XiaoMi-AI文件搜索系统
World File Search Systembenchmarks
Qualcomm Cloud AI 100 MLPerf™ 推理基准测试
凭借性能密度和每瓦性能方面的业界领先进步，Qualcomm Cloud AI 100 平台在最新基准测试的所有评分卡中均处于领先地位。
与核数据评估相关的先进反应堆基准（5）。
1996 年 1 月 1 日之后发布的报告通常可通过美国能源部 (DOE) SciTech Connect 免费获取。网站 www.osti.gov 公众可以从以下来源购买 1996 年 1 月 1 日之前制作的报告： 国家技术信息服务 5285 Port Royal Road Springfield, VA 22161 电话 703-605-6000（1-800-553-6847） TDD 703-487-4639 传真 703-605-6900 电子邮件 info@ntis.gov 网站 http://classic.ntis.gov/ DOE 员工、DOE 承包商、能源技术数据交换代表和国际核信息系统代表可以从以下来源获取报告： 科学技术信息办公室 PO Box 62 Oak Ridge, TN 37831 电话 865-576-8401 传真 865-576-5728 电子邮件 reports@osti.gov 网站 http://www.osti.gov/contact.html
国际研发和I电池资金和电池KPIS的全球基准概述
自从第一次商业化和工业部署锂电池以来，国际电池行业和研发＆I社区的全球电力平衡已经发生了很大的转变。日本已成为液体电解质锂离子电池的早期技术领导者，但自2015年以来，其国内行业已经失去了对中国和韩国制造商的市场份额，这受益于强大的政府支持。尤其是中国一直在迅速创新其国内电池技术。最初，中国的电池政策非常集中，目的是在1时赶上领先的国家。此外，保护性政策导致许多以前与韩国和日本供应商合作的中国汽车制造商将其电池订单转移给了国内制造商，以便从慷慨的补贴中受益。这一方面在促进中国的家庭电池价值链的种植中起着至关重要的作用2。在借助一项综合政府补贴计划的帮助下，从原材料到组件制造，牢房和包装生产以及电动汽车应用的整个价值链的成熟度后，中国已成为世界上最大的电动汽车市场。2国际能源机构估计，中国约占电池电池的75％，阴极的70％和阳极材料材料全球生产能力的85％。3
通过绩效报告标准实现游戏 AI 基准
商业游戏中的人工智能 (AI) 游戏代理通常被用作玩家的游戏对手。因此，此类 AI 需要满足几个标准。一个常见的标准是代理玩游戏的能力——这对于确定玩家将遇到的挑战非常重要。对于许多类型的游戏来说，AI 代理能否令人信服地体现特定角色至关重要。例如，寻路算法可能会导致人类通常不会遵循的路径。效率是另一个重要标准，因为商业游戏中的处理时间通常非常宝贵。虽然这些标准反映在一些以研究为重点的比赛中对游戏 AI 的评估中，但它们通常是在简化的游戏上进行的，因此商业利益有限。相比之下，在流行的复杂游戏中，AI 与人类玩家的表现取得了几个里程碑式的成就，并被媒体广泛报道。然而，通常很难从这些里程碑式的表现中得出一般性结论。由于计算成本高昂，因此很难将其应用于游戏行业。目前缺乏对人工智能算法优缺点的清晰理解，以及预测其在特定复杂游戏（或其他人工智能挑战）中大致行为的良好方法。然而，这些信息对于只能投入有限资源进行探索和研究的游戏开发者来说至关重要。它也是学术研究的基石，因为更好地理解算法可以激发改进和进一步研究。我们认为，采用通用科学标准来评估和报告人工智能算法的性能有助于收集这些缺失的见解。为此，我们在本文中做出了以下主要贡献：
ConvAbuse：对话式 AI 中细微检测的数据、分析和基准
辱骂性语言检测已在社交媒体上受到广泛关注（例如，参见Vidgen 等人，2020a ），但在对话系统的背景下关注的较少。正如联合国教科文组织（West 等人，2019 ）所言，检测和减轻对这些（通常拟人化的）人工智能系统的辱骂对于避免强化负面的性别刻板印象非常重要。在本报告之后，最近的几项研究调查了可能的辱骂缓解策略（Cercas Curry 和 Rieser ，2018 ，2019；Chin 和 Yi ，2019；Ma 等人，2019 ）。然而，这些研究的结果尚无定论，因为它们不是在实时系统或真实用户身上进行的——主要是因为缺乏可靠的滥用检测工具。目前部署的大多数系统都使用简单的关键字识别技术（例如Ram 等人，2018 年； Khatri 等人，2018 年），这往往会产生大量误报，例如用户表达沮丧或使用亵渎语言的情况
最优功率流导出的稀疏线性求解器基准
由于电网的变化性质，能够在大型电网中求解高保真最优潮流模型变得越来越重要。这种高保真问题称为交流最优潮流 (ACOPF)，是一个非线性、非凸优化问题。解决此类问题的少数可靠方法之一是内点法。这些方法会产生稀疏线性系统，其中系数矩阵是对称的、不确定的并且通常是病态的。因此，它们对于稀疏线性求解器来说尤其具有挑战性，并且代表了求解 ACOPF 问题时相当大的计算瓶颈。在本文中，我们介绍了一个线性系统存储库，该存储库由开源优化器 IPOPT 求解 ACOPF 问题时捕获。这些矩阵旨在用作稀疏线性求解器开发的测试套件。
2019 年基准：美国屈居第二？美国科学领导地位面临越来越大的挑战
美国创新工作组 (TFAI) 一直致力于制定和审查基准，以评估美国在科学技术领域的国际地位。本报告以以往的 TFAI 报告为基础，最早是在 2005 年发布的第一份基准报告，该报告强调，“美国在研究和发现方面仍然处于世界领先地位，但我们的优势正在迅速消失，我们的全球竞争对手可能很快就会超越我们。”自本报告发布以来，TFAI 在 2006 年和 2012 年进行的进一步分析发现 2005 年的趋势仍在延续，并呼吁美国加强劳动力和创新生态系统。自第一份 TFAI 报告发布以来的 14 年里，最初的趋势依然存在，美国在科学、技术和人才投资方面继续落后于其他国家。
比较Waymo仅限骑手碰撞数据与710万英里的人类基准
本文描述了撞车事故是由于安全性确定生命周期的一部分，仅骑手（RO）广告乘车服务的现场部署。现场崩溃结果可能是确认设计元素和预测的重要因素，如图1所示（Favarò等人。，2023a）。在开发系统和开始RO操作之前或考虑对现有RO部署的更新之前，只有预测预期性能的前瞻性方法。在一种前瞻性方法中，例如在模拟部署中（Webb等人，2020）或如Favarò等人所述。（2023b），模拟用于预测AD崩溃率，并将该速率与基准进行比较。在这种方法中，可以为基于崩溃严重性模型确定的不同严重程度设置基准，因为模拟无法获得诸如伤害之类的结果。基于本文介绍的崩溃结果的回顾性分析可用于补充和/或确认广告准备确定中使用的这些前瞻性方法（Webb等人。，2020）。
合并学习：一种特定领域的无模型优化策略，并在元基准上进行验证
摘要对于许多机器学习模型，超参数的选择是实现高性能的关键一步。普遍的元学习方法集中于根据从先前任务中获得的结果获得有限的计算预算，以有限的计算预算获得良好的高参数配置。本文提出了调整问题的新形式，称为合并学习，更适合于模型开发人员面临的实用挑战，其中在类似的数据集中对大量的预测模型进行了处理。在这种设置中，我们对总优化时间感兴趣，而不是为单个任务调整。我们表明，精心选择的静态参数配置的静态组合可为任何时间优化带来良好的结果，同时既可以易于使用和实现。此外，我们指出了如何为特定域构建这样的投资组合。由于相似任务之间的超参数配置更有效地传递了优化的改进。我们通过对Xgboost Algo-Rithm的经验研究以及从MIMIC-IV医学数据库中提取的预测任务的新创建的基准基准来揭示这种方法的有效性。在论文中，我们表明，由于与许多机器学习应用方案的兼容性，合并学习的潜力要大得多。
量子点中孔的旋转放松基准和单个量子验证性
摘要：我们研究了2×2元素量子点阵列中单螺旋状态和多霍尔方向上的孔自旋松弛。我们发现，对于具有单孔和五孔职业的量子点，旋转松弛时间t 1高至32和1.2 ms，为孔量子点设定了自旋松弛时间的基准。此外，我们通过测量每个值对栅极电压的谐振频率依赖性来研究量子通讯性和电场灵敏度。，我们可以为单台和多孔量子位调整较大范围内的谐振频率，同时发现共振频率仅弱依赖相邻门。尤其是，五孔值谐振频率对其相应的柱塞门敏感20倍以上。出色的单个量子可调性和长期的自旋松弛时间在锗中有望在茂密的二维量子点阵列中，可寻求和高实现旋转矩阵，以获取大规模量子信息。关键字：锗，量子点，旋转放松，Qubits Q