XiaoMi-AI文件搜索系统
World File Search SystemParadigms
Trans-AI/DS：变革性、跨学科和转化人工智能与数据科学
摘要 经过人工智能70年和数据科学50年的跌宕起伏，人工智能/数据科学进入了新时代。新一代人工智能/数据科学建立在科学、技术和工程的一致性和宇宙学的基础上。特别是，它协同人工智能和数据科学，启发了Trans-AI/DS（即Trans-AI、Trans-DS及其混合）的思维、愿景、范式、方法和实践。Trans-AI/DS在思维、范式、方法、技术、工程和实践方面具有变革性（或转型性）、跨学科和转化性人工智能/数据科学的特点。本文，我们讨论了这些重要的范式转变和方向。 Trans-AI/DS 鼓励超越传统人工智能、数据驱动、基于模型、统计、浅层和深度学习假设、方法和发展的宏观和跳出框框的思维。他们从人类、自然、社会及其创造物固有的智能和复杂性的本质出发，追求基础性和原创性的 AI/DS 思维、理论和实践。
重新思考MIMD-SIMD相互作用，用于内存内数据库引擎中的分析查询处理
利用并行性是在内存数据库引擎中执行低延迟的游戏的名称。最突出的是，现代通用CPU继续主导计算单元的领域，它通过两个面向数据的平行范式提供了高度计算的能力：MIMD和SIMD。不幸的是，由于两个平行范式都表现出不同的编程模型和内存访问模式，因此以组合方式利用这两种模型都是具有挑战性的。但是，CPU上SIMD的最新硬件进步放宽了对SIMD友好内存访问模式的限制。与纯线性访问模式的最新技术相比，替代访问模式的可用性和性能已显着提高。正如我们将在本文中所展示的那样，这些进步为统一的并行化方法铺平了道路，该方法以联合方式利用MIMD和SIMD，为有效的分析查询处理提供了一种新颖而有希望的方式。
基于内容和知识丰富的跨模态分类表征：一项调查
本综述记录了跨不同模态分类的表示方法，从纯粹基于内容的方法到利用外部结构化知识源的技术。我们介绍了与用于表示的三种范式相关的研究，即（a）低级模板匹配方法，（b）基于聚合的方法，和（c）深度表示学习系统。然后，我们描述现有的结构知识资源，并阐述使用此类信息丰富表示的必要性。接下来介绍利用知识资源的方法，根据如何利用外部信息进行组织，即（a）输入丰富和修改，（b）基于知识的细化和（c）端到端知识感知系统。随后，我们将进行高层次的讨论，总结和比较所提出的表示/丰富范式的优缺点，并在综述结束时概述相关研究成果和未来工作的可能方向。
BCI 与 Red Pitaya STEMLab 125-10
在整个领域提出的所有 BCI 范例中，我们决定专注于运动意象 (MI)，这是一种识别与想象运动相关的信号的范例。该范例常用的大脑相关信号是脑电图信号 (EEG)，它易于获取且非侵入性。传统上，特征提取器和分类器的组合已用于处理这些信号并识别 MI 任务，并获得可接受的性能水平。最近，卷积神经网络 (CNN) 是这两种算法的组合，已用于处理 EEG 信号，获得相似的性能水平，同时比其他机器学习 (ML) 算法更简单。EEGNet 就是一个例子，这是一种紧凑的 CNN 架构，足够强大，可以在一系列 BCI 任务中学习各种可解释的特征，并且与其他参考算法相比，跨范例的泛化更好。
一项初步研究显示，在认知健康但脑脊液淀粉样蛋白/tau 异常的个体中，任务切换揭示了脑心脏电生理特征异常
认知灵活性是指个人在任务之间切换的能力。它是一项核心执行功能，可以通过任务切换范式进行测试（Sauseng 等人，2006 年；Verstraeten 和 Cluydts，2002 年）。在任务切换过程中，与任务重复试验（低负荷）相比，任务切换试验（高负荷）所需的努力通常更大，这种现象称为切换成本（Hsieh 和 Allport，1994 年）。在任务切换范式中，与任务重复试验相比，任务切换试验的响应时间 (RT) 通常更长。切换试验所需的认知努力比重复任务所需的认知努力更大，这一研究相对较少（Wu 等人，2015 年）。早期 AD 中任务切换的表现会下降（Hutchison 等人，2010 年）。此外，任务切换与注意力控制紧密相关，注意力控制受切换/重复试验比例的调节（Schneider，2015 年）。
用于制造业模拟的量子计算增强服务生态系统
摘要 量子计算 (QC) 和机器学习 (ML)，无论是单独使用还是组合成量子辅助 ML (QML)，都是正在崛起的计算范式，其计算具有巨大的加速、提高精度和减少资源的潜力。工程数值模拟的可能改进意味着它可能会对制造业产生强大的经济影响。在本项目报告中，我们提出了一个用于制造业模拟的量子计算增强服务生态系统框架，该框架由从硬件到算法到服务和组织层的各个层组成。此外，我们从科学和工业的角度深入了解了基于 QC 和 QML 的应用研究的现状。我们进一步分析了两个高价值用例，旨在对这些新的计算范式在工业相关环境中的应用进行定量评估。
认知科学中建模的位置
摘要我考虑认知建模在认知科学中的作用。建模以及启用它的计算机对领域至关重要，但是建模的作用通常被误解了。模型并非旨在完全捕获他们试图阐明的过程。相反，它们是对认知过程本质的思想的探索。在这些探索中，简化是本质的 - 通过简化，中心思想的含义变得更加透明。这并不是说简化没有缺点。确实如此，讨论了这些。然后，我考虑了几个用于认知建模的当代框架，强调了这样一个想法，即每个框架都以其自身的特定方式有用。自1958年以来，计算机功率的增加（约为400万倍）使新的建模范式能够出现，但这些范式也取决于新的思考方式。新范式会随着接下来的1,000倍而再次出现吗？
课程大纲
课程描述：该模块是人工智能的主要介绍。模块材料的一半在课堂上提供，另一半是使用费城大学 IT 学院设计的电子学习模块的远程学习。课程目标：该模块旨在介绍人工智能在理论和实践中使用的基本表示和推理范例，并仔细关注逻辑、搜索和概率的基本原理。它还旨在向学生展示人工智能在应用中的实际应用示例，并鼓励进一步阅读。电子学习部分使学生能够进行自学练习。作业旨在为学生提供知识系统的可靠实践介绍以及知识表示和信念网络的现代范式的基本介绍。示例课程旨在介绍认知模拟中的潜在问题，并提供逻辑和概率实践练习的机会。课程组成部分 • 人工智能简介 • 智能代理 • 问题解决（搜索算法） • 知识表示 • 专家系统