XiaoMi-AI文件搜索系统
World File Search SystemEdge
深度学习模型优化，用于边缘本地应用的部署和改进技术
在日常环境中使用物联网（IoT）传感器和设备的压倒性用途（房屋，医院，酒店，制造地板，仓库，零售店，机场，智能城市等。），如今，实时感知和驱动的长期目标是看到一个宏伟的现实。环境和自适应通信技术可以实现特定特定和不可知论的物联网产品，解决方案和服务的快速增长领域。可以建立并交付给相关人员和系统的跨业务垂直行业的各种情境知识服务和应用程序。多方面的物联网传感器嵌入到各种物理系统中，例如机器人，无人机，飞行引擎，防御设备，医疗器械，电器，厨房用具，消费电子，消费电子，货车，制造机械等。进行此填充是为了不断地监视和测量物理系统的各种参数（日志，结构，操作，健康状况，绩效，安全性等）。IoT设备和传感器部署在工作，散步，购物，社交和放松的地方是连接和数字化的实体。目标是使这些设备和传感器能够在其操作，输出和产品方面具有智能。这些要素在我们的个人，社会和专业环境中大量部署在他们的决策，交易和行为中必须具有认知和认知。数字化的实体有权收集在其环境中生成的多结构数据，清洁和关键，以实时发射可行的见解。普通的工件和文章与技术驱动的实时数据捕获，存储，处理和发音的力量进行了数字化，连接和智能。数字化和数字化技术和工具在将原始数据转换为信息和知识方面派上用场。人工智能（AI）是最有效，最深刻和相关的技术范式，可以简化，简化和加快将批处理和流数据分流为有用知识的过程。边缘AI的开创性概念（替代边缘智能，设备数据处理等）是两种强大技术的融合：边缘计算和人工智能。
重新访问Edge AI：机遇和挑战
Edge AI是一种创新的计算范式，旨在将机器学习模型的培训和推理转移到网络边缘。此范式提供了一个机会，可以通过自动驾驶和无处不在的个性化医疗保健等新服务来重大影响我们的日常生活。尽管如此，将情报提升到优势涉及几个主要挑战，其中包括需要约束模型架构设计，训练有素的模型的安全分配和执行以及分发用于培训的模型和数据所需的大量网络负载。在本文中，我们重点介绍了过去AI发展的关键方面，并将其与当前的挑战联系起来。本文旨在确定Edge AI的研究机会，旨在将人工智能和边缘计算领域的研究汇集在一起。
可穿戴设备的自适应极端边缘计算
可穿戴设备是一种快速增长的技术，对社会和经济的个人医疗保健产生了影响。由于传感器和分布式网络中传感器的广泛影响，功耗，处理速度和系统适应性对于将来的智能可穿戴设备至关重要。对如何在智能传感器中将计算到边缘的视觉和预测已经开始，并渴望提供自适应的极端边缘计算。在这里，我们提供了针对智能可穿戴设备的硬件和理论解决方案的整体视图，可以为这个普遍的计算时代提供指导。我们为在可穿戴传感器的神经形态计算技术中持续学习的生物合理模型提出了各种解决方案。为了设想这个概念，我们提供了一个系统的概述，其中预期在神经形态平台中可穿戴传感器的潜在低功率和低潜伏期情景。我们依次描述了利用互补金属氧化物半导体（CMOS）和新兴记忆技术（例如MEMRISTIVE设备）的神经形态处理器的重要潜在景观。此外，我们根据足迹，功耗，延迟和数据大小来评估可穿戴设备内边缘计算的要求。我们还研究了神经形态计算硬件，算法和设备以外的挑战，这些挑战可能阻碍智能可穿戴设备中自适应边缘计算的增强。
个人和边缘计算设备的AI硬件的安全风险
我们目前正在AI中经历关键时刻，这种趋势正在迅速扩展到各个部门，并且可能对社会，企业和政府产生巨大的影响。这一激增主要是由绩效的重大增强驱动的，几乎任何专业都可以通过合并AI技术来实现。因此，未能采用这些能力的实体可能很快发现自己处于竞争不利的位置。应对这种不断增长的需求，各种开发人员和公司正在积极将AI嵌入常用平台，例如桌面和移动操作系统（OS）。有些人甚至正在开发专门的硬件，以提高这种变革性技术的效率，以确保AI工具对更广泛的受众更容易获得和有效。
边缘扩展的曲折石墨烯Nanoribbons的地下合成
石墨烯纳米纤维（GNR）由于通过边缘结构和色带宽度的变化来精确调整电子性能的潜力，因此在纳米电子学上引起了显着关注。然而，GNR与高度渴望的锯齿形边缘（ZGNR）的合成，对旋转和量子信息技术至关重要，仍然具有挑战性。在这项研究中，提出了用于合成一类称为边缘延伸ZGNRS的新型GNR类的设计主题。此基序可以定期沿曲折边缘的边缘扩展进行控制。与融合到功能区轴交替侧面的双斜烯单元的特定GNR实例（3- Zigzag行宽的ZGNR）的合成。 所得的边缘延伸的3-ZGNR使用扫描探针技术以其化学结构和电子性能进行了全面的特征，并取决于密度功能理论计算。 此处展示的设计主题为综合各种边缘扩展的ZGNR范围开辟了新的可能性，扩大了GNR的结构景观，并促进了其结构依赖性电子特性的探索。与融合到功能区轴交替侧面的双斜烯单元的特定GNR实例（3- Zigzag行宽的ZGNR）的合成。所得的边缘延伸的3-ZGNR使用扫描探针技术以其化学结构和电子性能进行了全面的特征，并取决于密度功能理论计算。此处展示的设计主题为综合各种边缘扩展的ZGNR范围开辟了新的可能性，扩大了GNR的结构景观，并促进了其结构依赖性电子特性的探索。
QuantumEdge®-设备1.5
QED是一种集成的边缘设备，具有多个软件层（驱动程序，操作系统，嵌入式去耦，最终用户应用程序），能够通过在集成的OS上运行的Edge应用程序虚拟化电气设备（防护继电器，RTU，RTU，PMUS，电表浓度，路由器，调制件，调制件等）。
用于拓扑的自监督边缘检测重建...
许多基于机器学习的轴突追踪方法依赖于带有分割标签的图像数据集。这需要领域专家的手动注释，这需要大量劳动力，并且不适用于以细胞或亚细胞分辨率对半球或整个脑组织进行大规模脑映射。此外，保留轴突结构拓扑对于理解神经连接和大脑功能至关重要。自监督学习 (SSL) 是一种机器学习框架，允许模型在未注释的数据上学习辅助任务，以帮助完成监督目标任务。在这项工作中，我们提出了一种新颖的 SSL 辅助任务，即为面向拓扑的轴突分割和中心线检测的目标任务重建边缘检测器。我们使用小鼠大脑数据集对三个不同的 SSL 任务进行了 3D U-Nets 预训练：我们提出的任务、预测排列切片的顺序和玩魔方。然后，我们在不同的小鼠大脑数据集上评估了这些 U-Nets 和基线模型。在所有实验中，针对我们提出的任务进行预训练的 U-Net 分别将基线的分割、拓扑保留和中心线检测提高了 5.03%、4.65% 和 5.41%。相比之下，切片排列和魔方预训练的 U-Net 并没有比基线有持续的改进。
通过化学微传感器阵列进行实时边缘神经形态品尝
液体分析是跟踪食品、饮料和化学制造等行业是否符合严格的工艺质量标准的关键。为了在线并在最感兴趣的点分析产品质量，自动监控系统必须满足小型化、能源自主性和实时操作方面的严格要求。为了实现这一目标，我们介绍了在神经形态硬件上运行的人工味觉的第一个实现，用于连续边缘监控应用。我们使用固态电化学微传感器阵列来获取多变量、随时间变化的化学测量值，采用时间滤波来增强传感器读出动态，并部署基于速率的深度卷积脉冲神经网络来有效融合电化学传感器数据。为了评估性能，我们创建了 MicroBeTa（微传感器味道测试），这是一个用于饮料分类的新数据集，包含 3 天内进行的 7 小时时间记录，包括传感器漂移和传感器更换。我们实现的人工品味在推理任务上的能效比在其他商用低功耗边缘 AI 推理设备上运行的类似卷积架构高出 15 倍，在 USB 棒外形尺寸中包含的单个英特尔 Loihi 神经形态研究处理器上实现了比传感器读数采样周期低 178 倍以上的延迟和高精度（97%）。