XiaoMi-AI文件搜索系统
World File Search SystemArithmetic
在分子通信中启用算术操作
摘要 - 在当前的分子通信（MC）系统中，在纳米级进行计算操作仍然具有挑战性，限制了它们在复杂场景中的适用性，例如自适应生化控制和先进的纳米级传感。为了克服这一挑战，本文提出了一个新颖的框架，该框架将计算无缝整合到分子通信过程中。该系统可以通过将数值分别编码为每个发射机发出的两种类型的分子来分别表示正值和负值，从而启用算术操作，即添加，减，乘法和除法。特别是，通过传输非反应性分子来实现添加，而减法采用在传播过程中相互作用的反应性分子。接收器解调分子计数以直接计算所需的结果。对位错误率（BER）的上限的理论分析和计算模拟确保了系统在执行复杂算术任务时的鲁棒性。与传统的MC方法相比，所提出的方法不仅在纳米级的基本计算操作中，而且为智能，自主分子网络奠定了基础。
算术自相关和二进制序列的模式分布
其中n i = | {t≤n≤2t - 1：s n，τ= i} | ，i = 0，1。与经典的自相关相比，算术自相关是伪随机序列的携带相关函数。Goresky和Klapper [3]将算术自相关扩展到互相关，并给出了具有理想算术交叉相关性的二进制序列的大家族。后来，他们将算术自相关推广到[4，5]中的非二元序列。对于更多背景，读者被转介给[6]。序列的算术相关性预计将尽可能小。在[2]中提出了legendre序列算术自相关的非平凡结合。Hofer，M´erai和Winterhof [7]证明了算术自相关性和较高订单的相关度量的关系如下：
讲座5：有限字段（第2部分） - 第2部分：模块化算术...
•个人注释：我认为Memaids是心理学家所谓的记忆的方便机制。通常，当您遇到工程或数学细节时，为了使您接受该细节可信，您的大脑需要提出所有证明细节合理的支持论点。最初有意识地发生这种情况，但最终它成为了潜意识的过程。无论您是有意识地还是在潜意识中进行，您都可以通过将某些事实指定为对发生的事实，并让您的大脑用这些事实来加快该过程，并让您的大脑将这些事实用作跳跃点，以进行更详细的构成。
第32届IEEE计算机算术研讨会（Arith 2025）
ARITH 2025欢迎会议论文提交，描述了与计算机算术有关的最新科学进展。在其他地方进行的审查论文不接受提交给Arith 2025。通过分配论文，作者隐含地认为他们仅将其提交给Arith2025。提交必须用英语，并通过EasyChair网站进行：https：// EasyChair。org/conferences/？conf = ARITH2025提交的内容最多应为完整论文的最多8页，或者在IEEE CS会议格式（包括参考文献）中的简短和行业论文4页。接受的论文将在会议上发表，并将其包括在会议记录和IEEE Xplore数字图书馆中。详细提交过程可在https://www.arith2025.org/call.html
简单算术处理过程中人脑连续激活的时空动态
先前的神经影像学研究提供了关于大脑激活和失活的空间组织的独特见解；然而，这些研究无法结合个体大脑层面的精确解剖信息源，探索亚秒级事件的确切时间。因此，我们对给定认知任务期间不同大脑区域的参与顺序知之甚少。使用实验算术任务作为人类独有符号处理的原型，我们使用颅内脑电图直接记录了 85 名人类受试者（52% 为女性）的 10,076 个大脑部位。我们的数据显示，几乎一半的采样部位的活动变化分布非常均匀。在每个激活的大脑区域中，我们发现并列的神经元群优先对目标或控制条件做出反应，并以解剖学上有序的方式排列。值得注意的是，在个体大脑中观察到一组大脑区域的有序连续激活——在受试者中解剖学上一致。这些部位的激活时间顺序在受试者和试验之间是可复制的。此外，部位之间的功能连接程度随着区域之间的时间距离而降低，这表明信息在处理链中部分泄露或转换。我们的研究补充了之前的成像研究，提供了迄今为止未知的有关算术处理过程中大脑事件时间的信息。这些发现可以作为开发人类特定认知符号系统的机械计算模型的基础。
利用时间算法实现节能卷积
卷积是许多应用的核心操作，包括图像处理、对象检测和神经网络。虽然数据移动和协调操作仍然是通用架构优化的重要领域，但对于与传感器操作融合的计算，底层的乘法累加 (MAC) 操作主导了功耗。非传统数据编码已被证明可以降低这种算法的能耗，其选项包括从低精度浮点到完全随机运算的所有选项，但所有这些方法都始于一个假设，即每个像素都已完成完整的模数转换 (ADC)。虽然模拟时间转换器已被证明消耗更少的能量，但除了简单的最小值、最大值和延迟操作之外，对时间编码信号进行算术操作以前是不可能的，这意味着卷积等操作已经遥不可及。在本文中，我们展示了时间编码信号的算术操作是可行的、实用的，并且极其节能。这种新方法的核心是将传统数字空间负对数变换为“延迟空间”，其中缩放（乘法）变为延迟（时间上的加法）。挑战在于处理加法和减法。我们展示了这些操作也可以直接在这个负对数延迟空间中完成，结合和交换性质仍然适用于变换后的运算，并且可以使用延迟元件和基本 CMOS 逻辑元件在硬件中高效地构建精确的近似值。此外，我们展示了这些操作可以在空间中链接在一起或在时间上循环操作。这种方法自然适合分阶段 ADC 读出
探索我们的内置计算器：对算术运算相关脑区进行非侵入性脑刺激研究的系统叙述性回顾
本系统综述全面调查了应用经颅磁刺激和经颅电刺激顶叶和非顶叶区域来研究符号算术处理的神经基础的研究。所有研究结果均根据数字处理的三重代码模型 (TCM) 的三个假设汇编而成。共确定了 37 篇符合条件的稿件（33 篇来自健康参与者，4 篇来自患者）。其结果与 TCM 的第一个假设大致一致，即顶内沟既保存量值代码，又参与需要数值操作的运算，如减法。然而，大量异质性结果与 TCM 的第二个假设相冲突，即左侧角回用于算术事实检索，如检索死记硬背的乘法结果。对 TCM 的第三个假设的支持也有限，即后顶上小叶参与心理数轴上的空间运算。此外，对中医所指脑区以外的脑区进行刺激的结果显示，双侧缘上回参与在线计算和检索，左颞叶皮层参与检索，双侧背外侧前额叶皮层和小脑参与在线计算认知要求较高的算术问题。总体结果表明，多个皮层区域有助于算术技能。
开发类似人类的人工智能（及其原因）
摘要 既然计算机在算术计算方面已经胜过人类，为什么我们还要开发像人类一样的人工智能呢？除了算术不仅仅包含计算之外，一个可能的原因是人工智能研究可以帮助我们解释人类算术认知的发展。在这里我认为这个问题需要在基本的、非符号的数值认知的背景下进行研究。通过分析最近关于人工神经网络的机器学习研究，我展示了人工智能研究如何有可能揭示人类数值能力的发展，从原始的算术能力（速算和估算）到计数程序。虽然目前的结果还远未得出结论，还需要做更多的工作，但我认为，当我们试图解释数值认知和算术智能的发展和特征时，人工智能研究应该纳入跨学科工具箱中。这使得它与数学认识论也息息相关。
基于元启发式优化的图像和算术任务特征选择：一项 fNIRS 研究
摘要：近几十年来，脑机接口 (BCI) 已成为研究的前沿领域。特征选择对于降低数据集的维度、提高计算效率和增强 BCI 的性能至关重要。使用与活动相关的特征可以在所需任务中获得较高的分类率。本研究提出了一种基于包装器的元启发式特征选择框架，用于使用功能性近红外光谱 (fNIRS) 的 BCI 应用。在这里，从所有可用通道计算时间统计特征（即平均值、斜率、最大值、偏度和峰度）以形成训练向量。使用基于 k 最近邻的成本函数测试了七种元启发式优化算法的分类性能：粒子群优化、布谷鸟搜索优化、萤火虫算法、蝙蝠算法、花授粉优化、鲸鱼优化和灰狼优化 (GWO)。基于来自 29 名健康受试者的运动想象 (MI) 和心算 (MA) 任务的在线数据集，对所提出的方法进行了验证。结果表明，与从全套特征中获得的特征相比，利用从元启发式优化算法中选择的特征可以显著提高分类准确率。所有上述元启发式算法都提高了分类准确率并减小了特征向量大小。GWO 对 MA、MI 和四类（左手和右手 MI、MA 和基线）任务的平均分类率最高（p < 0.01），分别为 94.83 ± 5.5%、92.57 ± 6.9% 和 85.66 ± 7.3%。所提出的框架可能有助于在训练阶段为基于 fNIRS 的稳健 BCI 应用选择合适的特征。