XiaoMi-AI文件搜索系统
World File Search SystemConv
突出显示春季学期2024
圣心很高兴欢迎神父。Anthony Lajato，ofm Conv。，担任编队计划的新副总裁。 fr。 安东尼于2009年担任了最后的宗教誓言职业，并于2009年被任命为DiaConate。。 在2010年，他被圣邦纳维特（St. 自从他任命神职人员以来，神父。 安东尼（Anthony）已撰写出版物，并担任过几个部长级职务。 最近，神父。 安东尼曾担任圣博纳文特省的任务促进者，维卡尔·托德（Vicar Custode）与国际学院的圣地亚托·阿尔托尼奥·塞勒（Sant'Antonio Alle terme），罗马（Rome）和使徒监狱的非凡悔者与圣彼得大教堂（St. Peter's Basilica），梵蒂冈（Vatican）。 我们很荣幸能有神父。 安东尼在圣心加入我们。Anthony Lajato，ofm Conv。，担任编队计划的新副总裁。fr。安东尼于2009年担任了最后的宗教誓言职业，并于2009年被任命为DiaConate。在2010年，他被圣邦纳维特（St.自从他任命神职人员以来，神父。安东尼（Anthony）已撰写出版物，并担任过几个部长级职务。最近，神父。安东尼曾担任圣博纳文特省的任务促进者，维卡尔·托德（Vicar Custode）与国际学院的圣地亚托·阿尔托尼奥·塞勒（Sant'Antonio Alle terme），罗马（Rome）和使徒监狱的非凡悔者与圣彼得大教堂（St. Peter's Basilica），梵蒂冈（Vatican）。我们很荣幸能有神父。安东尼在圣心加入我们。
深度循环编码器：一种用于大规模脑磁图建模的端到端网络
图 E 1 用于预测 MEG 活动的深度循环编码器 (DRE) 模型的表示。被掩蔽的 MEG pt ⊙ xt 从底部进入网络，连同控制表示 ut 和主题嵌入 s 。编码器使用卷积和 ReLU 非线性转换输入。然后，LSTM 对隐藏状态序列 ht 进行建模，并将其转换回 MEG 活动估计 ˆ xt 。Conv 1 d ( C in , C out , K, S ) 表示随时间进行的卷积，其中输入通道为 C in，输出通道为 C out，内核大小为 K，步幅为 S。类似地，ConvTransposed 1 d ( C in , C out , K, S ) 表示随时间进行的转置卷积。
广泛升高，低...
摘要：广泛的传统牲畜系统目前面临各种威胁，导致它们消失。这些广泛的牲畜耕作系统的一个例子是在西班牙格拉纳达（Granada，Spain）的Lojeña绵羊品种的生产，2021年的人口普查为24,511母羊。这项工作的目的是计算该地区该本地品种的碳足迹（CF）。这项研究基于从27个Lojeña绵羊农场收集的数据，这些绵羊农场产生了断奶羔羊（≤14kg，25个农场），肥大的羔羊（≈25kg，7个农场），饲养的动物（24个农场）和油腻的羊毛（27个农场）。这些农场中的大多数（78％）经过有机（ORG）认证，七个是经常管理的（Cons）。被分析的农场占塞拉德洛贾（Sierra de Loja）生产Lojeña绵羊的农场总数的93％。CF采用“摇篮到农门大门”的方法进行计算。平均C足迹为27.5±6.8 kg Co 2 Eq kg lw -1对于断层羔羊，肥大的羔羊的21.8±8.5 kg Co 2 eq kg lw -1，4.1±2.6 kg 2 eq coull for c coull and 2.6 kg coull and 2.2 eq coull and 2.2 eq coull and 2.2 eq wore and n Not组织的统计平均CF与Conv Farms中的平均CF不同。interic发酵代表所有产品中排放的主要来源（> 60％），外部饲料（包括运输和产生饲料的排放）代表第二个（> 10％）。CF与生产率之间存在反向关系（羔羊出售的EWE -1年-1），导致较低的生产率的农场的足迹较低。已经确定了CF与存货率之间的直接关系（牲畜单位HA -1）。
33.2 低于 1µJ/级的耳机集成思维意象和……
33.2 一款低于 1 µ J/级的集成思维意象与控制 SoC，适用于 VR/MR 应用，具有师生 CNN 和通用指令集架构 Zhiwei Zhong*、Yijie Wei*、Lance Christopher Go、Jie Gu 西北大学，伊利诺伊州埃文斯顿 * 同等署名作者 (ECA) 虚拟现实 (VR) 和混合现实 (MR) 系统，例如 Meta Quest 和 Apple Vision Pro，最近在消费电子产品中引起了极大的兴趣，在游戏、社交网络、劳动力援助、在线购物等元宇宙中掀起了新一波发展浪潮。AI 计算和多模块人类活动跟踪和控制方面的强大技术创新已经产生了身临其境的虚拟现实用户体验。然而，大多数现有的 VR 耳机仅依靠传统的操纵杆或基于摄像头的用户手势进行输入控制和人体跟踪，缺少一个重要的信息来源，即大脑活动。因此，人们对将脑机接口 (BMI) 整合到 VR/MR 系统中以供消费者和临床应用的兴趣日益浓厚 [1]。如图 33.2.1 所示，现有的集成 EEG 通道的 VR/MR 系统通常由 VR 耳机、16/32 通道 EEG 帽、神经记录模拟前端和用于信号分类的 PC 组成。此类系统的主要缺点包括：（1）佩戴麻烦且用户外观不佳，（2）缺乏低延迟操作的现场计算支持，（3）无法根据大脑活动进行实时思维意象控制和反馈，（4）由于 AI 分类导致的功耗高。为了克服这些挑战，这项工作引入了一种思维意象设备，该设备集成到现有的 VR 耳机中，而无需为 VR/MR 系统的思维控制 BMI 增加额外的佩戴负担。本研究的贡献包括：（1）支持 VR/MR 系统现场心智意象控制的 SoC，（2）与现有 VR 耳机无缝集成并优化 EEG 通道选择，以提高用户接受度和体验，（3）具有灵活数据流的通用指令集架构 (ISA)，支持广泛的心智意象操作，（4）混淆矩阵引导的师生 CNN 方案，可在 AI 操作期间节省电量，（5）EEG 信号的稀疏性增强以降低能耗。制造了 65nm SoC 测试芯片，并在各种基于心智意象的 VR 控制上进行了现场演示。虽然先前的研究涉及基于 EEG 的癫痫检测或类似的生物医学应用 [2-6]，但本研究专注于 VR/MR 环境中的新兴 BMI。得益于低功耗特性和设计的系统级优化，SoC 的数字核心在计算密集型 CNN 操作中实现了 <1μJ/类的能耗。图 33.2.2 显示了 EEG 通道选择和集成到 Meta Quest 2 VR 耳机中，在准确性和用户便利性之间进行了权衡。为了支持各种思维意象任务，8 个 EEG 通道 T3、T5、O1、O2、T6、T4、PZ、和 CZ 被选中并巧妙地融入头带以保持用户的美感。不同的心理任务会激活八个选定通道的子集，例如用于心理意象的 T3/T5/CZ/T4/T6、用于情感（例如情绪）监测的 T5/CZ 或用于稳态视觉诱发电位 (SSVEP) 的 O1/O2/PZ。通道的减少导致三个主要任务的平均准确率略有下降（从 90.4% 下降到 85.2%），但显着提高了用户体验和可用性。带有生理盐水的商用 Hydro-link 电极用于通过头带上的预切孔捕获 EEG 信号。图 33.2.2 还显示了完全集成 SoC 的顶层图。多达 16 个可编程通道的 AFE 用于信号采集和数字化。 AFE 的每个通道包括一个增益为 45 至 72 dB、带宽为 0.05 至 400 Hz 的两级斩波放大器、一个转折频率为 60 Hz 的低通滤波器和一个工作频率为 128 Hz 至 10 kHz 的 8b SAR ADC。用于集成 AI 操作的数字核心包括一个 8×10 处理单元 (PE) 阵列、控制逻辑和相关存储库。带有专门开发的 ISA 的指令存储器为芯片的操作提供全局控制，以支持一系列思维意象任务。实时分类的大脑状态和思维控制命令通过外部蓝牙模块传输到 VR 耳机，以控制 VR 场景。虽然大多数现有研究仅关注固定数据流 [4] 和 CNN 模型 [2,3]，但需要高度灵活的计算架构来支持各种思维意象任务。图 33.2.3 显示了专门开发的通用 ISA，用于数据流控制、模型配置、通道选择等。128b 的超宽 ISA 命令用于监督各种计算任务，例如 IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有很高的硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏性设置等）也集成到 ISA 中，以便高效地调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。 CNN、FC、DFT 和 IIR 滤波操作可以通过在不同数据流中重复使用相同的 PE 阵列来执行，例如，Conv 层的权重固定，或 FC 层和 DFT 的输出固定。与使用大量流水线触发器的传统脉动阵列不同，此设计有意移除了大部分或 O1/O2/PZ 用于稳态视觉诱发电位 (SSVEP)。通道数的减少导致三个主要任务的平均准确度略有下降（从 90.4% 降至 85.2%），但显著提高了用户体验和可用性。使用带有生理盐水的商用 Hydro-link 电极通过头带上的预切孔捕获 EEG 信号。图 33.2.2 还显示了完全集成 SoC 的顶层图。最多 16 个可编程 AFE 通道用于信号采集和数字化。AFE 的每个通道包括一个增益为 45 至 72dB 和带宽为 0.05 至 400Hz 的两级斩波放大器、一个转折频率为 60Hz 的低通滤波器和一个工作频率为 128Hz 至 10kHz 的 8b SAR ADC。集成 AI 操作的数字核心包括 8×10 处理单元 (PE) 阵列、控制逻辑和相关存储库。带有专门开发的 ISA 的指令存储器为芯片的操作提供全局控制，以支持一系列思维想象任务。实时分类的大脑状态和思维控制命令通过外部蓝牙模块传输到 VR 耳机，以控制 VR 场景。虽然大多数现有工作仅关注固定数据流 [4] 和 CNN 模型 [2,3]，但需要高度灵活的计算架构来支持各种思维想象任务。图 33.2.3 显示了专门开发的用于数据流控制、模型配置、通道选择等的通用 ISA。128b 的超宽 ISA 命令用于监督各种计算任务，例如 IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有高硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏度设置等）也集成到 ISA 中，以便高效地调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。CNN、FC、DFT 和 IIR 滤波操作可以通过在不同数据流中重复使用相同的 PE 阵列来执行，例如，Conv 层的权重固定，或 FC 层和 DFT 的输出固定。与使用大量流水线触发器的传统收缩阵列不同，此设计有意消除了大部分或 O1/O2/PZ 用于稳态视觉诱发电位 (SSVEP)。通道数的减少导致三个主要任务的平均准确度略有下降（从 90.4% 降至 85.2%），但显著提高了用户体验和可用性。使用带有生理盐水的商用 Hydro-link 电极通过头带上的预切孔捕获 EEG 信号。图 33.2.2 还显示了完全集成 SoC 的顶层图。最多 16 个可编程 AFE 通道用于信号采集和数字化。AFE 的每个通道包括一个增益为 45 至 72dB 和带宽为 0.05 至 400Hz 的两级斩波放大器、一个转折频率为 60Hz 的低通滤波器和一个工作频率为 128Hz 至 10kHz 的 8b SAR ADC。集成 AI 操作的数字核心包括 8×10 处理单元 (PE) 阵列、控制逻辑和相关存储库。带有专门开发的 ISA 的指令存储器为芯片的操作提供全局控制，以支持一系列思维想象任务。实时分类的大脑状态和思维控制命令通过外部蓝牙模块传输到 VR 耳机，以控制 VR 场景。虽然大多数现有工作仅关注固定数据流 [4] 和 CNN 模型 [2,3]，但需要高度灵活的计算架构来支持各种思维想象任务。图 33.2.3 显示了专门开发的用于数据流控制、模型配置、通道选择等的通用 ISA。128b 的超宽 ISA 命令用于监督各种计算任务，例如 IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有高硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏度设置等）也集成到 ISA 中，以便高效地调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。CNN、FC、DFT 和 IIR 滤波操作可以通过在不同数据流中重复使用相同的 PE 阵列来执行，例如，Conv 层的权重固定，或 FC 层和 DFT 的输出固定。与使用大量流水线触发器的传统收缩阵列不同，此设计有意消除了大部分AFE 的每个通道包括一个增益为 45 至 72 dB、带宽为 0.05 至 400 Hz 的两级斩波放大器、一个转折频率为 60 Hz 的低通滤波器和一个工作频率为 128 Hz 至 10 kHz 的 8b SAR ADC。用于集成 AI 操作的数字核心包括一个 8×10 处理单元 (PE) 阵列、控制逻辑和相关存储库。带有专门开发的 ISA 的指令存储器为芯片的操作提供全局控制，以支持一系列思维意象任务。实时分类的大脑状态和思维控制命令通过外部蓝牙模块传输到 VR 耳机，以控制 VR 场景。虽然大多数现有研究仅关注固定数据流 [4] 和 CNN 模型 [2,3]，但需要高度灵活的计算架构来支持各种思维意象任务。图 33.2.3 显示了专门开发的通用 ISA，用于数据流控制、模型配置、通道选择等。128b 的超宽 ISA 命令用于监督各种计算任务，例如 IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有很高的硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏性设置等）也集成到 ISA 中，以便高效地调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。 CNN、FC、DFT 和 IIR 滤波操作可以通过在不同数据流中重复使用相同的 PE 阵列来执行，例如，Conv 层的权重固定，或 FC 层和 DFT 的输出固定。与使用大量流水线触发器的传统脉动阵列不同，此设计有意移除了大部分AFE 的每个通道包括一个增益为 45 至 72 dB、带宽为 0.05 至 400 Hz 的两级斩波放大器、一个转折频率为 60 Hz 的低通滤波器和一个工作频率为 128 Hz 至 10 kHz 的 8b SAR ADC。用于集成 AI 操作的数字核心包括一个 8×10 处理单元 (PE) 阵列、控制逻辑和相关存储库。带有专门开发的 ISA 的指令存储器为芯片的操作提供全局控制，以支持一系列思维意象任务。实时分类的大脑状态和思维控制命令通过外部蓝牙模块传输到 VR 耳机，以控制 VR 场景。虽然大多数现有研究仅关注固定数据流 [4] 和 CNN 模型 [2,3]，但需要高度灵活的计算架构来支持各种思维意象任务。图 33.2.3 显示了专门开发的通用 ISA，用于数据流控制、模型配置、通道选择等。128b 的超宽 ISA 命令用于监督各种计算任务，例如 IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有很高的硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏性设置等）也集成到 ISA 中，以便高效地调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。 CNN、FC、DFT 和 IIR 滤波操作可以通过在不同数据流中重复使用相同的 PE 阵列来执行，例如，Conv 层的权重固定，或 FC 层和 DFT 的输出固定。与使用大量流水线触发器的传统脉动阵列不同，此设计有意移除了大部分IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有很高的硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏度设置等）也集成到 ISA 中，以便高效调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。可以通过在不同数据流中重用相同的 PE 阵列来专门执行 CNN、FC、DFT 和 IIR 滤波操作，例如，Conv 层的权重平稳，或 FC 层和 DFT 的输出平稳。与传统的脉动阵列不同，该设计特意移除了大部分IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有很高的硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏度设置等）也集成到 ISA 中，以便高效调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。可以通过在不同数据流中重用相同的 PE 阵列来专门执行 CNN、FC、DFT 和 IIR 滤波操作，例如，Conv 层的权重平稳，或 FC 层和 DFT 的输出平稳。与传统的脉动阵列不同，该设计特意移除了大部分
量子 Fisher 信息的广义测度
如图 1 示意图所示，由 此可知 S = ( H ) ⊂S ⩽ ( H )。此外，S ⩽ ( H ) 的维数为 d2，可以作为量子态集和零算子 S ⩽ ( H ) = Conv (0 , S = ( H )) [31] 的凸包获得。亚规范化量子态已在量子信息论中用作规范化量子态的便捷概括 [28 , 29 , 31]。此外，近期量子算法方面的令人振奋的新研究利用截断的、因此亚规范化的量子态来避免存储指数级大的密度矩阵，从而使算法可以在嘈杂的中等规模量子 (NISQ) 计算机上实现 [30 , 32 , 33]。这个令人振奋的新研究方向是这项工作的主要动机。在参考文献 [ 28 , 29 ] 中，作者将标准量子保真度推广到亚标准状态，称为广义保真度，如下所示。
商业原则和行为准则
商业原则和行为准则将至少每三年审查一次，以确保其仍然有效并与公司当前的需求相关。董事会负责批准商业原则和行为准则，并可能不时通过决议进行修改。Viva Energy 商业原则和行为准则可在 Viva Energy 网站上查阅。Viv a Energy Group Limited（“公司”）及其直接或间接全资拥有的子公司（统称 Viva Energy）是独立的不同实体。但是，在本出版物中，当一般提及 Viv a Energy 集团内的实体时，可能会为了方便而使用集体表达“Viv a Energy”。同样，在某些地方使用“我们”、“我们的”和“我们自己”等词语来一般指 Viv a Energy 集团内的实体。当识别任何特定公司或公司没有任何实际意义时，也会使用这些表达方式。
流水线式忆阻神经网络模数转换器
摘要——随着高速、高精度、低功耗混合信号系统的出现，对精确、快速、节能的模数转换器 (ADC) 和数模转换器 (DAC) 的需求日益增长。不幸的是，随着 CMOS 技术的缩小，现代 ADC 在速度、功率和精度之间进行权衡。最近，已经提出了四位 ADC/DAC 的忆阻神经形态架构。可以使用机器学习算法实时训练此类转换器，以突破速度-功率-精度权衡，同时优化不同应用的转换性能。然而，将此类架构扩展到四位以上具有挑战性。本文提出了一种基于四位转换器流水线的可扩展模块化神经网络 ADC 架构，保留了其在应用重新配置、失配自校准、噪声容忍和功率优化方面的固有优势，同时以延迟为代价接近更高的分辨率和吞吐量。 SPICE 评估表明，8 位流水线 ADC 可实现 0.18 LSB INL、0.20 LSB DNL、7.6 ENOB 和 0.97 fJ/conv FOM。这项工作朝着实现大规模神经形态数据转换器迈出了重要一步。
2024 年年度报告
不应被视为 IFRS 下任何其他绩效衡量标准的替代品。有关定义、解释和对账，请参阅第 12 页“管理层讨论与分析”中的“关键绩效指标和非 GAAP 财务指标”部分。2 来源：Numeris PPM 数据，加拿大道达尔，2024 年秋季（8 月 26 日 - 11 月 24 日）- 已确认至 11 月 17 日，CORUS，2 岁以上个人，CumRch(000)，周一至周日凌晨 2 点至凌晨 2 点 3 来源：Numeris PPM 数据，加拿大道达尔，2024 年秋季（8 月 26 日 - 11 月 24 日）- 已确认至 11 月 17 日，全球总计，2 岁以上个人，CumRch(000) 按广播月份平均，周一至周日凌晨 2 点至凌晨 2 点 4 来源：Numeris PPM 数据，加拿大道达尔，2024 年秋季（8 月 26 日 - 11 月 24 日）- 已确认至 11 月 17 日，AMA(000)，18 岁以上成人，除非除非另有说明，周一至周五仅播出 5 资料来源：Numeris PPM 数据，2024 年秋季（9 月 16 日 - 11 月 24 日），3 次以上播出，个人 2 次以上 AMA(000)，加拿大总数，截至 11 月 17 日/24 日已确认，CDN CONV COM ENG 国家网络，CTV com 所有
数据导向教育：人工智能在教育领域的未来
国家科学基金会融合加速器计划提出了数据导向教育的资金轨道，将在三年内将基础教育研究转化为实践，并将带来切实的社会效益。当前的教育研究范式倾向于分离该领域的线索，而没有体验这些线索可能创造的完整结构。与其他领域（例如通信、运输）相比，该领域仍然发展缓慢、规模较小且数据匮乏。拟议的融合加速器数据导向教育轨道将使研究人员能够同时思考和访问多种教学方法，从而促进和加速不同观点、技术、理论和策略的融合。例如，该领域需要研究当众多学习/教学平台和工具相互作用时会发生什么。本轨道将解决国家级教育挑战，并生产互联、开放、可访问的产品，涉及人工智能、学习科学、社会科学、教学理论和心理学等多个领域（图1）。
学术简历，Friedel Gerfers 教授、博士
1. M.龙格； J·埃德勒； T.凯撒； K.米塞尔维茨； F. Gerfers，“一种 18 MS/s 76 dB SNDR 连续时间 Δ Σ 调制器，结合输入电压跟踪 GmC 环路滤波器”，期刊 Solid-State- Circuits (JSSC)，2023 年 - https://doi.org/10.1109/JSSC.2023.3244718 2. N. Lotfi、P.Scholz、F. Gerfers，“在 22 nm FD-SOI 中以 18.5 GS/s 运行的最快 CMOS 单通道 5 位闪存 ADC”，2023 年第 18 届欧洲微波集成电路会议 (EuMIC)，2023 年 - https://doi.org/10.23919/EuMIC58042.2023.10289098 3. H. Ordouei、C. Alija、P. Kurth、F. Gerfers ，“一种数字预失真技术，可消除电流控制 DAC 中的代码和电压相关输出阻抗误差” IEEE 国际电路与系统研讨会 (ISCAS)，2023 年，WiCAS 最佳论文奖 - https://doi.org/10.1109/ISCAS46773.2023.10181739 4. N. Lotfi、P.Scholz、F. Gerfers ，“一种 44 GHz-BW 18.5 GS/s 采样前端，可耐受 22 nm FDSOI 中的电源和共模变化”，2022 年第 17 届欧洲微波集成电路会议 (EuMIC)，2022 年 https://doi.org/10.23919/EuMIC54520.2022.9923467 5. M. Runge、D. Schmock、T. Kaiser、F. Gerfers，“通过 22 FDSOI CMOS 中的数字静态和 ISI 校准实现的 0.9V 45MS/s CT ΔΣ 调制器，具有 94dB SFDR 和 25.6fJ/conv。”，IEEE 定制集成电路会议 (CICC)，2021 年 - https://doi.org/10.1109/CICC51472.2021.9431576 光学/光子学