XiaoMi-AI文件搜索系统
World File Search Systembsd
LibrettOS：一个动态适应的多服务器库操作系统
我们提出了 LibrettOS，这是一种融合两种范式的操作系统设计，可同时解决隔离、性能、兼容性、故障可恢复性和运行时升级等问题。LibrettOS 充当以隔离方式运行服务器的微内核操作系统。当为了获得更好的性能，选定的应用程序被授予对存储和网络等虚拟硬件资源的独占访问权限时，LibrettOS 还可以充当库操作系统。此外，应用程序可以在运行时在两种操作系统模式之间切换而不会中断。LibrettOS 具有独特的优势，即两种范式无缝共存于同一操作系统中，使用户能够同时利用各自的优势（即更高的隔离性、更高的性能）。系统代码（例如设备驱动程序、网络堆栈和文件系统）在两种模式下保持相同，从而实现动态模式切换并降低开发和维护成本。为了说明这些设计原则，我们使用 rump 内核实现了 LibrettOS 的原型，使我们能够重用现有的、强化的 NetBSD 设备驱动程序和大量兼容 POSIX/BSD 的应用程序。我们使用硬件 (VM) 虚拟化将不同的 rump 内核实例彼此强隔离。由于原始的 rumprun 单核内核针对的是单处理器系统的更简单的模型，因此我们对其进行了重新设计以支持多核系统。与 DPDK 等内核旁路库不同，应用程序无需修改即可从直接硬件访问中受益。LibrettOS 还支持通过我们开发的网络服务器进行间接访问。TCP/IP 堆栈的实例始终直接在应用程序的地址空间内运行。与原始的 rumprun 或单片操作系统不同，即使网络组件发生故障或需要升级，应用程序也不会中断。最后，为了有效利用硬件资源，应用程序可以根据运行时的 I/O 负载在间接和直接模式之间动态切换。我们评估了 10GbE 的 LibrettOS 和
计算机科学与工程系
Linux操作系统的内核类似于Unix的内核。Linux操作系统建立在Linux内核上，Linux内核是全球广泛使用的操作系统内核。Linux发行版通常用于传统计算机系统，但Linux也用于路由器等嵌入式设备上。Linux内核也是Android移动和平板电脑操作系统的基础。Linux内核的应用程序编程接口（API）允许用户程序与内核进行通信，旨在非常稳定，并且不会干扰用户PACE程序（某些程序，包括具有图形用户接口的程序，也取决于其他API）。设备驱动程序作为内核操作的一部分管理硬件； “主线”设备驱动程序也被设计为非常稳定。与许多其他内核和操作系统相比，内核和可加载内核模块（LKMS）之间的接口并不是要特别可靠的设计。Linux内核是免费和开源软件的众所周知的示例，因为它是由全世界的贡献者创建的。关于日常开发的讨论在Linux内核邮件列表（LKML）上举行。虽然某些固件图像是在不同的非免费许可下提供的，但Linux内核是根据GNU通用公共许可证版本2（GPLV2）分发的。芬兰赫尔辛基大学的一名21岁学生名为Linus Torvalds，于1991年4月开始开发一些基本的操作系统概念。他从终端驱动程序和用英特尔80386组装代码编写的任务切换器开始。Torvalds于1991年8月25日提交给Usenet NewsGroup Comp.os.minix。在此之后，更多的人向该项目贡献了代码。Linux内核很早就收到了Minix社区的想法和代码贡献。GNU项目当时已经开发了免费操作系统所需的许多零件，但是该项目自己的内核GNU Hurd尚未完成且无法使用。BSD操作系统仍受法律限制的约束。尽管功能有限，但Linux很快吸引了开发人员和消费者。建立后的第一个帖子。comp.os.linux于1992年3月31日从alt.os.linux重命名。
PiNN：用于构建分子和材料原子神经网络的 Python 库
摘要：原子神经网络 (ANN) 是一类机器学习方法，用于预测分子和材料的势能面和物理化学性质。尽管取得了许多成功，但开发可解释的 ANN 架构并有效实施现有架构仍然具有挑战性。这需要可靠、通用且开源代码。在这里，我们介绍了一个名为 PiNN 的 Python 库作为实现这一目标的解决方案。在 PiNN 中，我们设计了一种新的可解释且高性能的图卷积神经网络变体 PiNet，并实现了已建立的 Behler-Parrinello 神经网络。使用分离的小分子、结晶材料、液态水和水性碱性电解质的数据集测试了这些实现。PiNN 附带一个名为 PiNNBoard 的可视化工具，用于提取 ANN“学习”到的化学见解。它提供分析应力张量计算，并与原子模拟环境和阿姆斯特丹建模套件的开发版本接口。此外，PiNN 是高度模块化的，这使得它不仅可以用作独立软件包，还可以用作开发和实现新型 ANN 的工具链。代码在宽松的 BSD 许可下分发，可在 https://github.com/Teoroo-CMC/PiNN/ 免费访问，其中包含完整的文档和教程。■ 简介计算化学的主要任务之一是将分子或材料的结构映射到其属性，即 f : { x ⃗ i , Z i } → P 。当 P 是总能量时，任务就是设计计算方法来找到薛定谔方程的近似解，正如狄拉克在 1929 年的解释 1 中所预见的那样，也是一代又一代计算和理论化学家一直致力于研究的那样。更具挑战性的是做逆向 f : P → { x ⃗ i , Z i }，也就是说，提出具有特定价值属性的新结构。为了应对这些挑战，机器学习 (ML) 在计算化学和材料发现领域引起了相当大的关注和努力，2 - 4 并且许多不同类型的 ML 方法已成功应用于这些领域。在本文中，我们将重点介绍原子神经网络 (ANN)，它在预测物理化学性质、近似势能面 (PES)、5、6 方面非常成功