XiaoMi-AI文件搜索系统
World File Search SystemAccelerator
循环经济加速器 | 伦敦金融城
因此，伦敦金融城公司必须支持金融城企业、居民和游客做出可持续的选择；包括减少、运输和管理他们的废物，再利用、修理和制造物品，以可再生能源为基础，减少有害排放，保护生物多样性，采购/获得对环境影响最小的物品，体现伦敦金融城公司作为伦敦金融城废物规划局（WPA）的角色。
基于 FPGA 的 YOLO 可重构 CNN 加速器
摘要 卷积神经网络（CNN）在图像处理领域得到了广泛的应用，基于CNN的目标检测模型，如YOLO、SSD等，已被证明是众多应用中最先进的。CNN对计算能力和内存带宽要求极高，通常需要部署到专用的硬件平台上。FPGA在可重构性和性能功耗比方面具有很大优势，是部署CNN的合适选择。本文提出了一种基于ARM+FPGA架构的带AXI总线的可重构CNN加速器。该加速器可以接收ARM发送的配置信号，通过分时方式完成不同CNN层推理时的计算。通过结合卷积和池化操作，减少卷积层和池化层的数据移动次数，减少片外内存访问次数。将浮点数转换为16位动态定点格式，提高了计算性能。我们分别在 Xilinx ZCU102 FPGA 上为 COCO 和 VOC 2007 上的 YOLOv2 和 YOLOv2 Tiny 模型实现了所提出的架构，在 300MHz 时钟频率下峰值性能达到 289GOP。
纽约市加速器 PACE 融资计划
符合所有适用的计划要求并输入到工作簿中。为了确定此类历史“基准”能源使用量，必须使用建筑物过去三年的平均年能源使用量。用于能源分析的基准建筑物的运营假设和设计必须反映实际建筑物特征和运营情况。建筑物预期用途的变化以及由此导致的能源效率效益适用的基准能源消耗变化必须通过向管理员提供的备份文件予以证实。3 根据 NYSERDA 通用指南，目前空置的历史建筑、现有建筑中的适应性再利用、历史能源数据不存在或任何拟议的建筑使用或增建变更，必须提供基于拟议用途的替代能源消耗基准。对实际基准能源使用量的任何调整或变更都必须通过向管理员提供的备份文件予以证实。如果项目建筑物小于 25,000 平方英尺，则必须向管理员提供前三年的公用事业账单消耗数据。新建项目或重大改造项目的基准是纽约市建筑局设计备案时适用的纽约市节能规范最低基准。公用事业费率为了使建筑物满足计划的技术要求以获得该计划下的 C-PACE 贷款，必须确定建筑物的混合公用事业费率并将其输入到工作簿中。工作簿中使用的混合公用事业费率必须符合 NYSERDA 的 CBR 指南，并且必须按以下方式计算：特定公用事业的混合公用事业费率应等于该公用事业在过去三年的总成本除以过去 3 年的总消耗，所有值均基于账单数据。任何例外情况都必须描述并通过备份文件和计算加以证实。新建项目或重大改造项目的公用事业费率应为根据拟建建筑物的预期费率类别和费率得出的混合费率。混合费率可以根据费率各部分的总和计算得出，包括高峰和非高峰需求费用、能源费用和其他费用。
加速器组件的自动视觉识别
本研究提出了计算机视觉技术的新应用，用于识别ALS拥挤的加速器隧道中的磁铁和磁铁组件。利用SAM2/YOLO跟踪，我们培训了一个系统，结合了CAD渲染和来自Advanced Light Source升级（ALSU）项目的组件的真实照片。我们的方法涉及创建一些手动标记的图像的综合数据集，这些图像源自CAD模型和现场手动标记的照片。我们在简化维护程序，增强安全协议并改善了复杂加速器环境中自动化视觉检查和库存管理方面的总体操作中显示了潜在的应用。
高能效率LSTM加速器体系结构
摘要：修剪和量化是加速LSTM（长短期内存）模型的两种常用方法。但是，传统的线性量化通常会遇到梯度消失的问题，而现有的修剪方法都有产生不希望的不规则稀疏性或大型索引开销的问题。为了减轻消失梯度的问题，这项工作提出了一种归一化的线性量化方法，该方法首先将操作数正常化，然后在局部混合最大范围内进行量化。为了克服不规则的稀疏性和大型索引开销的问题，这项工作采用了排列的块对角掩模矩阵来产生稀疏模型。由于稀疏模型高度规律，因此可以通过简单的计算获得非零权重的位置，从而避免了大型索引开销。基于由排列的块对角面胶质矩阵产生的稀疏LSTM模型，本文还提出了高能耐加速器的Permlstm，该材料全面利用了有关基质 - 载体乘积的重量，激活和产品的稀疏性，从而导致55.1％的动力减少。与先前报道的其他基于FPGA的LSTM加速器相比，与先前报道的其他基于FPGA的LSTM加速器相比，该加速器已在以150 MHz运行的ARRIA-10 FPGA上实现，并达到2.19×〜24.4×能量效率。
TESLAC：利用 AI 加速器加速基于格的加密技术
摘要本文利用人工智能加速器实现密码算法。据我们所知，这是首次尝试使用人工智能加速器实现量子安全的基于格的密码术 (LBC)。然而，人工智能加速器是为机器学习工作负载（例如卷积运算）而设计的，无法将其强大的功能直接用于密码计算。注意到环上的多项式乘法是 LBC 中的一种耗时计算，我们利用一种简单的方法使人工智能加速器非常适合环上的多项式乘法。还进行了其他非平凡优化以最小化转换开销，例如使用低延迟共享内存、合并内存访问。此外，基于 NVIDIA 人工智能加速器 Tensor Core，我们实现了一个名为 TESLAC 的原型系统，并进行了一组全面的实验来评估其性能。实验结果表明，TESLAC 可以达到每秒数千万次运算，相比 AVX2 加速的参考实现实现了两个数量级的性能提升。特别地，通过一些技巧，TESLAC 还可以扩展到其他模 q 更大的 LBC。
ThinkSystem Qualcomm Cloud AI 100 加速器
Lenovo 可能不会在所有国家/地区提供本文档中讨论的产品、服务或功能。请咨询您当地的 Lenovo 代表，了解您所在地区当前提供的产品和服务信息。对 Lenovo 产品、程序或服务的任何引用并非明示或暗示只能使用该 Lenovo 产品、程序或服务。任何功能等效的产品、程序或服务，只要不侵犯 Lenovo 的知识产权，都可以代替使用。但是，用户有责任评估和验证任何其他产品、程序或服务的运行情况。Lenovo 可能拥有涵盖本文档中所述主题的专利或正在申请的专利。提供本文档并不授予您这些专利的任何许可。您可以以书面形式将许可查询发送至：
NexCOBOT 利用英特尔® 视觉加速器设计...
提高自动化程度是优化不同行业制造运营的关键。然而，传统的机器视觉有其局限性——通常，它只能根据固定规则进行缺陷检测和分类，并在固定环境中工作。例如，光照变化或灰尘或油脂等部分障碍物的存在会对准确性和质量产生负面影响。基于人工智能的方法的引入使机器人技术更加灵活，可以更好地抵御不断变化的环境条件，并可以自由地处理各种检查任务。机器人自动化流程可以通过视觉系统升级，以处理更复杂的任务。虽然现代人工智能方法的好处显而易见，但将这种能力集成到传统的机器视觉流程中可能很复杂。