XiaoMi-AI文件搜索系统
World File Search SystemPythia
毕达氏症：数据预取的神经模型
机器学习越来越多地遍布RDBMS的所有组件，因此可以通过查询工作负载和数据分布中的杠杆相关性来实例化。到目前为止，它在基数估计和查询优化方面取得了重大成功，从而导致查询执行更快。但是，在优化RDBMS缓冲区管理模块方面的努力有限。准确预测页面访问会带来许多挑战。我们克服了这些挑战，并提出了Pythia，这是一种神经预测模型，可以准确预测复杂SQL查询的非序列页面访问。然后可以使用毕曲（Pythia）的输出来预取页页面，从而提高性能。此外，我们还将毕缩影集成到Postgres的缓冲区管理模块中。在不适合时，它可以明智地执行预测和预取，并在没有时默认为现有的缓冲区管理算法。我们进行了广泛的实验和示例，即毕曲霉达到了明显的准确性，并且在DSB OLAP基准测试中查询的速度高达6倍。
具有嵌入式机器学习能力的医学成像的新ASIC
- d 0富集相同创建的pythia8 EP，NC，10x100，Q 2> 100事件（〜493m），使每个事件组成一个D 0→K-ᴨ+被称为信号，从24.12.0/epic_craterlake/epic_craterlake/sidis/sidis/sidis/d0_abconv/d0_abconv/pythia和pythia8.3066-1.1.1.1.1.1/q.1/q2 984589
更快的扩散模型具有提高质量的粒子云生成
在PC-Jedi的成功基础上构建了我们引入了PC-Droid，这是一种基本改进的射流颗粒云的扩散模型。通过利用新的扩散公式，对更近期的集成求解器进行研究，并同时对所有喷气类型进行培训，我们能够在所有评估指标中实现所有类型的JET的最新性能。我们通过比较两个基于注意力的架构以及一致性蒸馏以减少扩散步骤的数量来研究生成速度和质量之间的权衡。更快的架构和一致性模型都表现出超过许多竞争模型的性能，其发电时间比PC-Jedi快两个数量级，并且比Pythia快三个数量级。
快速生成高维点云
在这项研究中，使用了JETNET [21]数据集。每个数据集都包含Pythia [22]的射流，其能量约为1 TEV，每个射流包含多达30或150个成分（此处：30）。数据集在喷气发射的parton中。在这里，研究了顶级夸克，轻夸克和Gluon发射的喷气机的数据集[23，24]。每个数据集包含约170k个单独的喷气机分为110K / 10K / 50K用于培训 /测试 /验证，其中验证数据集用于我们的结果。射流成分，颗粒，用r = 0的圆锥半径聚类。8。这些颗粒被认为是无质量的，因此可以用它们的3-momenta或横向动量p t，伪t，伪质η和方位角角度描述。在JetNet数据集中，这些变量相对于喷气动量给出：ηrel Ibηi -ηi -η射流，ϕ rel i b ϕ i-（ϕ射流mod2π）和p rel t，i b p p t，i b p t，i / p t，i / p t，i / p t，jet，jet，i在喷气机中im ime im impoy im im ot a Jet中的粒子。计算这些相对数量的不变质量，例如，对于喷气质量，意味着m rel = m jet / p t，jet。Jetnet库[25]提供了本研究中使用的几个指标。此外，作者还提供了一个称为MPGAN [26]的基线模型。该数据集已在粒子物理社区中广受欢迎，作为基于PC的生成模型的基准[15-17，27-34]。