XiaoMi-AI文件搜索系统
World File Search SystemDNNS
放射治疗中的人工智能
摘要 —人工智能 (AI) 具有改变放射治疗临床工作流程的巨大潜力。自从深度神经网络 (DNN) 引入以来，已经提出了许多基于 AI 的方法来应对放射治疗不同方面的挑战。商业供应商已经开始发布基于 AI 的工具，这些工具可以轻松集成到已建立的临床工作流程中。为了展示 AI 辅助放射治疗的最新进展，我们回顾了放射治疗五个主要方面的基于 AI 的研究，包括图像重建、图像配准、图像分割、图像合成和自动治疗计划。在每一节中，我们都总结和分类了最近发表的方法，然后讨论了挑战、关注点和未来发展。鉴于 AI 辅助放射治疗的快速发展，未来通过放射治疗各个方面的智能自动化可以显着提高放射治疗的效率和有效性。
药房中的人工智能
人工智能 (AI) 专注于产生智能建模，这有助于想象知识、解决问题和做出决策。最近，人工智能在药学的各个领域发挥着重要作用，例如药物发现、药物输送配方开发、多药理学、医院药房等。在药物发现和药物输送配方开发中，正在使用各种人工神经网络 (ANN)，例如深度神经网络 (DNN) 或循环神经网络 (RNN)。目前已经分析了几种药物发现的实现，并证明了该技术在定量结构-性质关系 (QSPR) 或定量结构-活性关系 (QSAR) 中的强大功能。此外，从头设计促进了具有所需/最佳品质的新型药物分子的发明。在当前的评论文章中，讨论了人工智能在药学中的应用，特别是在药物发现、药物输送配方开发、多药理学和医院药房中的应用。
社论：脑机接口中的深度学习
在大型数据集和计算能力的支持下，深度学习的最新进展促使许多研究采用深度神经网络 (DNN) 从脑信号中提取特征并解码脑状态，这是脑机接口 (BCI) 的一个重要元素。然而，BCI 要在现实世界中应用，仍有几个问题需要解决。脑信号是高维、嘈杂且高度非平稳的。此外，与计算机视觉领域的图像数据相比，数据集受到很大限制。因此，进一步研究深度学习 (DL) 在 BCI 中的应用，并彻底评估该应用在实践中如何用于实现接口将是有益的。本研究主题的主要目标是提供各种互补的贡献集合，展示新的进展并回顾 BCI 中的深度学习方法或方法，以及创建一个讨论论坛，汇集研究人员的贡献，以促进基于深度学习的 BCI 的进展。
基于 ReRAM 的内存处理架构...
机器学习已经在图像分类[1]、视频识别[2]、自然语言处理（NLP）[3]和游戏策略[4]等众多应用中取得了最先进的性能。此外，深度神经网络（DNN）甚至可以在一些任务中超越人类水平的表现，例如ImageNet分类[5]和棋盘游戏围棋[4]。同时，神经网络的复杂度和参数大小在过去几年中飙升。尽管通用图形处理单元（GPGPU）取得了快速发展，但其能源效率仍然远低于终极“智能”——人脑，后者包含10 10个神经元和10 14个突触，但仅消耗约20瓦[6]。其中一个瓶颈来自于冯诺依曼架构将内存和处理单元分开的事实，从而引入了大量的数据移动能量以及数据访问延迟[7]。
低功耗 AI 加速器的最新发展
摘要：随着机器学习和人工智能的持续快速发展，以及摩尔定律的日益临近，架构设计的新途径和新想法正在被创造和利用。其中一种途径是尽可能靠近用户（即在边缘）加速人工智能，以减少延迟并提高性能。因此，研究人员开发了低功耗人工智能加速器，专门用于加速边缘设备上的机器学习和人工智能。在本文中，我们概述了 2019 年至 2022 年之间的低功耗人工智能加速器。本文根据加速目标和功耗对低功耗人工智能加速器进行了定义。在本次调查中，我们介绍并讨论了 79 种低功耗人工智能加速器。所审查的加速器基于五个标准进行讨论：（i）功率、性能和功率效率，（ii）加速目标，（iii）算术精度，（iv）神经形态加速器，以及（v）行业与学术加速器。 CNN 和 DNN 是最受欢迎的加速器目标，而 Transformers 和 SNN 正在崛起。
Zeus：理解和优化 DNN 训练的 GPU 能耗
深度神经网络 (DNN) 的训练每年都变得越来越耗费资源和能源。遗憾的是，现有的研究主要侧重于优化 DNN 训练以加快完成速度，而往往不考虑对能源效率的影响。在本文中，我们观察到，提高训练性能的常见做法往往会导致能源使用效率低下。更重要的是，我们证明了能耗和性能优化之间存在权衡。为此，我们提出了 Zeus，这是一个优化框架，可通过自动为重复的 DNN 训练作业找到最佳的作业和 GPU 级配置来解决这一权衡。Zeus 使用在线探索-利用方法结合即时能源分析，避免了昂贵的离线测量，同时适应数据随时间的变化。我们的评估表明，Zeus 可以将不同工作负载的 DNN 训练能源效率提高 15.3%–75.8%。
MAtt：用于脑电图解码的流形注意力网络
脑电图 (EEG) 信号的识别严重影响非侵入式脑机接口 (BCI) 的效率。虽然基于深度学习 (DL) 的 EEG 解码器的最新进展提供了改进的性能，但几何学习 (GL) 的发展因其在解码噪声 EEG 数据方面提供出色的鲁棒性而备受关注。然而，缺乏关于深度神经网络 (DNN) 和几何学习在 EEG 解码中的合并使用的研究。我们在此提出了一种流形注意力网络 (mAtt)，这是一种基于几何深度学习 (GDL) 的新型模型，具有流形注意力机制，可在黎曼对称正定 (SPD) 流形上完全表征 EEG 数据的时空表示。在时间同步和异步 EEG 数据集上对所提出的 MAtt 的评估表明，它优于其他领先的 DL 方法用于一般 EEG 解码。此外，模型解释分析揭示了 MAtt 捕捉信息性 EEG 特征和处理大脑动态非平稳性的能力。
物理科学中符号机器学习的观点
过去十年见证了机器学习（ML）方法的越来越多，包括物理科学在内[1]。The rise of deep learning (DL) [ 2 ] in early 2010 and the remarkable potential of deep neural networks (DNNs) in learning highly predictive models, mainly powered by convolutional [ 3 ] and recurrent [ 4 ] neural networks, emphasized with the ImageNet challenge [ 5 ] and developments in areas such as reinforcement learning [ 6 ], have boosted the application of artificial intelligence (AI) in nearly all domains and thus reshaped the AI的未来。DL革命之后是成功的变压器体系结构[7]，其中“注意”的概念被添加到标准NN的体系结构中，以捕获数据特征之间的长期相关性。变形金刚是大语言模型（LLM）的基础，可以通过在大型数据集上预处理，从而在没有特定领域的知识的情况下学习上下文，从而解开了另一个AI的新时代。尽管AI的发展急剧发展，但大多数基于ML的物理科学应用程序[1]着重于学习非线性数值模型以完成特定任务（例如，数据分析，模拟等）实现新发现。这里出现了物理学家对应用ML的期望以及如何推进物理学的期望。只是一组革命性的数学工具，其性能克服了经典方法，从而取代了它们（例如，DL表现出色的促进决策树，用于针对事件选择任务，该任务针对粒子物理学的标准模型以外的理论[8]），或者是数据驱动的科学发现的能力[8]）？
使用深度神经网络进行医学图像分割的综合研究
摘要 — 在过去十年中，使用深度神经网络 (DNN) 的医学图像分割 (MIS) 取得了显着的性能改进，并具有巨大的发展前景。本文对基于 DNN 的 MIS 进行了全面的研究。智能视觉系统通常根据其输出级别进行评估，例如数据、信息、知识、智能和智慧 (DIKIW)，而这些级别的 MIS 中最先进的解决方案是研究的重点。此外，可解释人工智能 (XAI) 已成为一个重要的研究方向，因为它旨在揭示以前 DNN 架构的“黑匣子”性质，以满足透明度和道德要求。该研究强调了 MIS 在疾病诊断和早期检测中的重要性，特别是通过及时诊断来提高癌症患者的存活率。XAI 和早期预测被认为是从“智能”到“智慧”之旅的两个重要步骤。此外，本文还解决了现有挑战并提出了潜在的解决方案，以提高实施基于 DNN 的 MIS 的效率。
利用特定任务的深度神经网络揭示视觉皮层的功能
人类视觉皮层通过功能各异的皮层区域中的一系列分层计算实现视觉感知。在这里，我们介绍了一种人工智能驱动的方法来发现视觉皮层的功能映射。我们将人类大脑对用功能性磁共振成像 (fMRI) 测量的场景图像的反应系统地与一组经过优化以执行不同场景感知任务的多样化深度神经网络 (DNN) 相关联。我们发现 DNN 任务和大脑区域之间存在沿着腹侧和背侧视觉流的结构化映射。低级视觉任务映射到早期大脑区域，3 维场景感知任务映射到背侧流，语义任务映射到腹侧流。这种映射具有高保真度，九个关键区域中 60% 以上的可解释方差得到解释。总之，我们的结果提供了一种新颖的人类视觉皮层功能映射，并展示了计算方法的强大功能。