XiaoMi-AI文件搜索系统
World File Search SystemFORMERS
I.FAST 第 14 次指导委员会会议协调员报告
月 到期 状态 1 MS5 ACO 研讨会 2.2 18 31/10/22 24 三月份研讨会 2 MS34 建造用于 CCT 绕组的组合线圈架 8.4 32 31/12/23 32 承诺结束于 2024 年 3 MS16 国际研讨会，确定研发计划 5.1 36 30/04/24 36 30/04/24 N 提醒已发送… 4 MS56 磁铁建造和测试 11.3 25 31/05/23 38 30/06/24 有可交付成果 5 MS3 RII-INNOV 协调小组的建议 1.1 46 28/02/25 46 28/02/25 进行中 6 MS12 IIF 项目最终进度 4.2 46 28/02/25 46 28/02/25 进行中 7 MS27 原型验收测试 7.3 46 28/02/25 46 28/02/25 已交付 8 MS29 高功率试验台设置和高功率测试的最终结果 7.4 46 28/02/25 46 28/02/25 延迟 2 个月 9 MS19 最终强子束亮度 5.2 48 30/04/25 48 30/04/25 进行中 10 MS30 CompactLight 加速结构原型的建造和 RF 测试 7.5 21 31/01/23 48 30/04/25 已交付
对CNN
单眼深度估计是计算机视觉中的持续挑战。变压器模型的最新进展证明了与该领域的召开CNN相比，具有显着的优势。但是，了解这些模型如何优先考虑2D图像中不同区域的优先级以及这些区域如何影响深度估计性能。探索变压器和CNN之间的差异，我们采用了稀疏的像素方法对比分析两者之间的区别。我们的发现表明，尽管变形金刚在处理全球环境和错综复杂的特征方面表现出色，但它们在保留深度梯度连续性方面落后于CNN。为了进一步增强在单眼深度估计中的变压器模型的性能，我们提出了深度梯度改进（DGR）模块，该模块通过高阶分化，特征融合和重新校准来完善深度估计。此外，我们利用最佳运输理论，将深度图视为空间概率分布，并采用最佳传输距离作为损失函数来优化我们的模型。实验结果表明，与插件深度梯度改进（DGR）模块集成的模型以及所提出的损失函数可增强性能，而无需增加室外Kitti和室内NYU-DEPTH-V2数据集的复杂性和计算成本。这项研究不仅提供了深入估计转换器和CNN之间区别的新见解，而且还为新颖的深度估计方法铺平了道路。
一种基于深度学习的高效解决方案，利用可穿戴传感器识别脑力负荷的相对变化
摘要 — 在本文中，提出了一种自动识别心理工作量相对变化的新解决方案。使用可穿戴传感器收集 26 名人类受试者在执行三个难度级别 n ∈{1, 2, 3} 的 n-back 任务时的 EEG、EDA、PPG 和眼动追踪数据。目标是通过将当前信号窗口与前一个信号窗口进行比较来识别心理工作量是增加、减少还是稳定。所提出的三类分类器主要使用 CNN 层和新颖的合并层，该合并层系统地捕获两个检查窗口的局部段之间的相互作用。事实上，它受到了基于 Transformer 和 CNN 的网络在时间序列分类方面的竞争成功的启发。在所提出的解决方案利用了 CNN 网络的效率的同时，由于提出了合并层，它还与 Transformer 类似，具有捕获序列局部事件之间相互作用的能力。在准确性方面，实验结果表明，在眼球方向、PPG 和 EEG 数据上，所提出的解决方案优于经典 CNN、BiLSTM 和 transformer 网络，而在眼球瞳孔直径和 EDA 数据上，其性能与 transformer 网络相当。实验结果显示，每个时期的平均训练时间明显小于 transformer 和 BiLSTM 网络。索引术语——心理工作量 (MWL)、深度神经网络 (DNN)、时间序列分类 (TSC)、眼动追踪、光电容积图 (PPG)、脑电图 (EEG)、皮肤电活动 (EDA)、n-back 任务、transformer 神经网络、卷积神经网络 (CNN)。
![arxiv：2308.08333v4 [CS.CV] 23 Jul 2024](/simg/g:\will\search\icon\source\a\a3f7b583186411dd2ab2cca4ba5ff02b1fa3a395.webp)
arxiv：2308.08333v4 [CS.CV] 23 Jul 2024
单眼深度估计是计算机视觉中的持续挑战。变压器模型的最新进展与该领域的常规CNN相比表现出显着的优势。但是，这些模型如何优先考虑2D图像中的不同区域以及这些区域如何影响深度估计性能，仍然存在差距。探索转移器和CNN之间的差异，我们采用了稀疏的像素方法来对比分析两者之间的区别。我们的发现表明，尽管变形金刚在全球环境和错综复杂的纹理中表现出色，但它们却落后于保留深度梯度连续性。在单眼深度估计中增强了变压器模型的性能，我们提出了深度差异（DGR）模块，该模块通过高阶分化，特征融合和重新校准来完善深度估计。此外，我们利用最佳运输理论，将深度图视为空间概率分布，并采用最佳运输距离作为损失函数来优化我们的模型。实验结果表明，与插入深度梯度改进（DGR）模块集成的模型以及置换损失函数可增强性能，而无需增加室外Kitti和Indoor Nyu-Depth-v2数据集的复杂性和计算成本。这项研究不仅提供了深入估计变压器和CNN之间区别的新见解，而且还为新颖的深度估计方法铺平了道路。
通过 NN 迈向高级智能网络数据平面...
新兴的可编程网络引发了对智能网络数据平面 (INDP) 的大量研究，该平面实现了基于学习的线速流量分析。INDP 中的现有技术专注于在数据平面上部署树/森林模型。我们观察到基于树的 INDP 方法的一个基本限制：尽管可以在数据平面上表示更大的树/森林表，但数据平面上可计算的流特征从根本上受到硬件约束的限制。在本文中，我们提出 BoS，通过以线速实现神经网络 (NN) 驱动的流量分析来突破 INDP 的界限。许多类型的 NN（例如循环神经网络 (RNN) 和转换器）旨在与顺序数据一起工作，它们比基于树的模型具有优势，因为它们可以将原始网络数据作为输入，而无需进行复杂的特征计算。然而，挑战是巨大的：RNN 推理中使用的循环计算方案与网络数据平面上使用的匹配动作范式有着根本的不同。BoS 通过以下方式应对这一挑战：（i）设计一种新颖的数据平面友好型 RNN 架构，该架构可以在有限的数据平面阶段执行无限的 RNN 时间步骤，从而有效实现线速 RNN 推理；（ii）用基于非开关变压器的流量分析模块补充开关上 RNN 模型，以进一步提高整体性能。我们使用 P4 可编程交换机作为数据平面实现了 BoS 的原型，并在多个流量分析任务中对其进行了广泛的评估。结果表明，BoS 在分析准确性和可扩展性方面均优于最先进的技术。
基于视觉变压器的图像分类
这项研究通过使用视觉变压器（VIT）体系结构引入了一种创新的图像分类方法。实际上，视力传输（VIT）已成为用于图像分析任务的卷积神经网络（CNN）的有前途的选择，提供可扩展性和提高的性能。Vision Transformer VIT模型能够捕获图像元素之间的全局规定和链接。这导致了特征表示的增强。当VIT模型在不同模型上训练时，它表现出在不同的IMEGE类别中的强大分类功能。VIT直接处理图像贴片的能力而不依赖空间层次结构，简化了分类过程并证明了计算效率。在这项研究中，我们使用TensorFlow提出了Python的启动，以采用（VIT）模型进行图像分类。将使用四类动物，例如（牛，狗，马和绵羊），用于分类。（VIT）模型用于从图像中提取微不足道的特征，并添加分类头以预测类标签。该模型在CIFAR-10数据集上进行了训练，并评估了准确性和性能。这项研究的发现不仅会揭示视觉变压器模型在图像分类任务中的有效性，而且还可以作为解决复杂的视觉识别问题的强大工具的潜力。这项研究通过引入一种新颖的方法来填补现有的知识空白，该方法挑战了计算机视觉领域的传统卷积神经网络（CNN）。虽然CNN是图像分类任务的主要体系结构，但它们在捕获图像数据中的长距离依赖性方面存在局限性，并且需要手工设计的层次层次特征提取。关键字
超导变压器的人工智能
低温电气化是超导技术与低温工程相结合提供的解决方案，有助于解决电网和运输领域的全球变暖、污染、排放、损失等问题，实现许多净零排放计划的目标 [1]。超导变压器是电网低温电气化最有前途的应用之一，因为与传统变压器相比，超导变压器重量更轻（2 到 3 倍）、更紧凑（3 到 5 倍）、效率更高（高达 5%），过载耐受性更强 [2]。此外，超导变压器对环境的影响比传统的油浸式变压器要小，因为超导绕组需要浸入无毒无害的液氮 (LN2) 中。因此，通过省去这种变压器中的油，可以完全消除因油过热引起爆炸的风险。另一方面，与传统变压器相比，这将提高超导变压器的可靠性。这些优势为在高功率应用中实施超导变压器或为敏感负载供电，用传统的油浸式变压器取代它们铺平了道路。目前，使用超导变压器的盈亏平衡为 25 MVA，但随着带/线生产技术的进步以及制造技术的进步，这一功率将在本十年进一步下降。除了超导带制造挑战之外，其他挑战也减缓了超导变压器技术的发展进程，包括容错问题 [3- 4]、绕组低温恒温器制造的线圈架生产成本高以及高效的冷却系统设计。许多研究人员和公司正在努力解决上述挑战，以使超导变压器成为电网的可行商业化组件，并提高其与传统油浸式变压器的竞争力。大多数努力都集中在带生产上
闪电转换器：动态操作的光学上 -
摘要 - 基于注意力的变压器的广泛采用和显着的计算资源成本，例如，视觉传输者和大型语言模型，驱动了对有效的硬件加速器的需求。尽管通常使用了电子加速器，但由于其高能量效率和超快速处理速度，人们对将光子学作为替代技术越来越兴趣。光子加速器已经证明了卷积神经网络（CNN）工作负载的有希望的结果，这些工作主要依赖重量 - 静态线性操作。但是，在有效地支持基于注意力的变压器体系结构方面，它们会遇到挑战，从而提出了有关光子学对高级机器学习任务的适用性的问题。主要障碍在于其不具体率在处理变压器固有的独特工作负载，即动态和全范围张量乘法。在这项工作中，我们提出了闪电转换器，第一个光功率，高性能和能量良好的光子变压器加速器。为了克服现有的光子张量核心设计的基本限制，我们引入了一种新型的动态动态光子张量核心DPTC，由基于干扰的光学矢量点发动机组成，支持高度平行，动态和全范围二元组乘积。此外，我们设计了一个专用的加速器，该加速器将我们的新型光子计算核与光子互连集成在一起，用于核心数据间广播，完全释放了光学功能。全面的评估表明，闪电转变器成就> 2。6×能量和> 12×延迟降低，并且与电子变压器加速器相比，能量成本最低，能量延迟产品低2至3个数量级，同时维持数字可靠的精度。我们的工作强调了光子学对于有效的硬件加速器的巨大潜力，尤其是用于高级机器学习工作负载，例如诸如变形金刚的大型语言模型（LLM）。我们的实施可在https://github.com/zhuhanqing/lightening-transformer上获得。
第 13b 项 Stasis Energy Group LLC
2.如果协议被视为 CEQA 下的“项目”，请回答以下问题。a) 协议是否豁免？是法定豁免吗？否如果是，请列出 PRC 和/或 CCR 章节编号并用逗号分隔。如果不是，请输入“无”并转到下一个问题。PRC 章节编号：无 CCR 章节编号：无类别豁免？是如果是，请列出 CCR 章节编号并用逗号分隔。如果不是，请输入“无”并转到下一个问题。CCR 章节编号：Cal.Code Regs.，tit.14，§ 15301；15303；15306 常识豁免？14 CCR 15061 (b) (3) 否 如果是，请解释协议根据上述条款获得豁免的原因。如果不是，请输入“不适用”并转到下一部分。加州法规，tit。14，Sec。15301 规定，对现有结构、设施、机械设备或地形特征的操作、维修、维护、许可、租赁、许可或小规模改造，如果涉及的使用范围超出现有范围或几乎不扩大，则可获得豁免。该项目涉及设计和创建低速率初始生产 (LRIP) 生产线，目标是用精炼的机器操作流程取代基本的手动操作流程，而无需扩建设施、主要设备或超出牵头机构 CEQA 确定时现有的用途。拟议设备的操作无需对电气、结构或使用进行任何更改或改进。该项目使用的设备包括工业级板材等离子切割机、辊压成型机和剪切设备。我们预计不会对设施进行任何永久性更改。只会添加小型独立设备。Cal.Code Regs.，tit.14，Sec.15303 规定，包括建造和定位有限数量的新小型设施或结构的项目；在小型结构中安装小型新设备和设施，以及将现有的小型结构从一种用途转换为另一种用途，其中只需要轻微的
![arxiv：2404.03566v1 [cs.cv] 2024年4月4日](/simg/g:\will\search\icon\source\e\eb78931c93bd032ba0cea44d8e2c44ba117d9aad.webp)
arxiv：2404.03566v1 [cs.cv] 2024年4月4日
图像。相比之下，基于扩散的3D点云生成方法落后了，缺乏其2D图像对应物的实现和多样性。我们认为，一个中心挑战是典型点云的实质性尺寸：公共点云数据集[11，50]通常以100k或更多的分辨率包含点云。这导致了由于转移点相对于输入点的数量的二次复杂性而导致的一般建模的计算成本。因此，最新模型受到计算约束的严重限制，通常仅限于2048或4096点的低分辨率[32，36，46，57，59]。在本文中，我们提出了一个有效的点云扩散模型，该模型有效地训练并轻松扩展到高分辨率输出。我们的主要思想是设计一类具有固定尺寸的分辨率潜在反复限制的AR插图。我们展示了如何通过低分辨率监督有效地训练这些模型，同时可以在推理过程中构成高分辨率点云的发生。我们的直觉来自这样的观察，即可以将对象的不同点云视为共享连续3D表面的不同样本。因此，经过训练的生成模型，该模型从表面上对多个低分辨率进行建模，应该从下面的表面学习表示形式，从而使其能够在训练后生成高分辨率样本。为了将此直觉编码为模型设计，我们建议将基础表面的表示和点云生成的表示。前者是用于对基础表面进行建模的恒定内存。后者的大小可变，具体取决于点云的分辨率。我们设计了轻巧的读写模块，以在两个表示之间进行通信。我们模型的大部分计算用于建模基础表面。我们的实验证明了与我们的模型1的高分辨率不变性。以低分辨率为1,024的训练，该模型在以最先进的质量中最多可产生131k点，如图1。概念上，我们观察到，使用比训练更高的分辨率实际上导致表面保真度略高。 我们分析了这种有趣的现象，并借鉴了与无分类器指导的联系。 我们强调，与点E相比，我们的一代输出的分辨率> 30倍[36]。 我们希望这是朝着高质量的3D输出迈出的有意义的一步。概念上，我们观察到，使用比训练更高的分辨率实际上导致表面保真度略高。我们分析了这种有趣的现象，并借鉴了与无分类器指导的联系。我们强调，与点E相比，我们的一代输出的分辨率> 30倍[36]。我们希望这是朝着高质量的3D输出迈出的有意义的一步。