPU；新类型的软件开发人员，例如数据科学家；所有这些都属于人工智能的主题。这些加起来感觉就像流行语宾果游戏。但它们预示着计算机功能、功能实现方式以及所需硬件和软件将发生翻天覆地的变化。