XiaoMi-AI文件搜索系统
World File Search SystemNN
每日注射海洛因与精神障碍：交叉……
* 通讯作者 Sao Mai Le，海防医药大学公共卫生学院，72A Nguy ễ n B ỉ nh，Khiêm，Đ ằ ng Giang，Ngô Quy ề n，海防，越南，saomaidhyhp@gmail.com。贡献者：NN、DCDJ、DL、LM、SML 和 OKTH 构思了这项研究。NN、DCDJ、LM、SML、OKTH、HDT、KPM、DL、JPM 设计了问卷。SML、HDT、KPM、TNTTB、GHT、VVH、TLN、DR、CQ、HQD 参与了干预的实施，监督了与社区组织的工作和数据收集。PT 和 RV 在 SML、LM 和 NN 的帮助下进行了数据分析。 SML 起草了手稿，LM、NN、DCDJ、PT、JPM 编辑了手稿，NN、DCDJ、LM、HDT、KPM、JF、PT、JPM 提供了重要修订。所有作者均已批准提交论文的最终版本。
使用Amigolut扩展基于LUT的神经网络
高能物理和网络安全等应用需要极高的吞吐量和低潜伏神经网络（NN）推断。基于查找的NNS通过将NN作为查找表（LUTS）实现，在纳米秒的顺序上实现推理潜伏期来解决这些约束。由于LUTS是一个基本的FPGA构建块，因此基于LUT的NNS有效地映射到FPGA。逻辑（及其继任者）构成了一类基于LUT的NNS，该NN靶向FPGA，将神经元直接映射到LUTS，以满足低潜伏期约束，并以最少的资源来满足低潜伏期的约束。但是，很难构建更大的，更具性能的基于LUT的NN（例如Logicnets），因为LUT使用情况相对于Neu-ron fan-In（即突触×突触×突触位宽度）呈指数增长。一个大的基于LUT的NN迅速在FPGA上耗尽了LUT。我们的工作Amigolut通过创建基于较小的LUT的NNS的合奏来解决此问题，从而相对于模型数量线性扩展。Amigolut提高了基于LUT的NNS的可扩展性，达到更高的吞吐量，而LUTS比最大的基于LUT的NNS少了。
边缘计算 AI 负载处理器软件
使用 CogniSAT-HCS 软件可以轻松部署定制计算机视觉 (CV) 管道。该软件库支持特定于应用程序的 CV 和 ISP 管道，这些管道利用了节能处理器流硬件块和矢量引擎上实现的软件过滤器的组合。部署到在处理器上运行的 CogniSat-HCS 仅涉及传输单个配置文件，运行时更新可以更新管道，而无需重新编译应用程序或重新启动系统。可以在设备上的单个流程中执行多个 CV 和 NN 阶段，从而实现 NN 预处理和后处理以及 NN 链接。
纳瓦霍语教学和公共卫生学生向同龄人和亲戚介绍疫苗教育：提供以纳瓦霍语为中心的 COVID-19 教育
由于种族不平等、历史创伤和健康差异，美国印第安人/阿拉斯加原住民 (AI/AN) 群体受到了 COVID-19 大流行的负面影响，导致 COVID-19 阳性病例的发病率是非西班牙裔白人的 3.5 倍 ( 1 )。纳瓦霍族 (NN) 拥有最多的部落登记人口，为 332,129 人，也是美国最大的美洲原住民保留地。NN 横跨亚利桑那州、新墨西哥州和犹他州的部分地区，居住着超过 173,000 名登记的纳瓦霍族公民 ( 2 , 3 )。2020 年 5 月，NN 超过纽约和新泽西，成为美国人均 COVID-19 感染率最高的地区，每 100,000 名居民中有 2,304 例确诊病例，而美国的总体感染率为每 100,000 名居民中有 636 例确诊病例 ( 4 )。 COVID-19 病例的增加，以及最终 COVID-19 相关死亡率最高的原因是 NN 居民生活在多代同堂的家庭中，难以获得自来水和资源，并且对外部社会系统缺乏社会信任（5-7）。尽管 NN 居民的完全疫苗接种率更高（37.4%），而同一时期美国成年人口的疫苗接种率仅为 19.9%，但疫苗犹豫现象仍然很明显，导致一些 NN 居民未能接种疫苗（5、8、9）。疫苗接种对美洲原住民至关重要，因为国家数据表明，美洲原住民的已有健康状况水平高得不成比例，与美国其他人群相比，其 COVID-19 相关死亡率最高（10、11）。在 COVID-19 大流行之前，美洲原住民的疫苗接种率高于美国一般人群，尤其是流感和人乳头瘤病毒感染（12、13）。根据对 NN 居民社交媒体讨论的回顾，COVID-19 疫苗犹豫不决源于对政府的历史不信任（14、15）。本文介绍了材料和
使用头脑风暴优化动态神经网络
动态神经网络 (NN) 可以在推理过程中使稀疏激活的子网络适应输入，与静态神经网络相比，它在准确性、计算效率和自适应性方面表现出了明显的优势。然而，现有的深度学习框架和编译器主要侧重于优化具有确定性执行的静态 NN，而错过了动态 NN 中激活分布不均匀所带来的优化机会。优化动态 NN 的关键在于跟踪数据在推理过程中如何动态地分派到不同路径。这种动态性通常发生在子张量级别（例如，张量的条件分派标记），因此由于表达粒度不一致，现有的以张量为中心的框架很难跟踪。在本文中，我们提出了 Brainstorm，一个用于优化动态 NN 的深度学习框架，它通过统一动态性的表达方式来弥补这一差距。 Brainstorm 提出（1）Cell，这是关键的数据抽象，可让模型开发人员表达存在动态的数据粒度；（2）Router，这是一个统一的接口，可让模型开发人员表达如何动态调度Cell。Brainstorm 处理路由操作的有效执行。这种设计使 Brainstorm 能够以正确的粒度收集细粒度数据流的配置文件。可追溯性进一步为动态 NN 开辟了新的动态优化空间，使其执行专门针对运行时动态分布。广泛的评估表明，通过提出的动态优化，Brainstorm 将流行的动态神经网络的加速提高了 11.7 倍（平均为 3.29 倍），或内存消耗减少了 42%。
![arxiv：2004.05550V2 [nucl-th] 2020年8月30日](/simg/g:\will\search\icon\source\b\b6a215b08657592079b99f10d14a8b12df0dba63.webp)
arxiv：2004.05550V2 [nucl-th] 2020年8月30日
基于相对论均值场理论（RQMD.RMF）的相对论量子分子动力学是通过包括动量依赖性电位来表达的。在梁能量范围内，质子的定向和椭圆流的状态方程（EOS）的方程。3 <√snn <20 GEV。发现，导向的流量在高能量（√snn> 3 Gev）上很大程度上取决于光电位，在该 3 GEV上，在实验中没有信息可用。发现有效质量在饱和密度和光电位之间的相关性：有效质量的较小值需要较小的光电位强度来描述定向流数据。在√snn> 3 Gev的椭圆流的梁能量依赖性中也可以看到这种相关性，尽管其效果相当弱。另一方面，需要刚性EOS来描述较低能量的椭圆流。对PA碰撞的光电位的实验限制将在高能量下提供有关EOS的重要信息。在RQMD.RMF模型中很好地描述了定向的质子和椭圆流的质子，从√SNN = 2进行了很好的描述。3至8.8 GEV。 相比之下，要重现10 GEV高于10 GEV的导向流的崩溃，必须降低压力，这表明EOS在√snn = 10 GEV附近的软化。3至8.8 GEV。相比之下，要重现10 GEV高于10 GEV的导向流的崩溃，必须降低压力，这表明EOS在√snn = 10 GEV附近的软化。
基于神经网络的特征提取...
摘要 机器学习模型在准确性、计算/内存复杂度、训练时间和适应性等特性方面有所不同。例如，神经网络 (NN) 因其自动特征提取的质量而具有高精度而闻名，而受大脑启发的超维 (HD) 学习模型则以其快速训练、计算效率和适应性而闻名。这项工作提出了一种混合、协同机器学习模型，该模型在上述所有特性方面都表现出色，适用于芯片上的增量在线学习。所提出的模型包括一个 NN 和一个分类器。NN 充当特征提取器，经过专门训练，可以与采用 HD 计算框架的分类器配合良好。这项工作还提出了所述特征提取和分类组件的参数化硬件实现，同时引入了一个编译器，该编译器将任意 NN 和/或分类器映射到上述硬件。所提出的混合机器学习模型具有与 NN 相同的准确度（即 ± 1%），同时与 HD 学习模型相比，准确度至少提高了 10%。此外，与最先进的高性能 HD 学习实现相比，混合模型的端到端硬件实现可将功率效率提高 1.60 倍，同时将延迟时间缩短 2.13 倍。这些结果对于此类协同模型在具有挑战性的认知任务中的应用具有深远意义。
有关环境的投资指导论文
在NN Group，我们努力以一种对环境和社会负责的方式开展业务。 本指南文件重点介绍我们作为投资者角色的环境方法。 它提供了环境保护的背景，并说明了我们应用的尽职调查过程。 它进一步强调了相关的标准和原则，以促进最佳实践并避免我们投资的公司的负面影响。 背景指导论文NN集团在2014年通过了负责任的投资政策框架。 我们将负责投资（RI）定义为环境，社会和治理（ESG）因素（ESG）的系统整合到投资决策和积极所有权实践中。 我们负责任的投资政策框架反映了我们对各种国际和特定部门的标准和倡议的承诺。 我们负责投资的方法的关键部分是，在可能的和可行的情况下，我们旨在减轻投资对可持续性因素的负面影响。 这些负面影响也称为不利影响，因此最重要的不利影响称为主要不利影响（PAIS）。 主要的不利影响可能发生在不同领域，例如与环境，社会和员工事务，人权，腐败和贿赂有关。 nn正在开发指导论文，这是NN集团与我们的利益相关者之间讨论的基础。 指导论文还可以帮助我们的外部资产经理从特定于主题的角度评估投资。在NN Group，我们努力以一种对环境和社会负责的方式开展业务。本指南文件重点介绍我们作为投资者角色的环境方法。它提供了环境保护的背景，并说明了我们应用的尽职调查过程。它进一步强调了相关的标准和原则，以促进最佳实践并避免我们投资的公司的负面影响。背景指导论文NN集团在2014年通过了负责任的投资政策框架。我们将负责投资（RI）定义为环境，社会和治理（ESG）因素（ESG）的系统整合到投资决策和积极所有权实践中。我们负责任的投资政策框架反映了我们对各种国际和特定部门的标准和倡议的承诺。我们负责投资的方法的关键部分是，在可能的和可行的情况下，我们旨在减轻投资对可持续性因素的负面影响。这些负面影响也称为不利影响，因此最重要的不利影响称为主要不利影响（PAIS）。主要的不利影响可能发生在不同领域，例如与环境，社会和员工事务，人权，腐败和贿赂有关。nn正在开发指导论文，这是NN集团与我们的利益相关者之间讨论的基础。指导论文还可以帮助我们的外部资产经理从特定于主题的角度评估投资。它们是NN Group会定期审查的活文档，以确保它们反映不断发展的风险和最佳实践，并巩固我们对这些主题的持续教育。通过外部发表这些论文，我们旨在表达自己的立场并利用它来利用投资活动领域的变化。nn集团和环境我们对环境的方法的基础嵌入了NN Living我们的价值观声明中，这为我们的业务提供了基础。我们避免或负责任地管理我们的业务活动可能对人或环境产生的任何负面影响，并在社会中寻求积极的变化。在投资公司时，我们有可能与具有挑战性的环境情况联系在一起。实施尽职调查过程，将ESG注意事项纳入投资分析和积极所有权实践，将帮助我们确定，预防和减轻与可持续性有关的风险，包括与环境相关的风险。此外，我们认为这样的过程将支持
使用二氧化碳激光器的浅表性腹膜子宫内膜异位症蒸发：长期单中心体验
摘要：宿主免疫系统的稳态受到白细胞的调节，具有各种细胞表面受体用于细胞因子。趋化性细胞因子（趋化因子）激活其受体，以唤起稳态迁移或朝向炎症组织或病原体的炎症条件下免疫细胞的趋化性。免疫系统的失调导致疾病，例如过敏，自身免疫性疾病或癌症，需要有效，快速作用的药物，以最大程度地减少慢性炎症的长期影响。 在这里，我们进行了基于结构的虚拟筛选（SBV），并由Keras/Tensorflow神经网络（NN）辅助使用，以发现作用于三种趋化因子受体的新型化合物支架：CCR2，CCR3和一个CXC受体CXCR3。 keras/tensorflow nn在此使用不作为典型使用的二进制分类器，而是作为有效的多级分类器，不仅可以丢弃非活性化合物，还可以丢弃低或中等活性化合物。 在100 ns全原子分子动力学中测试了SBV和NN提出的几种化合物，以确认其结合效率。 为了改善化合物的基本结合功能，提出了新的化学修饰。 将修饰的化合物与这三种趋化因子受体的已知拮抗剂进行了比较。 已知的CXCR3化合物是最受预测的化合物之一。因此，除了基于结构的方法外，还显示了在药物发现中使用KERAS/Tensorflow的好处。 此外，我们表明KERAS/Tensorflow NN可以准确预测化合物的受体亚型选择性，SBV通常会失败。导致疾病，例如过敏，自身免疫性疾病或癌症，需要有效，快速作用的药物，以最大程度地减少慢性炎症的长期影响。在这里，我们进行了基于结构的虚拟筛选（SBV），并由Keras/Tensorflow神经网络（NN）辅助使用，以发现作用于三种趋化因子受体的新型化合物支架：CCR2，CCR3和一个CXC受体CXCR3。keras/tensorflow nn在此使用不作为典型使用的二进制分类器，而是作为有效的多级分类器，不仅可以丢弃非活性化合物，还可以丢弃低或中等活性化合物。在100 ns全原子分子动力学中测试了SBV和NN提出的几种化合物，以确认其结合效率。为了改善化合物的基本结合功能，提出了新的化学修饰。将修饰的化合物与这三种趋化因子受体的已知拮抗剂进行了比较。已知的CXCR3化合物是最受预测的化合物之一。因此，除了基于结构的方法外，还显示了在药物发现中使用KERAS/Tensorflow的好处。此外，我们表明KERAS/Tensorflow NN可以准确预测化合物的受体亚型选择性，SBV通常会失败。我们从Chembl和策划数据集检索到大麻素受体的跨测试趋化因子受体数据集。在从Chembl检索的大麻素受体数据集上训练的NN模型是受体亚型选择性预测中最准确的。在趋化因子受体数据集训练的NN模型中，CXCR3模型在区分给定化合物数据集的受体亚型方面表现出最高的精度。