XiaoMi-AI文件搜索系统
World File Search SystemBenchmarking
大多伦多地区市政基准研究
Barrie 105,029 0.86 5 11.2 0.55 1 0.92 0.08 0.22 2 0.57 1 Oakville 109,126 0.89 7 14.1 0.69 3 0.88 0.12 0.33 5 0.66 2 Mississauga 108,597 0.89 6 25.0 1.23 13 0.96 0.04 0.11 1 0.76 3 Brampton 117,796 0.96 9 14.1 0.70 4 0.75 0.75 0.72 7 0.81 4马克汉姆152,390 1.24 1.24 14 22.6 1.11 9 0.92 0.92 0.08 0.22 2 0.90 5米尔顿96,441 0.79 3 23.3 23.3 1.15 7 Vaughan 166,904 1.36 16 18.1 0.89 6 0.81 0.19 0.55 6 0.98 8 Clarington 102,567 0.84 4 14.3 0.70 5 0.42 0.58 1.66 13 1.04 9 Innisfil 112,281 0.92 8 19.8 0.98 7 0.52 0.48 1.38 11 1.07 10 Whitby 128,349 1.05 11 12.4 0.61 2 0.38 0.62 1.77 14 1.13 11 BWG* 94,606 0.77 2 23.5 1.16 11 0.38 0.62 1.77 15 1.77 15 1.19 12 Caledon 143,493 1.17 12 26.9 1.33 1.33 1.33 1.33 1.33 14 0.46 1.33 10 1.27 1.27 1.27 1.27 1.27 13 0.27 1.27 1.27 1.0 1.0 1.0 1 1.0 1.0 oshawa 12.73 oshawa 125555555555,129 2.10 16 1.35 14里士满山164,149 1.34 15 33.6 1.65 15 0.44 0.44 0.56 1.61 12 1.51 15伯灵顿87,776 0.72 1---- 0.62 0.62 0.38 1.11 9--
在镜像环境中对视觉大满贯方法进行基准测试
抽象的视觉同时定位和映射（VSLAM）为室内和室外导航发现了应用程序，这些应用程序通常会使其经常受到视觉复杂性的影响，尤其是镜像的反射。镜像存在的影响（时间可见及其在框架中的平均大小）的影响会影响定位和映射性能，而系统使用的直接技术预计会表现较差。因此，收集了记录在镜像环境中的图像序列的数据集Mirrenv，并用于评估现有代表性方法的性能。RGBD ORB-SLAM3和BUNDLEDEFUSION似乎随着镜像持续时间的增加显示了绝对轨迹误差的中等降解，而其余结果并未显示出显着降低的定位性能。事实证明，生成的网格图非常不准确，重建中的真实和虚拟反射碰撞。讨论了镜子环境中可能的错误和鲁棒性来源，概述了未来的方向，以验证和改善在平面镜的存在下VSLAM性能。Mirrenv数据集可从https://doi.org/10.17035/d.2023.0292477898获得。
能源和水基准和效率培养变化
可节省。最佳的水强度为3.8 kl/thscw是通过使用钻水和30％以上水回收的牛加工厂实现的。一般的发现是，那些有钻水的植物往往比镇上水的水强度更好。水强度改善的主要驱动因素似乎是由于钻水系统提供的供应有限。尽管城镇供水的限制可能较少，但改善水强度的能力仍然相同。因此，可以复制3.8 kl/thscw的最低水强度，并在许多其他地点降低了100％以上。其他一些关键的关注领域，以进一步改善水强度，包括热水消耗控制，综合水和废水处理。
基准为关联记忆的Hebbian学习规则
关联内存或内容可寻址内存是计算机科学和信息处理中的重要组成函数，同时它是认知和计算脑科学中的关键概念。已经提出了许多不同的神经网络架构和学习规则，以模拟大脑的关联记忆，同时研究关键组件功能，例如模式完成和竞争以及降低噪声。较少研究但同样重要的主动记忆功能是原型提取，其中训练集包括通过扭曲原型模式而生成的模式实例，而训练有素的网络的任务是回忆给定新实例的生成原型。在本文中，我们基于非模块化和模块化重复网络中使用的七个不同HEBBIAN学习规则的关联记忆功能，并在中度稀疏的二进制模式下进行赢家摄取的全部动态操作。总体而言，我们发现模块化网络具有最大的存储器为模式存储容量。流行的标准HEBB规则以最差的能力出现，而协方差学习则证明是强大但容量较低的，并且在测试的不同条件下，贝叶斯 - 赫比亚规则显示出最高的模式存储能力。
基准测试量子退火器的花园优化问题
退火器的大小生长。因此，我们需要的问题可在任意数量的Qubits上可扩展。In this paper, we use one such class of scalable problems called garden optimization problems to benchmark the Advantage system against the DW2000Q system, as well as the recently released Hybrid Solver Service hybrid _ binary _ quadratic _ model _ version2 ( HSSv2 ) against its former version hybrid _ binary _ quadratic _ model _ version1 ( HSSv1 ) and other classical software solvers.量子退火器的输入问题通常是根据二次无约束的二进制优化（QUBO）问题提出的。在本文中，我们介绍了花园优化问题的QUBO公式。对于这个问题，目的是找到植物植物在花园中的最佳放置，尊重某些植物物种与其他物种具有友好，中性或拮抗关系（见图1），一种称为同伴种植的技术。例如，番茄和生菜具有友好的关系，可以彼此相邻，而番茄和黄瓜则具有对抗关系，应彼此分开。我们认为，花园优化问题非常适合基准量子退火器，因为它可扩展到任意数量的变量。此外，它代表了在现实世界中发现应用程序的问题。数学上，花园优化问题与二次分配问题密切相关
基准测试全稳态电池电池性能的可重复性
Citation for published version (Harvard): Puls, S, Nazmutdinova, E, Kalyk, F, Woolley, HM, Thomsen, JF, Cheng, Z, Fauchier-Magnan, A, Gautam, A, Gockeln, M, Ham, S-Y, Hasan, MT, Jeong, M-G, Hiraoka, D, Kim, JS, Kutsch, T, Lelotte, B, Minnmann, P, Miß, V, Motohashi, K, Nelson, DL, Ooms, F, Piccolo, F, Plank, C, Rosner, M, Sandoval, SE, Schlautmann, E, Schuster, R, Spencer-Jolly, D, Sun, Y, Vishnugopi, BS, Zhang, R, Zheng, H, Adelhelm, P，Brezesinski，T，Bruce，PG，Danzer，M，El Kazzi，M，Gasteiger，H，Hatzell，H，Hatzell，KB，Hayashi，A，Hippauf，f，Jung，Jung，Jung，Jung，Jung，McDowell，McDowell，McDowell，Mt J，Sun，X，Villevieille，C，Wagemaker，M，Zeier，WG＆Vargas-Barbosa，NM 2024，“基准了全稳态的电池电池性能的可重复性”，《自然能源》，第1卷。9，不。10，pp。1310-1320。 https://doi.org/10.1038/s41560-024-01634-3链接到伯明翰门户网站的研究出版物
基准测试电解质的单层MOS2字段 -
一种非常有前途的原子薄半体导管的材料类是过渡金属二分法元素（TMDC）。该材料类在MX 2（M¼TransitionsMetal;x¼s，se，te）层中具有较强的共价键结晶，但相对较弱，但相对较弱，可以切断大量晶体的单层。由单层制造的设备可以描述为仅接口的设备，并且已经显示了TMDC作为气体传感器的应用。[14]为了能够在高性能的FET应用中使用TMDC，过度出现的主要挑战是这些单层的缺陷控制。[15]两种主要类型的缺陷是晶界，金属或金属葡萄染色体空位。既会降低材料的电性能，但是空缺也为使单层官能化的额外途径开辟了一条额外的途径，可以在传感器应用中进行优势。[16 - 20]最近，已经显示了使用去离子化（DI）水的基于MOS 2的FET装置的运行；但是，使用MOS 2多层。[21,22]这些结果构成了在
Pharo 中的 AI 有多快？线性回归基准测试
摘要 与许多其他现代编程语言一样，Pharo 将其应用扩展到计算要求高的领域，例如机器学习、大数据、加密货币等。这就需要快速的数值计算库。在这项工作中，我们建议通过外部函数接口 (FFI) 调用高度优化的外部库（例如 LAPACK 或 BLAS）中的例程来加速低级计算。作为概念验证，我们基于 LAPACK 的 DGELSD 例程构建了线性回归的原型实现。使用三个不同大小的基准数据集，我们将我们的算法的执行时间与纯 Pharo 实现和 scikit-learn（一种流行的机器学习 Python 库）进行比较。我们表明 LAPACK&Pharo 比纯 Pharo 快 2103 倍。我们还表明，scikit-learn 比我们的原型快 8-5 倍，具体取决于数据的大小。最后，我们证明纯 Pharo 比纯 Python 中的等效实现快 15 倍。这些发现可以为未来为 Pharo 构建快速数值库并进一步在更高级的库（如 pharo-ai）中使用它们奠定基础。
端到端计算病理学的人工智能方法基准测试
德国海德堡肿瘤疾病中心 (NCT) (10) 德国海德堡德国癌症研究中心 (DKFZ) 德国癌症联盟 (DKTK) (11) 德国海德堡德国癌症研究中心 (DKFZ) 癌症流行病学分部 (12) 德国汉堡大学癌症中心、汉堡-埃彭多夫大学医学中心癌症流行病学组 (13) 德国海德堡德国癌症研究中心 (DKFZ) 肿瘤学数字生物标志物组 (14) 德国亚琛工业大学医院放射科 (15) 德国亚琛工业大学实验分子成像分子成像系统物理系 (16) 德国不来梅弗劳恩霍夫数字医学研究所 MEVIS (17) 德国亚琛大学医院亚琛综合诊断中心 (CDCA) (18) Hyperion 混合成像系统GmbH，德国亚琛