XiaoMi-AI文件搜索系统
World File Search SystemAccurate
最佳脑压缩：用于准确训练后量化和修剪的框架
我们考虑在具有挑战性的一声/训练后设置中，深度神经网络（DNN）的模型压缩问题，在该设置中，我们将获得一个准确的训练有素的模型，并且必须仅基于少量校准输入数据而无需进行任何重新训练。鉴于新兴软件和硬件支持，该问题已变得很流行，以通过加速进行修剪和/或量化来执行模型，并且已经针对两种压缩方法独立提出了良好的表现解决方案。在本文中，我们引入了一个新的压缩框架，该框架涵盖了在统一的环境中涵盖重量修剪和量化的，这是时间和空间效果，并且在现有后训练方法的实际性能上大大提高。在技术层面上，我们的方法基于[Lecun，Denker和Solla，1990]的经典最佳脑外科医生（OBS）框架的精确而有效的实现，以涵盖现代DNNS规模的体重量化。从实际的角度来看，我们的实验结果表明，它可以在现有训练后方法的压缩准确性权衡方面显着改善，并且它可以在培训后环境中启用修剪和量化的准确复合应用。
利用人工智能将录音转化为准确的街道图像
该团队利用来自北美、亚洲和欧洲城市的 YouTube 视频和音频，制作了来自不同地点的 10 秒音频片段和静态图像，并用它们训练 AI 模型，该模型可以根据音频输入生成高分辨率图像。然后，他们使用人工和计算机评估，将由 100 个音频片段制作的 AI 声音到图像创作与它们各自的真实照片进行比较。
用于植入式神经接口的精确且硬件高效的双尖峰检测器
摘要 — 尖峰检测在神经数据处理和脑机接口 (BMI) 中起着核心作用。未来一代可植入 BMI 面临的挑战是构建一个既具有低硬件成本又具有高性能的尖峰检测器。在这项工作中，我们提出了一种用于可植入 BMI 的新型硬件高效且高性能的尖峰检测器。所提出的设计基于具有自适应阈值估计的双检测器架构。双检测器包括两个独立的基于 TEO 的检测器，它们根据尖峰在高噪声和低噪声场景中的判别特征来区分尖峰的发生。我们在 Wave Clus 数据集上评估了所提出的尖峰检测算法。它实现了 98.9% 的平均检测准确率，在高噪声场景中超过 95%，确保了我们方法的可靠性。当在采样率为 16kHz 和分辨率为 7 位的硬件中实现时，检测准确率为 97.4%。基于该架构的256通道探测器采用TSMC 65nm工艺设计，面积仅682μm2/通道，功耗0.07μW/通道，与目前最先进的尖峰探测器相比，功耗降低39.7%，面积减少78.8%，同时保持了较高的精度。
最准确的人工智能就是最好的队友吗？优化人工智能以促进团队合作
AI 从业者通常致力于开发最精确的系统，并隐含地假设 AI 系统将自主运行。然而在实践中，AI 系统通常用于为从刑事司法和金融到医疗保健等领域的人们提供建议。在这种 AI 建议的决策中，人类和机器组成一个团队，其中人类负责做出最终决策。但最准确的 AI 是最好的队友吗？我们认为“不一定”——可预测的性能可能值得稍微牺牲 AI 的准确性。相反，我们认为 AI 系统应该以以人为本的方式进行训练，直接针对团队表现进行优化。我们针对一种特定类型的人机合作研究了这一提议，其中人类监督者选择接受 AI 建议或自己解决任务。为了优化此设置下的团队绩效，我们最大化团队的预期效用，以最终决策的质量、验证成本以及人员和机器的个体准确性来表示。我们对现实世界的高风险数据集进行的线性和非线性模型实验表明，最准确的人工智能可能不会带来最高的团队绩效，并通过提高跨数据集的预期团队效用，显示了在训练期间对团队合作进行建模的好处，同时考虑到人类技能和错误成本等参数。我们讨论了当前优化方法的缺点，超出了对数损失等经过充分研究的损失函数，并鼓励未来研究由人机协作激发的人工智能优化问题。
汽车级、±0.5°C 精度、16 位数字 SPI 温度...
符合汽车应用要求 高性能 温度精度 ±0.5°C（−40°C 至 +105°C，2.7 V 至 3.6 V） ±0.4°C（−40°C 至 +105°C，3.0 V） 16 位温度分辨率：0.0078°C 上电后首次转换时间仅为 6 ms 易于实施 用户无需进行温度校准/校正 无需进行线性校正 低功耗 省电 每秒 1 个样本 (SPS) 模式 正常模式下，3.3 V 时典型功耗为 700 μW 关断模式下，3.3 V 时典型功耗为 7 μW 宽工作范围 温度范围：−40°C 至 +150°C 电压范围：2.7 V 至 5.5 V 可编程中断 关键过温中断 过温/欠温中断 SPI 兼容接口 8 引脚窄体 SOIC 封装，符合 RoHS 标准
精度为 0.25°C 的 16 位数字 SPI 温度传感器
特点 高性能 温度精度 ±0.20°C（3.0 V 时从 −10°C 至 +85°C） ±0.25°C（2.7 V 至 3.3 V 时从 −20°C 至 +105°C） 16 位温度分辨率：0.0078°C 超低温度漂移：0.0073°C NIST 可追溯或等效 上电时 6 ms 快速首次温度转换 易于实施 用户无需进行温度校准/校正 无需进行线性校正 低功耗 省电 1 样本/秒 (SPS) 模式 正常模式下 3.3 V 时典型值为 700 µW 关断模式下 3.3 V 时典型值为 7 µW 宽工作范围 温度范围：−40°C 至 +150°C 电压范围：2.7 V 至 5.5 V 可编程中断 关键过温中断 过温/欠温中断 SPI 兼容接口 16 引脚，符合 RoHS 标准的 4 mm × 4 mm LFCSP 封装
简单、可靠、准确：PTW 的剂量面积产品测量仪
DAP 是入射剂量（空气比释动能）与光束面积相乘的结果。它可以通过平面电离室测量，该电离室直接安装在 X 射线焦点和患者表面之间的光束外壳上。根据平方反比定律，DAP 与焦点和患者之间的距离无关。这种关系表明，将辐射源和测量室之间的距离加倍，辐射面积将增加四倍，而剂量（空气比释动能）同时减少四倍。两种效应相互抵消。因此，剂量面积乘积与距离无关，它以优雅的方式确定检查期间所有可变参数，如管电压、管电流、过滤、辐照时间和场大小。
5 引脚 SC-70 封装中精度为 0.5°C 的 PWM 温度传感器
1 3.0 V 至 3.6 V 和 4.5 V 至 5.5 V 电源范围的精度规格指定为 3- Σ 性能。 2 建议不要在高于 125°C 的温度下操作器件，且操作时间不得超过器件使用寿命的 5% (5,000 小时)。超过此限值的任何暴露都会影响器件的可靠性。 3 常模电流与 T L 期间的电流有关。TMP05/TMP06 在 T H 期间不转换，因此静态电流与 T H 期间的电流有关。 4 由设计和特性保证，未经生产测试。 5 建议限制从 TMP05 输出拉出的电流，因为任何流过芯片的过大电流都会导致自热。因此，可能会出现错误的温度读数。 6 测试负载电路为 100 pF 至 GND。 7 测试负载电路为 100 pF 至 GND，10 kΩ 至 5.5 V。
研究论文对 X 射线在精准疾病中的作用的批判性分析
摘要 X 射线是当今治疗管理中的一项基本技术，可诊断多种疾病并决定正确的处方剂量以改善患者的生活。本文旨在探索 X 射线作为诊断工具在疾病过程中的功能及其对治疗程序的影响，特别关注真实图像在制定药物治疗方案中的作用。通过文献综述和研究案例，我们研究了 X 射线诊断在肺炎、骨折和骨质疏松症等多种疾病的药物管理中的作用。本研究强调了药剂师的团队合作，根据放射图像的特点个性化调整药物治疗方案，这是准确成像和准确药物治疗之间完美联系的标志。医疗环境中的这种综合功能不仅改善了设备的诊断功能，而且还改善了为患者提供最佳治疗的功能，强调将改进的成像技术与最佳药物管理策略相结合。关键词：X 射线技术、疾病诊断、药理管理、医学成像、放射学、诊断准确性、成像方式、临床结果、药物监测、放射成像、药房实践 *通信作者：电子邮件：mgahtani@kau.edu.sa 收到日期：2024 年 7 月 2 日 接受日期：2024 年 8 月 5 日 DOI：https://doi.org/10.53555/AJBR.v27i3.1625 © 2024 作者。本文根据知识共享署名-非商业性使用 4.0 国际许可 (CC BY-NC 4.0) 条款发布，允许在任何媒体中进行非商业性无限制使用、分发和复制，但必须提供以下声明。 “本文已发表在《非洲生物医学研究杂志》上” 简介 荧光透视或 X 射线成像方法于 19 世纪末引入，至今仍是医学界最有用的诊断工具之一。它提供了一种非侵入性的方法，可以有效地描绘身体内部部位，尤其是骨骼和胸部器官，这对于诊断骨折、感染、肿瘤和肺部疾病至关重要。它是
机器学习辅助识别具有不确定性的精确电池寿命模型
降阶电池寿命模型由各种老化模式的代数表达式组成，广泛用于将加速老化测试中的退化趋势推断到真实老化场景中。确定具有高精度和低不确定性的模型对于确保模型推断的可信度至关重要，但是，很难编写准确预测多元数据趋势的表达式；对文献中的循环退化模型的回顾揭示了各种各样的函数关系。在这里，使用机器学习辅助模型识别方法来拟合突出的 LFP-Gr 老化数据集中的退化，并通过自举重采样量化不确定性。本研究中确定的模型的平均绝对误差约为人类专家模型的一半。通过转换为状态方程形式并将预测结果与不同负载下的电池老化进行比较来验证模型。参数不确定性被带入储能系统模拟中，以估计老化模型不确定性对系统寿命的影响。这里使用的新模型识别方法将寿命预测不确定性降低了三倍以上（人类专家模型 10 年相对容量为 86% ± 5%，机器学习辅助模型为 88.5% ± 1.5%），从而可以更自信地估计储能系统的寿命。© 2022 作者。由 IOP Publishing Limited 代表电化学学会出版。这是一篇开放获取的文章，根据知识共享署名 4.0 许可条款分发（CC BY，http://creativecommons.org/licenses/by/4.0/），允许在任何媒体中不受限制地重复使用作品，前提是正确引用原始作品。[DOI：10.1149/1945-7111/ac86a8]