XiaoMi-AI文件搜索系统
World File Search SystemEncoder
Terapixel图像处理的集成光子编码器
摘要（150个单词）现代镜头设计能够解决> 10吉像素，而相机框架速率和高光谱成像的进步使Terapixel/S数据获取成为了真正的可能性。阻止这种高数据率系统的主要瓶颈是功耗和数据存储。在这项工作中，我们表明模拟光子编码器可以应对这一挑战，从而可以使用比数字电子设备低的功率来实现高速图像压缩。我们的方法依赖于硅 - 光子学前端来压缩原始图像数据，预言了能量密集型图像调理并减少数据存储要求。压缩方案使用被动无序的光子结构来对原始图像数据进行内核型随机投影，其功耗最少和低潜伏期。后端神经网络可以以超过90％的结构相似性重建原始图像。此方案有可能使用小于100 FJ/Pixel处理Terapixel/S数据流，从而为超高分辨率数据和图像采集系统提供了途径。
特殊应用增量编码器 RHI58N-******X
抗干扰措施 使用高度复杂的微电子器件需要始终实施抗干扰和布线概念。现代机器的结构越紧凑，对性能的要求越高，这一点就变得越重要。以下安装说明和建议适用于“正常工业环境”。没有一种解决方案适合所有干扰环境。当采用以下措施时，编码器应处于完美的工作状态： • 在串行线的开始和结束处（例如，控制和最后一个编码器）用 120 电阻器（接收/发送和接收/发送之间）终止串行线。 • 编码器的接线应远离可能造成干扰的电源线。 • 屏蔽电缆横截面积至少为 4 mm²。 • 电缆横截面积至少为 0.14 mm²。 • 屏蔽和 0 V 的接线应尽可能呈放射状排列。 • 不要扭结或卡住电缆。 • 遵守数据表中给出的最小弯曲半径，避免拉伸和剪切载荷。 操作说明 Pepperl+Fuchs 制造的每个编码器都处于完美状态。为了确保这种质量以及无故障运行，必须考虑以下规范： • 避免对外壳（特别是编码器轴）造成任何冲击，以及避免编码器轴的轴向和径向过载。 • 只有在使用合适的联轴器时，才能保证编码器的精度和使用寿命。 • 编码器和后续设备（例如控制）的工作电压必须同时打开和关闭。 • 任何接线工作都必须在系统处于死区的情况下进行。 • 不得超过最大工作电压。设备必须在超低安全电压下运行。 连接电气屏蔽的注意事项 设备的抗干扰能力取决于正确的屏蔽。在这个领域，安装故障经常发生。通常只在一侧应用屏蔽，然后用导线焊接到接地端子，这是 LF 工程中的有效程序。但是，在 EMC 的情况下，适用 HF 工程规则。HF 工程的一个基本目标是以尽可能低的阻抗将 HF 能量传递到地面，否则能量会释放到电缆中。通过与金属表面的大面积连接可实现低阻抗。必须遵守以下说明：• 如果不存在等电位电流风险，则将两侧的屏蔽层大面积地连接到“公共接地”。• 屏蔽层必须穿过绝缘层后面，并且必须夹在张力释放器下方的大表面上。• 如果电缆连接到螺钉型端子，则张力释放器必须连接到接地表面。• 如果使用插头，则应仅安装金属插头（例如带有金属外壳的 D 型插头）。请注意张力释放器与外壳的直接连接。
Deep Video Compression的任务意识编码器控制
对机器任务的深视频压缩（DVC）的事先研究通常需要为每个特定任务培训一个独特的编解码器，从而规定每个任务的专用解码器。相比之下，传统视频编解码器采用了flex ible编码器控制器，从而通过模式预测等机制使Single编解码器适应了不同的任务。从中汲取灵感，我们引入了一个创新的编码器控制器，以用于机器的深度视频压缩。此控制器具有模式预测和一组图片（GOP）选择模块。我们的AP-ARACH在编码阶段集中控制控制，从而允许跨不同任务（例如检测和跟踪）进行适应性的编码器调整，同时与标准的预训练的DVC解码器保持合理性。示例证明我们的方法是在具有各种现有预训练的DVC的多个任务中适用的。此外，广泛的实验表明，对于不同的任务，我们的方法比以前的DVC比以前的DVC大约25％，只有一个预先训练的解码器。
基于局部性的编码器和模型量化，用于有效的超维计算
摘要 - 脑启发的高维（HD）计算是一种新的计算范式，可以模仿高维空间中神经元的活性。HD计算中的第一个步骤是将每个数据点映射到高维空间（例如10,000）中，该空间需要计算原始域中每个数据元素的数千个操作。单独编码大约需要培训执行时间的80％。在本文中，我们提出，REHD，用于HD Computing中的编码，培训和推断的整个重做，以实现更硬件友好的实现。REHD包括用于HD计算的完全二进制编码模块，用于能量良好和高智能分类。我们基于随机投影的编码模块可以在硬件中有效地实现可预测的内存访问模式。REHD是第一个基于HD的方法，它提供了与原始数据1：1比率的数据投影，并启用使用二进制HyperVector进行所有培训/推理计算。在优化后，重新添加了编码过程，重新培训和推断成为HD计算的能源密集型部分。为解决此问题，我们还提出了模型量化。模型量化引入了一种新型的方法，该方法是使用n位存储类高量向量的方法，其中n范围为1至32，而不是以完整的32位精度，从而可以在能量效率和准确性之间进行折衷的细节调整。为了进一步提高REHD效率，我们开发了一种在线尺寸缩小方法，可以消除训练期间无效的高度向量维度。
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。
使用可逆逻辑门设计 4x2 优先级编码器
摘要：可逆逻辑门由于其低功耗而变得越来越重要，并且在低功耗设计中非常重要。另一方面，它具有低功耗并且可以应用于可逆逻辑。在本项目中，提出了一种基于可逆逻辑的 4x2 优先级编码器。基本上，可逆逻辑门包含 n×n 映射，因此我们可以轻松地从输入中检索输出。但是在普通的传统门的情况下这是不可能的。首先，该项目讨论了 Fredkin 门和通用可逆逻辑门 (URLG) 的设计。其次，该项目使用可逆逻辑门（Fredkin 和 URLG）来设计 4x2 优先级编码器。由于最大限度地减少了垃圾计数并减小了尺寸，因此选择它来设计 4x2 优先级编码器。
用蛋白质语言模型用于蛋白质二级结构预测的变压器编码器
在生物信息学中，蛋白质二级结构预测在理解蛋白质功能和相互作用中起着重要作用。本研究介绍了TE_SS方法，该方法使用基于变压器编码的模型和ANKH蛋白质语言模型来预测蛋白质二级结构。根据蛋白质的二级结构（DSSP）版本4。使用各种数据集对模型的性能进行了严格评估。此外，本研究还将模型与八个结构类预测中的最新方法进行了比较。调查结果表明，TE_SS在九级和三类结构预测中表现出色，同时还表现出八类类别的熟练程度。这是由于其在QS和SOV评估指标中的性能而强调的，这证明了其识别复杂蛋白质序列模式的能力。此进步为蛋白质结构分析提供了重要的工具，从而丰富了生物信息学领域。
激酶抑制剂结合亲和力用验证的图形编码器和语言模型
动机：抑制剂 - 激酶结合亲和力的准确预测对于药物发现和医疗应用至关重要，尤其是在治疗诸如癌症之类的疾病中。现有的预测抑制剂 - 激酶亲和力的方法仍然面临挑战，包括数据表达不足，功能提取有限和性能低。尽管通过人工智能（AI）方法（尤其是深度学习技术）取得了进展，但许多当前的方法未能捕获激酶与抑制剂之间的复杂相互作用。因此，有必要开发更先进的方法来解决抑制剂 - 激酶结合预测中的现有问题。结果：这项研究提出了Kinhibhib，这是抑制剂 - 激酶结合亲和力预测指标的新型框架。kinhibit会整合自我监督的预训练的预训练的分子编码器和蛋白质语言模型（ESM-S），以有效提取特征。kinhibit还采用特征融合方法来优化抑制剂和激酶特征的融合。实验结果证明了这种方法的优越性，在三种MAPK信号途径激酶的抑制剂预测任务中，精度达到了92.6％的精度：RAF蛋白激酶（RAF），有丝分裂原激活的蛋白激活蛋白激酶激酶激酶（MEK）和细胞外信号调节激酶（ERK）。此外，该框架在包含200多个激酶的数据集上达到了令人印象深刻的精度。这项研究为药物筛查和生物科学提供了有希望的有效的工具。
激酶抑制剂结合亲和力用验证的图形编码器和语言模型
动机：抑制剂 - 激酶结合亲和力的准确预测对于药物发现和医疗应用至关重要，尤其是在治疗诸如癌症之类的疾病中。现有的预测抑制剂 - 激酶亲和力的方法仍然面临挑战，包括数据表达不足，功能提取有限和性能低。尽管通过人工智能（AI）方法（尤其是深度学习技术）取得了进展，但许多当前的方法未能捕获激酶与抑制剂之间的复杂相互作用。因此，有必要开发更先进的方法来解决抑制剂 - 激酶结合预测中的现有问题。结果：这项研究提出了Kinhibhib，这是抑制剂 - 激酶结合亲和力预测指标的新型框架。kinhibit会整合自我监督的预训练的预训练的分子编码器和蛋白质语言模型（ESM-S），以有效提取特征。kinhibit还采用特征融合方法来优化抑制剂和激酶特征的融合。实验结果证明了这种方法的优越性，在三种MAPK信号途径激酶的抑制剂预测任务中，精度达到了92.6％的精度：RAF蛋白激酶（RAF），有丝分裂原激活的蛋白激活蛋白激酶激酶激酶（MEK）和细胞外信号调节激酶（ERK）。此外，该框架在包含200多个激酶的数据集上达到了令人印象深刻的精度。这项研究为药物筛查和生物科学提供了有希望的有效的工具。