XiaoMi-AI文件搜索系统
World File Search SystemSLAC
SLAC 国家加速器实验室 - NITRD
1 简介 光源和中子源通过捕捉复杂物质的结构和电磁动力学，在理解不同时间和长度尺度上复杂物质的基本特性方面发挥着关键作用。这些科学设施依赖于人类建造的一些最复杂的机器。例如，X射线自由电子激光器（XFEL）由粒子加速器驱动，产生高度相干的光以对样品进行详细成像，其操作需要许多子系统的紧密集成：高性能粒子加速器、产生X射线的灵敏磁波荡器、高功率X射线光学器件以及复杂的探测器和复杂的样品环境（例如与超快激光器同步泵浦）。全面利用光源和光束线的功能可以在生物学、化学、物理学和材料科学等广泛领域带来新的科学发现。越来越复杂的仪器和光源功能可以实现前所未有的测量，从而揭示物质的基本特性。然而，相对于巨大的实验需求，中子和光源的稀缺导致分配的光束时间短缺。因此，迫切需要开发实时数据分析和实验指导能力，以有效利用有限的实验时间并最大限度地提高收集数据的科学价值。此外，还需要减少目前花在设置设施以交付给不同实验上的大量时间。光源实验可以从数字孪生 (DT) 技术中受益匪浅，该技术可以利用先前的测量、已知参数和理论来指导实验期间的采样策略并产生独特的科学见解。DT 对于简化用户设施的运行至关重要，这涉及复杂的系统控制。光源也是开发和部署 DT 技术的理想试验台。此类试验台的经验对于开发可靠、可持续、可互操作的 DT 基础设施至关重要，这些基础设施可用于美国国家利益的众多应用领域（气候、能源网等）。复杂光源的一个突出例子是独一无二的高重复率它们是高度动态的系统，随着时间的推移，条件会发生许多有意和无意的变化，它们由多个复杂的相互作用的子系统组成，这些子系统需要协同运行才能获得最佳性能，它们具有可以轻松利用和与测量数据融合的物理模拟，与许多其他应用程序相比，它们为探索 DT 概念提供了更封闭的环境（例如，与全球气候的 DT 相比），并且全球有许多具有共享设计的光源，从而能够探索易于跨系统互操作和交换的技术。
SLAC 神经网络库 (SNL)
带有 NN 的 SW • 我们更进一步进行了功率比较。• 表格展示了从实际 KCU105 板获得的 CNN 和 MLP 示例的功率测量值。• 观察结果：• Vivado 估算的功率与在硬件上测得的实际功率之间存在明显差异。• 具体而言，与物理硬件测量值相比，Vivado 对 Tiny CNN 网络的功率估计有 1.4645W 的差异。• 同样，Vivado 对 MLP 网络的功率估计有 1.0645W 的差异。• 对于 MLP，NW 消耗的功率更高，因为它具有更高的参数数量，需要增加内存映射和内存与逻辑单元之间更广泛的计算，从而导致功耗增加。
TESLAC：利用 AI 加速器加速基于格的加密技术
摘要本文利用人工智能加速器实现密码算法。据我们所知，这是首次尝试使用人工智能加速器实现量子安全的基于格的密码术 (LBC)。然而，人工智能加速器是为机器学习工作负载（例如卷积运算）而设计的，无法将其强大的功能直接用于密码计算。注意到环上的多项式乘法是 LBC 中的一种耗时计算，我们利用一种简单的方法使人工智能加速器非常适合环上的多项式乘法。还进行了其他非平凡优化以最小化转换开销，例如使用低延迟共享内存、合并内存访问。此外，基于 NVIDIA 人工智能加速器 Tensor Core，我们实现了一个名为 TESLAC 的原型系统，并进行了一组全面的实验来评估其性能。实验结果表明，TESLAC 可以达到每秒数千万次运算，相比 AVX2 加速的参考实现实现了两个数量级的性能提升。特别地，通过一些技巧，TESLAC 还可以扩展到其他模 q 更大的 LBC。
SLED：一种使 SLAC 能量翻倍的方法
过去几年，已提出了几种显著提高 SLAC 束流能量的方案。其中两个方案，即使用超导加速段 1 和使束流再循环通过现有加速器 2，在经过大量研究后，由于技术和经济原因已被放弃。目前，逐步提高束流能量的方法是 SLAC 速调管组开发和安装 30 和 40 MW 速调管。但很明显，为了使现有机器的能量增加一倍左右，必须将加速器完全改装为产生约 100 MW 的速调管。虽然这种方法并非不可想象，3 但实现这种速调管及其驱动所需的调制器需要进一步的开发和高额的初始资本投资。