XiaoMi-AI文件搜索系统
World File Search SystemBNNS
二进制神经网络的精确定量分析
作为一种新的编程范式，基于神经网络的机器学习已将其应用扩展到许多现实世界中的问题。由于神经网络的黑盒性质，验证和解释其行为变得越来越重要，尤其是当它们部署在安全至关重要的应用中时。现有的验证工作主要集中于定性验证，该验证询问是否存在针对神经网络的输入（指定区域），以便违反财产（例如，局部鲁棒性）。但是，在许多实际应用中，几乎可以肯定存在这样的（对抗性）输入，这使得定性答案降低了有意义。在这项工作中，我们研究了一个更有趣，更具挑战性的问题，即对神经网络的定量验证，该验证询问财产经常得到满足或侵犯财产的频率。我们针对二进制神经网络（BNNS），一般神经网络的1位量化。BNN最近在深度学习中引起了越来越多的关注，因为它们可以大幅度地减少记忆存储和执行时间，而智力操作在求助方案中至关重要，例如，嵌入式设备用于物联网的嵌入式设备。朝着对BNNS的定量验证，我们提出了一种新型算法方法，用于将BNN作为二进制决策图（BDDS），这是一种在形式验证和知识表示中广泛研究的模型。通过利用BNN的内部结构，我们的编码将BNN中块的输入输出关系转化为基数约束，然后由BDD编码。基于新的BDD编码，我们为BNN开发了一个定量验证框架，可以在其中对BNN进行精确和全面的分析。为了提高BDD编码的可扩展性，我们还研究了各个级别的并行化策略。我们通过为BNN提供定量鲁棒性验证和解释性来证明我们的框架的应用。广泛的实验评估证实了我们方法的有效性和效率。
用于Terahertz辐射屏蔽的硝酸硼纳米片的负担得起而简单的合成
图4A描绘了具有不同BNNS分数的质量化的BNNS@环氧复合板。在用BNN掺杂之前，环氧树脂板看起来是黄色和透明的。然而，掺杂后，颜色变为白色，随着BNNS浓度的增加，板的透明度会降低。也可以推断出BNN均匀分散在整个环氧树脂中，从而导致均匀的复合材料。图4B说明了用于评估BNN@Epoxy复合板的Terahertz辐射屏蔽有效性的实验设置。实验设置由Terasense源组成，该源以100 GHz的频率发出连续波，其输出功率为80 MW，光电传输天线和THZ-B检测器（Gentec-EO）。这些组件由LabView Software（Gentec-eo）无缝协调，以从源头获得有效的数据采集和处理。值得注意的是，发射的辐射通过由BNNS@环氧复合板制成的衰减器，精心设计，以满足实验的特定要求。
六方硼中的缺陷辅助光致发光......
5 帕多瓦大学化学科学系，Via Marzolo 1, 35131 帕多瓦，意大利 * 通讯作者：plinio@uniss.it 关键词：六方氮化硼，二维材料，光致发光 摘要 基于六方氮化硼纳米片（h-BNN）的功能光电应用的开发依赖于控制结构缺陷。特别是，已经观察到荧光发射取决于空位和取代缺陷。在目前的研究中，通过超声辅助液相剥离块体对应物获得了少层 h-BNN。制备的样品在可见光范围内表现出微弱的荧光发射，中心在 400nm 左右。通过在不同温度下在空气中氧化引入了定制缺陷。已经观察到氧化 h-BNN 的荧光发射显著增加，在 300°C 下处理的样品的发射强度最大。温度进一步升高（>300°C）会导致荧光猝灭。
nitride的六角硼的原子特性。
六角硼硝酸盐（H-BN）由于其令人难以置信的电气，热和机械性能而近期引起了很多关注。其化学成分导致其化学惰性和无毒性，这使其与石墨材料不同（1）。过去，H-BN由于其摩擦学特性，即摩擦，润滑，表面相互作用。例如，这些特性已被理论上有效为航天器上的涂层，因为其在高温下保持其结构的能力（2，3）。对H-BN的分析较小，因为六角硼氮化硼纳米片（BNNS）也很感兴趣。正如已经发现石墨材料具有广泛的应用程序一样，BNN也是如此。bnns可以用作癌症药物递送的一种方法，因为它比基于石墨烯的材料更具生物相容性和毒性，但保留了许多相同的特性（4）。还发现了在量子信息中使用H-BN的动机，将量子通信科学用作“单光子发射器”（5）。我们对H-BN的特定兴趣源于其在高温下用作紫外光探测器的理论上的使用（6）。
面向医疗应用的二值化神经网络的内存电阻式 RAM 实现
摘要 — 深度学习的出现大大加速了机器学习的发展。然而，边缘深度神经网络的部署受到其高内存和能耗要求的限制。随着新内存技术的出现，新兴的二值化神经网络 (BNN) 有望降低即将到来的机器学习硬件一代的能量影响，使机器学习能够在边缘设备上进行，并避免通过网络传输数据。在这项工作中，在介绍采用混合 CMOS - 氧化铪电阻存储器技术的实现后，我们提出了将 BNN 应用于心电图和脑电图等生物医学信号的策略，以保持准确度水平并降低内存要求。我们研究了二值化整个网络和仅二值化分类器部分时的内存-准确度权衡。我们还讨论了这些结果如何转化为 Imagenet 任务上面向边缘的 Mobilenet V1 神经网络。这项研究的最终目标是实现智能自主医疗设备。
面向医疗应用的二值化神经网络的内存电阻式 RAM 实现
摘要 — 深度学习的出现大大加速了机器学习的发展。然而，边缘深度神经网络的部署受到其高内存和能耗要求的限制。随着新内存技术的出现，新兴的二值化神经网络 (BNN) 有望降低即将到来的机器学习硬件一代的能量影响，使机器学习能够在边缘设备上进行，并避免通过网络传输数据。在这项工作中，在介绍采用混合 CMOS - 氧化铪电阻存储器技术的实现后，我们提出了将 BNN 应用于心电图和脑电图等生物医学信号的策略，以保持准确度水平并降低内存要求。我们研究了二值化整个网络和仅二值化分类器部分时的内存-准确度权衡。我们还讨论了这些结果如何转化为 Imagenet 任务上面向边缘的 Mobilenet V1 神经网络。这项研究的最终目标是实现智能自主医疗设备。
无线贝叶斯神经网络与自我-NSF -PAR
摘要 - 已提出了无线贝叶斯神经网络（WBNNS），以解决能源效率和设计复杂性的问题，以在资源约束边缘设备中进行培训和分类。通过引入热激活的DNA致动器和磁性旋转旋转振荡器（STOS），WBNN能够从小型数据集中学习并解决过度拟合的问题，以实现准确的分类结果。为了有效地生成高斯变量，这项工作提出了电磁耦合的stos，可以固有地创建可编程频谱分布，以用于贝叶斯神经网络（BNNS）的变异推断。具体而言，通过使用最大量的高斯变量，与BNN进行单层将DNA折纸与STO进行单层整合的纳米级异质结构，以执行乘法和积累（MAC），包括：1）具有加权偏置电流的STOS，以将概率分布和生成振动范围设置为频率范围，通过频率进行频率范围，通过频率进行频率范围，以使oscilly oscill osscill频率通过频率进行频率范围。 （2）可以选择性地整合来自各种STO的无线信号以将接收到的能量转换为可编程磁场的DNA折纸。仿真结果表明，所提出的WBNN可以在消耗625 µW时获得高于96％的精度。
大脑连接符合储层计算
人工神经网络（ANN）的连通性与在生物神经网络（BNN）中观察到的连通性不同。实际大脑的接线可以帮助改善ANNS体系结构吗？我们可以从ANN中了解哪些网络功能在解决任务时支持大脑中的计算？ANNS的架构是经过精心设计的，在许多最近的绩效改进中具有至关重要的重要性。另一方面，BNNS的出现紧急连接模式。在个人层面上，BNNS的连通性是由大脑发育和可塑性过程引起的，而在物种层面上，进化过程中的自适应重新配置也起着主要作用，可以塑造连通性。近年来已经确定了无处不在的大脑连接性特征，但是它们在大脑执行具体计算的能力中的作用仍然很少了解。 计算神经科学研究仅揭示了特定的大脑连接性特征对抽象动力学特性的影响，尽管实际上几乎没有探索真实的大脑网络拓扑对机器学习或认知任务的影响。 在这里，我们提出了一项跨物种研究，采用混合方法整合了真实的大脑连接组和生物回声状态网络，我们用来求解具体的内存任务，从而使我们能够探究实际大脑连接模式对任务解决方案的潜在计算含义。 我们发现在物种和任务之间保持一致的结果，表明，如果允许最小的随机性和连接的多样性，则具有生物学启发的网络以及经典的回声状态网络的性能以及经典的回声状态网络。无处不在的大脑连接性特征，但是它们在大脑执行具体计算的能力中的作用仍然很少了解。计算神经科学研究仅揭示了特定的大脑连接性特征对抽象动力学特性的影响，尽管实际上几乎没有探索真实的大脑网络拓扑对机器学习或认知任务的影响。在这里，我们提出了一项跨物种研究，采用混合方法整合了真实的大脑连接组和生物回声状态网络，我们用来求解具体的内存任务，从而使我们能够探究实际大脑连接模式对任务解决方案的潜在计算含义。我们发现在物种和任务之间保持一致的结果，表明，如果允许最小的随机性和连接的多样性，则具有生物学启发的网络以及经典的回声状态网络的性能以及经典的回声状态网络。我们还提出了一个框架Bio2Art，以映射和扩展可以集成到经常性ANN中的真实连接组。这种方法还使我们能够表明核次间连通模式多样性的重要性，强调了决定神经网络连通性的随机过程的重要性。
大脑连接符合储层计算
人工神经网络（ANN）的连通性与在生物神经网络（BNN）中观察到的连通性不同。实际大脑的接线可以帮助改善ANNS体系结构吗？我们可以从ANN中了解哪些网络功能在解决任务时支持大脑中的计算？在连通性的中间/宏观级别上，ANN的体系结构经过精心设计，这些设计决策在许多最近的绩效改进中具有至关重要的重要性。另一方面，BNN在所有尺度上都表现出复杂的新兴连通性模式。在个人层面上，BNNS连接性是由脑发育和可塑性过程引起的，而在物种层面上，在进化过程中的自适应重新构造也起着主要作用，可以塑造连通性。近年来已经确定了无处不在的大脑连接性特征，但是它们在大脑执行具体计算的能力中的作用仍然很少了解。 计算神经科学研究仅揭示了特定的大脑连接性特征对抽象动力学特性的影响，尽管实际上几乎没有探索真实的大脑网络拓扑对机器学习或认知任务的影响。 在这里，我们提出了一项跨物种研究，采用混合方法整合了真实的大脑连接组和生物回声状态网络，我们用来求解具体的内存任务，从而使我们能够探究在求解任务解决方面的真实大脑连接模式的潜在计算模拟。 我们还提出了一个框架Bio2Art，以映射和扩展可以集成到经常性ANN中的真实连接组。无处不在的大脑连接性特征，但是它们在大脑执行具体计算的能力中的作用仍然很少了解。计算神经科学研究仅揭示了特定的大脑连接性特征对抽象动力学特性的影响，尽管实际上几乎没有探索真实的大脑网络拓扑对机器学习或认知任务的影响。在这里，我们提出了一项跨物种研究，采用混合方法整合了真实的大脑连接组和生物回声状态网络，我们用来求解具体的内存任务，从而使我们能够探究在求解任务解决方面的真实大脑连接模式的潜在计算模拟。我们还提出了一个框架Bio2Art，以映射和扩展可以集成到经常性ANN中的真实连接组。我们发现在物种和任务之间保持一致的结果，表明，如果允许最小的随机性和连接的多样性，则具有生物学启发的网络以及经典的回声状态网络的性能以及经典的回声状态网络。这种方法还使我们能够表明核次间连通模式多样性的重要性，强调了决定神经网络连通性的随机过程的重要性。
生物神经网络的独特特性以及自下而上的方法的最新进展，以更好地生物学上合理的神经网络
尽管它看起来不可行且不切实际，但使用基于对神经科学的理解的自下而上的方法来构建人工智能（AI）是简单的。缺乏生物神经网络（BNNS）的普遍管理原理，迫使我们通过将有关神经元，突触和神经回路的各种特征转换为AI的各种特征来解决这个问题。在这篇综述中，我们描述了通过遵循神经科学相似的神经网络优化策略或植入优化结果，例如单个计算单元的属性和网络结构的特征，以构建生物学上合理的神经网络。此外，我们提出了神经网络试图实现的目标集与神经网络类别之间的关系形式主义，而神经网络类别则按照其架构特征与BNN的建筑特征相似。这种形式主义有望定义自上而下和自下而上的方法在建立生物学上合理的神经网络的潜在作用，并获得一张地图，以帮助导航神经科学与AI工程之间的差距。