XiaoMi-AI文件搜索系统
World File Search SystemBenchmarking
地球系统模型评估和基准测试...
当前核心成员：Jiwoo Lee，Ordonary，Peter Glecker，Paul Ullrich，Bo Donich，Kristin Chang（LLNL，PCMDI）（SNU）（SNU），Elina Vankonen（NASA GSFC），Julie Caron（NCAR）（NCAR）
对基于以太坊的区块链中的后量子密码学进行基准测试
近年来，区块链技术已成为安全和分散数据管理的革命性技术，这主要归功于它能够提供不可篡改、透明且无法操纵的数据账本。该技术已被应用于各个领域，其中金融是主要应用场景，但也扩展到供应链管理等许多领域。然而，量子计算机的出现对区块链技术的基础构成了重大威胁，因为它们可能会破坏当前加密算法的安全性。利用量子力学原理，量子计算机可以同时执行大量计算，因为它们的基本信息表示单位量子比特可以存在于多种状态的叠加中。这允许同时表示多个状态，极大地促进了高效的并行处理 [1]。因此，量子计算机能够比传统计算机更快地解决复杂的数学问题。特定算法的应用显著增强了量子计算的潜力，比如用于分解大数的Shor算法[2]和用于加速非结构化数据搜索的Grover算法[18]。
ControlGYM：用于基准增强学习算法的大规模控制环境 /作者= Zhang，Xiangyuan;毛，魏乔； Mowlavi，Saviz； Benosman，Mouhacine；巴萨，驯服 /造物主义
摘要我们介绍了ControlGym，一个36个工业控制设置的库，以及十个有限的部分分支方程（PDE）基于控制问题。集成在OpenAI健身房/体育馆（健身房）框架内，ControlGym允许直接应用标准加固学习（RL）算法（例如稳定的生产）算法3。我们的控制环境与现实世界中控制应用程序的动机相辅相成，以连续，无限的动作和观察空间进行补充。PDE控制环境唯一允许用户扩展系统的状态维度，以在保留内在的dynamics的同时，以实现目标。此功能对于评估控制RL算法的尺度性至关重要。该项目为动态与控制的学习服务（L4DC）社区，旨在探讨关键问题：学习控制政策中RL算法的融合；基于学习的控制者的稳定性和易萧条问题； RL算法对高且有限维系统的可伸缩性。我们在https://github.com/xiangyuan-zhang/controlgym上开放控制gymem项目。
南大洋的不对称性贡献了全球热量和碳吸收
增加土壤有机碳（SOC）赋予土壤健康，生物多样性，基础碳固执并改善土地退化的益处。一个建议是增加SOC，以使SOC与粘土比（SOC/粘土）超过1/13，但仅基于粘土的SOC水平正常化就会产生误导性的土壤结构的迹象，并有可能存储额外的碳。在Poeplau＆Don（2023）的工作基础上为针对预测的SOC进行了基准测试，我们提出了一个替代指标：观察到的与“典型” SOC（O/T SOC）之间的比率用于泛欧应用。在这里，“典型” SOC是不同pedo气候区域中的平均集中度，PCZ（与现有的SOC指标不同，在欧洲融合了土地覆盖物和气候以及土壤质地），由矿物质（<20％有机物）表层（<20％的有机物）表层（0-20 cm）确定，在2009年至2018年，在欧洲的Lucas，欧洲最大的土壤监控计划（lucas）的lucas Monitor Monitorsing（n = n55）。回归树建模得出的12个PCZ，典型的SOC值范围为5.99 - 39.65 g kg -1。与SOC/粘土等级进行比较的新索引类是从每个PCZ的SO/T SOC分布的四分位数中建立的；这些被称为：“低”（低于25％），“中级”（第25％和50个百分点），“高”（在第50％和第75个百分位数之间）和“非常高”（高于第75个百分位数）。与SOC/粘土相比，O/T SOC对粘土含量，土地覆盖和气候的敏感性较小，地理上偏斜的偏差，并且更好地反映了土壤孔隙率和SOC库存的差异，支持2个EU土壤健康任务目标（巩固SOC库存；改善土壤
标准：一种用于评估自动驾驶轨迹预测模型的新基准测试范式
摘要 - 基准测试是评估自主驾驶轨迹预测模型的常见方法。现有的基准测试依赖于数据集，这些数据集偏向于更常见的方案，例如巡航和基于距离的指标，这些指标是通过在所有方案中平均计算得出的。在这样的团之后，就他们如何处理不同的场景以及其产出的可接受和多样化而言，对模型的性质提供了一些深刻的见解。存在许多旨在衡量轨迹的可接受性和多样性的互补指标，但是它们遭受偏见（例如轨迹的长度）。在本文中，我们提出了一种用于评估轨迹预测方法（Crite-ria）的新基准测试范式。特别是我们建议1）一种根据道路的结构，模型的性能和数据正确的数据来提取不同级别的驾驶场景的方法，用于预测模型的细粒度排名； 2）一组新的无偏见指标，用于通过考虑由现实世界驾驶限制的动机，通过考虑道路和运动学的结构来纳入给定场景的特征和可接受性。 3）使用拟议的基准测试，我们使用大规模argoverse数据集对一组代表性的预测模型进行了广泛的实验。我们表明，所提出的基准可以对模型产生更准确的排名，并作为表征其行为的手段。我们进一步进行了消融研究，以强调用于计算拟议指标1的不同元素的贡献。
它花费和人员配备基准报告
ACME的总收入比同行集的总收入高56％，但是它们的总收入为其的总收入，其支出的收入占收入的百分比明显低于同行集的平均值。这转化为每家公司员工的收入远高于同行平均值，高出约1.5倍。
Mayo：概述 +更新
o样品是𝑎𝑥，𝑏𝑥=𝑎𝑥𝑠𝑥 +𝑒𝑥，用𝑎𝑥，𝑏𝑥∈𝑅=ℤ=ℤ[𝑋]/（𝑋𝑋 + 1）o定义系数嵌入EMB：𝑅𝑅→ℤ𝑞； Emb a X =𝑎0𝑎1…𝑎𝑎。o多项式乘法=乘以偏斜循环矩阵𝐀= skew-
基于磁隧道结换能器的缩放多数逻辑合成自旋电子电路的基准测试
摘要 — 自旋电子逻辑器件最终将用于混合 CMOS-自旋电子系统，该系统通过传感器在磁场和电域之间进行信号相互转换。这强调了传感器在影响此类混合系统整体性能方面的重要作用。本文探讨了以下问题：基于磁隧道结 (MTJ) 传感器的自旋电子电路能否胜过其最先进的 CMOS 同类电路？为此，我们使用 EPFL（洛桑联邦理工学院）组合基准集，在 7 nm CMOS 和基于 MTJ 传感器的自旋电子技术中合成它们，并在能量延迟积 (EDP) 方面比较这两种实现方法。为了充分利用这些技术的潜力，CMOS 和自旋电子实现分别建立在标准布尔门和多数门之上。对于自旋电子电路，我们假设域转换（电/磁到磁/电）是通过 MTJ 执行的，计算是通过基于域壁 (DW) 的多数门完成的，并考虑了两种 EDP 估计方案：(i) 统一基准测试，忽略电路的内部结构，仅将域传感器的功率和延迟贡献纳入计算，以及 (ii) 多数-反相器-图基准测试，还嵌入了电路结构、相关关键路径延迟和 DW 传播的能量消耗。我们的结果表明，对于统一情况，自旋电子路线更适合实现具有少量输入和输出的复杂电路。另一方面，当也通过多数和反相器综合考虑电路结构时，我们的分析清楚地表明，为了匹配并最终超越 CMOS 性能，MTJ 传感器的效率必须提高 3-4 个数量级
tsgassist：互动助理利用LLM和抹布进行时间序列生成建议和基准测试
时间序列生成（TSG）在许多行业中至关重要的是生成反映现实世界特征的合成数据。tsgbench通过提供全面的评估和选择合适的TSG方法的独特见解，从而提高了该领域。然而，将这些进步转化为行业应用，受到专业人员之间的认知差距的阻碍，以及缺乏用于比较和评估的动态平台。为了解决这些问题，我们介绍了TSGassist，这是一种互动的互动式，将TSGBENCH和利用大型语言模型（LLMS）和检索授权的发电机（RAG）的优势整合在一起，以进行TSG建议和基准测试。我们的演示强调了其在（1）增强TSG的有效性，（2）提供特定于行业的建议，以及（3）提供全面的基准测试平台，说明了其潜力通过TSG景观来缓解行业专业人员的导航，并鼓励整个行业更广泛的应用程序。
公共场所清洁机器人：基于利益相关者访谈的基准测试的调查和提案
自动化已成为我们日常生活中不可或缺的一部分，并改变了各个行业和部门。这是一个显着进步的这样一个行业是自动清洁行业。尽管已经针对私人自主室内清洁机器人的开发[19,28,20]进行了大量研究，但探索公共空间的自主清洁机器人尚未进行相同的分析。自动化的公共清洁机器人有可能应对社会挑战，例如保持清洁度并为公共清洁行业的劳动力短缺提供有希望的解决方案。我们通过利益相关者访谈研究了公共部门的要求，并分析了清洁机器人的技术要求。基于两者，并进一步受到机器人竞赛的积极影响，我们提出了一种基准测试场景，以促进开发公共空间的清洁机器人。本文的贡献如下：