XiaoMi-AI文件搜索系统
World File Search SystemSpi
用于估计 iCub 机器人头部姿势的片上脉冲神经网络
在这项工作中，我们提出了一种用于人形 iCub 机器人头部姿势估计和场景表示的神经形态架构。脉冲神经网络在英特尔的神经形态研究芯片 Loihi 中完全实现，并精确整合发出的运动命令，以在神经路径整合过程中估计 iCub 的头部姿势。iCub 的神经形态视觉系统用于校正姿势估计中的漂移。机器人前方物体的位置使用片上突触可塑性来记忆。我们使用机器人头部的 2 个自由度 (DoF) 进行实时机器人实验，并展示精确的路径整合、视觉重置和片上物体位置学习。我们讨论了将机器人系统和神经形态硬件与当前技术集成的要求。
基于精确脉冲时间的触摸定位事件计算
精确的脉冲定时和时间编码在昆虫的神经系统和高阶动物的感觉外围中得到广泛应用。然而，传统的人工神经网络 (ANN) 和机器学习算法无法利用这种编码策略，因为它们的信号表示是基于速率的。即使在人工脉冲神经网络 (SNN) 的情况下，确定时间编码优于 ANN 的速率编码策略的应用仍然是一个悬而未决的挑战。神经形态传感处理系统为探索时间编码的潜在优势提供了理想的环境，因为它们能够从相对脉冲定时中有效地提取聚类或分类时空活动模式所需的信息。在这里，我们提出了一个受沙蝎启发的神经形态模型来探索时间编码的好处，并在基于事件的传感处理任务中对其进行验证。该任务包括仅使用八个空间分离的振动传感器的相对脉冲定时来定位目标。我们提出了两种不同的方法，其中 SNN 以无监督的方式学习聚类时空模式，并展示了如何通过分析和多个 SNN 模型的数值模拟来解决该任务。我们认为，所提出的模型对于使用精确脉冲时间进行时空模式分类是最佳的，可以用作评估基于时间编码的事件感知处理模型的标准基准。
Sabina Spiga - 个人简历
S. Spiga 于 2013 年获得“物质物理学”[领域：02/B1] 国家任教资格，担任副教授 (II Fascia)，2017 年获得正教授 (I fascia) 资格；2017 年获得“电子学”[领域：09/E3] 国家任教资格，担任副教授 (II Fascia)。S. Spiga 是同行评审期刊和会议论文集上 120 多篇出版物和 8 个书籍章节的作者/合著者。她的研究成果已在多个国际会议上发表，包括在大学和博士学校的多次受邀演讲和受邀研讨会。她曾受邀担任意大利和国外博士委员会成员或外部评审员（2013-2021 年期间 7 次）。她以首席研究员或研究项目协调员的身份获得了 7 项资助，并以 COST 行动管理委员会成员的身份获得了 1 项资助。
铅主导的超精细相互作用影响卤化物钙钛矿中的载流子自旋动力学
其在光伏应用领域的研究引起了人们的兴趣，因为它们的量子效率已经达到了 25.5% [1]，而且还扩展到辐射传感 [2,3] 和各种光电设备。[4–7] 达到高质量 MAPbI 3 、FAPbI 3 和 CsPbI 3 单晶的极限，与 MA、FA 和铯 (Cs) 阳离子混合物的组合结构成为最先进的钙钛矿材料，提高了量子效率并将结构稳定性从几天延长到几个月。[2,8–10] 由于基本物理性质接近其母结构，因此所提出的 FA 0.9 Cs 0.1 PbI 2.8 Br 0.2 可作为铅卤化物钙钛矿类的有效模型系统。与传统的 III-V 和 II-VI 半导体相比，钙钛矿在某种意义上具有反转的能带结构：价带 (VB) 态由 s 轨道形成，而导带 (CB) 态由 p 轨道贡献。强自旋轨道耦合，特别是 Rashba 效应 [11–14] 也会交换电子和空穴的自旋特性。[15,16] 因此，与晶格核的超精细相互作用由空穴而不是电子主导。钙钛矿能带结构为光学跃迁提供了清晰的极化选择规则，因此结合
NWS Spirit FC / 家长指导 - 2025
● 演讲时长约为 45 分钟 ● 演讲将被录制并通过 nwsfdna.com 分享 ● 您可以使用问答功能提问，这些问题将在演讲结束时得到解答
在 HPC 基础设施上扩展脉冲神经网络
1 机器人、人工智能与实时系统，慕尼黑工业大学信息学院，德国慕尼黑，2 于利希超级计算中心 (JSC) 神经科学模拟与数据实验室，高级模拟研究所，JARA，于利希研究中心有限公司，德国于利希，3 瑞士国家超级计算中心 (CSCS)，苏黎世联邦理工学院，瑞士卢加诺，4 神经计算单元，冲绳科学技术研究生院，日本冲绳，5 机器人与人工智能卓越系，生物机器人研究所，Scuola Superiore Sant'Anna，意大利蓬泰代拉，6 计算机架构与技术系，格拉纳达大学信息与通信技术研究中心，西班牙格拉纳达，7 图像处理研究团队，日本理化学研究所先进光子学中心，和光，8 计算工程应用单元，信息系统与网络安全总部，理化学研究所，日本和光市、9 日本东京电气通信大学信息与工程研究生院、10 德国于利希研究中心、神经科学与医学研究所 (INM-6)、高级模拟研究所 (IAS-6)、JARA BRAIN 研究所 I、11 德国亚琛工业大学计算机科学 3-软件工程、12 日本神户理化学研究所计算科学中心
制定个人精神计划：成为真实自我的 7 个初始步骤
7. 基督徒服务 我们为什么要这样做？ 圣雅各在使徒书信第二章中说道：“我的弟兄们，若有人说自己有信心，却没有行为，有什么益处呢？这信心能救他吗？ 如果一个弟兄或姐妹衣不蔽体，又缺少日用饮食，你们中间有人对他们说：‘平平安安地去吧！愿你们穿得暖、吃得饱！’却不给他们身体所需用的，这有什么益处呢？ 同样，如果没有行为，信心本身就是死的。” 我们可以追求一切美好的事物，达到圣洁的最高境界，记住关于上帝的一切知识，但如果我们不活出我们的信仰，这一切都是没有力量的。 要成为圣人，我们必须有信仰，我们必须行动，不是自相矛盾，而是在完美的精神互补中。
疫情时期的通胀驱动因素和全球溢出效应
我们采用多国多部门新凯恩斯主义模型来分析推动大流行时代通货膨胀的因素。该模型结合了部门特定冲击和总体冲击，这些冲击通过全球贸易和生产网络传播并产生供需失衡，从而导致通货膨胀和溢出效应。基线定量分析匹配了美国、欧元区、中国和俄罗斯等样本国家的总体和部门价格和工资变化。我们的研究结果表明，供应链瓶颈引发了 2020 年的通货膨胀，随后 2021 年至 2022 年总需求冲击推动价格飙升，能源价格上涨加剧了这一情况。JEL 分类：E2、E3、E6、F1、F4 关键词：通货膨胀、国际溢出效应、全球生产网络 _________________ Giovanni：纽约联邦储备银行，CEPR（电子邮件：julian.digiovanni@ny.frb.org）。Silva：波士顿联邦储备银行（电子邮件：asilvub@gmail.com）。 Kalemli-Özcan：布朗大学、CEPR、NBER（电子邮件：sebnemkalemli-ozcan@brown.edu）。Yıldırım：哈佛大学、Koç 大学（电子邮件：muhammed_yildirim@hks.harvard.edu）。作者感谢讨论者 Gianluca Benigno、Mishel Ghassibe、Andrea Raffo、John Romalis、2023 年意大利银行-欧洲央行-世界银行“全球经济中的贸易、价值链和金融联系”研讨会的参与者、《国际经济学杂志》国际经济学暑期学校（2023 年版）、澳大利亚储备银行年会（2023 年）和第 8 届 NBU-NBP 年度研究会议（2024 年）的深刻评论。本文介绍了初步研究结果，并分发给经济学家和其他感兴趣的读者，仅用于激发讨论和征求评论。本文表达的观点为作者的观点，并不一定反映纽约联邦储备银行或联邦储备系统的立场。任何错误或遗漏均由作者负责。如需查看作者的披露声明，请访问 https://www.newyorkfed.org/research/staff_reports/sr1080.html。
受大脑启发的具有脉冲神经元的多层感知器
近年来，多层感知器 (MLP) 成为计算机视觉任务领域的研究热点。由于没有归纳偏差，MLP 在特征提取方面表现良好并取得了惊人的效果。然而，由于其结构简单，其性能高度依赖于局部特征通信机制。为了进一步提高 MLP 的性能，我们引入了脑启发神经网络的信息通信机制。脉冲神经网络 (SNN) 是最著名的脑启发神经网络，在处理稀疏数据方面取得了巨大成功。SNN 中的泄漏积分和触发 (LIF) 神经元用于在不同时间步骤之间进行通信。在本文中，我们将 LIF 神经元的机制合并到 MLP 模型中，以在不增加 FLOP 的情况下实现更好的准确率。我们提出了一种全精度 LIF 操作来在块之间进行通信，包括不同方向的水平 LIF 和垂直 LIF。我们还建议使用组 LIF 来提取更好的局部特征。借助 LIF 模块，我们的 SNN-MLP 模型在 ImageNet 数据集上分别仅使用 4.4G、8.5G 和 15.2G FLOP 就实现了 81.9%、83.3% 和 83.5% 的 top-1 准确率，据我们所知，这是最先进的结果。源代码将在 https://gitee.com/mindspore/models/tree/master/research/cv/snn mlp 上提供。
葡萄酒和蒸馏酒的灌装标准
2 通知 210A 错误地将 19.2 盎司葡萄酒的公制等值列为 545.5 毫升，而不是 568 毫升，这反映了美国苹果酒协会的意见以及英制盎司而非美制液体盎司的换算系数。评论回复涉及 19.2 盎司的尺寸，并在适用的情况下表明读者普遍理解该提案是针对美国盎司的，这是 TTB 的意图。本最终规则使用适当的换算系数来确定法规中的公制等值。