XiaoMi-AI文件搜索系统
World File Search Systemcriticality
基于指令关键性的节能硬件数据预取
摘要 — 硬件数据预取是一种延迟隐藏技术，通过在处理器需要之前将数据块提取到缓存中来缓解内存墙问题。对于高性能的先进数据预取器，由于请求数量的增加，这会增加内存层次结构中的动态和静态能量。提高硬件预取器能效的一种简单方法是预取执行关键路径上的指令。由于基于关键性的数据预取不会显著降低性能；这是解决能效问题的理想方法。我们讨论了现有关键指令检测技术的局限性，并提出了一种新技术，该技术使用重新排序缓冲区占用率作为检测关键指令的指标，并执行特定于预取器的阈值调整。使用我们的检测器，我们实现了最大内存层次结构节能 12.3%，PPF 性能提高 1.4%，平均值如下：(i) SPEC CPU 2017 基准：IPCP 在 L1D 时能耗降低 2.04%，性能降低 0.3%；(ii) 客户端/服务器基准：PPF 时能耗降低 4.7%，性能降低 0.15%；(iii) Cloudsuite 基准：IPCP 在 L1D 时能耗降低 2.99%，性能提高 0.36%。IPCP 和 PPF 是最先进的数据预取器。
核关键性安全工程师培训模块13
横截面集的测量和开发课程目标1）解释创建用于关键性安全性计算的横截面设置所涉及的步骤，包括用于测量横截面数据，处理数据，评估数据集的技术，并释放评估的核数据文件（ENDF）用于计算机代码。2）提供针对各种问题选择正确的代码和横截面设置的一般指南。引言今天的大多数关键性安全分析都利用蒙特卡洛方法。这些计算的结果取决于代码使用的横截面库。也就是说，在其核数据文库中的缺陷被转化为蒙特卡洛计算结果中的缺陷，这些计算的结果预测了测量的关键实验或使用中子倍增材料的拟议操作来预测关键或k eff。批判性安全方法的性能缺陷，例如，蒙特卡洛代码/数据库软件包，由验证确定，即计算一系列基准的关键实验。此数据测试过程可能表明特定核素和反应的核数据中的差异，例如233 U的裂变或PB中的散射，并且可能表明需要更新或重新评估该核素的核数据。此新评估可能仅基于现有的差分截面测量值，但是在某些情况下，对可用数据的重新检查可能表明需要进行新的测量。此评估过程还可以使用核理论模型代码来获得新评估的横截面数据的最佳拟合或形状。可能需要其他横截面数据1）消除现有测量数据中的差异，2）在当前无法使用数据的能量范围内获得测量的数据，或3）减少评估的横截面中的不确定性。该新评估可以由横截面评估工作组（CSEWG）采用，并成为官方ENDF/B文件的一部分。这些新评估的横截面数据然后可以处理到关键安全代码使用的数据库中。该训练模块将描述中子横截面测量的测量以及如何评估和测试，然后最终引入EndF/B库中，以有助于改善关键性预测。流程图显示了核
个体的雪崩临界性、流体智力和工作记忆
。CC-BY-NC-ND 4.0 国际许可证永久有效。它以预印本形式提供（未经同行评审认证），作者/资助者已授予 bioRxiv 许可，可以在该版本中显示预印本。版权所有者于 2021 年 1 月 11 日发布了此版本。；https://doi.org/10.1101/2020.08.24.260588 doi: bioRxiv preprint
使用ANET代码
在核反应堆的设计和实际操作过程中考虑的最重要的安全参数之一是其控制杆的功能以达到关键。关于常规核系统，通过确定性或随机的中性货号的利用来规范其杆的位置，如今被认为是微不足道的。然而，创新的核反应堆概念（例如加速器驱动的系统）需要随机中子代码的复杂模拟能力，因为它们结合了高能量物理学，用于散布产生的中子，以及经典的核技术。ANET（具有进化和热液压反馈的高级中子学）是一种未开发的随机中子代码，能够覆盖ADS系统中涉及的广泛的中子能谱，因此能够模拟常规和混合核反应堆并计算重要的反应器参数。在这项工作中，检查了Anets的可靠性，以计算包含京都大学关键组装的三个核心配置的有效乘法系数，即操作广告。Anet结果与已建立的随机代码（如MCNP6.1）产生的结果可成功地进行比较。
自动驾驶的批判性指标：对最新状态的审查和适用性分析
摘要在公共道路上大规模的自动车辆部署有可能大大改变当今社会的运输方式。尽管这种追求是在几十年前开始的，但仍存在公开挑战，可靠地确保此类车辆在开放环境中安全运行。尽管功能安全是一个完善的概念，但测量车辆行为安全的问题仍然需要研究。客观和计算分析交通冲突的一种方法是所谓关键指标的开发和利用。当代方法在与自动驾驶有关的各种应用中利用了关键指标的潜力，例如用于评估动态风险或过滤大型数据集以构建方案目录。作为系统地选择此类应用程序的足够关键指标的先决条件，我们在自动驾驶的背景下广泛回顾了关键性指标，其属性及其应用的现状。基于这篇综述，我们提出了一个适合性分析，作为一种有条不紊的工具，可以由从业者使用。可以利用所提出的方法和最先进的审查状态选择涵盖应用程序要求的合理的测量工具，如分析的示例性执行所证明。最终，高效，有效且可靠的自动化车辆安全性能的测量是证明其可信赖性的关键要求。
脑网络传播动力学概率模型中的关键性：癫痫发作
癫痫发作在大脑网络中的扩散是癫痫患者的主要致残因素，通常会导致意识丧失。尽管在记录和建模大脑活动方面取得了进展，但揭示癫痫发作扩散动力学的性质仍然是理解和治疗药物难治性癫痫的重要挑战。为了应对这一挑战，我们引入了一种新的概率模型，该模型可以捕捉患者特定复杂网络中的扩散动力学。通过白质纤维束成像估计大脑区域之间的网络连接和交互时间延迟。该模型的计算可处理性使其能够对更详细的癫痫发作动力学模型发挥重要的补充作用。我们在患者特定的 Epileptor 网络背景下说明了模型拟合和预测性能。我们针对不同的患者特定网络推导出扩散大小（序参数）作为大脑兴奋性和全局连接强度的函数的相图。相图可以预测癫痫发作是否会根据兴奋性和连接强度扩散。此外，模型模拟可以预测癫痫发作在网络节点间传播的时间顺序。此外，我们表明，随着神经兴奋性和连接强度的变化，序参数可以表现出不连续和连续（临界）相变。平均场近似和有限尺寸缩放分析支持存在一个临界点，在该临界点处，响应函数和扩散大小的波动相对于控制参数表现出幂律发散。值得注意的是，临界点将两种不同的扩散动力学状态分开，其特征是单峰和双峰扩散大小分布。我们的研究为癫痫发作扩散动力学的相变和波动性质提供了新的见解。我们预计它将在开发用于预防药物抵抗性癫痫发作扩散的闭环刺激方法中发挥重要作用。我们的研究结果也可能引起流行病学、生物学、金融学和统计物理学中相关扩散动力学模型的兴趣。
基于模糊的故障模式、影响和关键性分析应用于网络电网
摘要：故障模式、影响和危害性分析 (FMECA) 是一种定性风险分析方法，广泛应用于各种工业和服务应用。尽管该方法广受欢迎，但多年来，文献中分析了该方法的几个缺点。获取故障模式风险水平的传统方法不考虑风险因素之间的任何相对重要性，并且可能不一定代表 FMECA 团队成员的真实风险感知，通常用自然语言表达。本文介绍了 I 型模糊推理系统 (FIS) 的应用，作为改进经典 FMECA 分析中故障模式风险水平计算的替代方案，以及它在网络电网中的应用。我们基于模糊的 FMECA 首先考虑由 FMECA 专家定义的一组模糊变量，以体现与人类语言相关的不确定性。其次，使用“七加或减二”标准来设置每个变量的模糊集数量，形成一个由 125 条模糊规则组成的规则库，以表示专家的风险感知。在电力系统框架中，新的基于模糊的 FMECA 用于网络电网系统的可靠性分析，评估其相对于传统 FMECA 的优势。本文提供了以下三个关键贡献：(1) 使用模糊集表示与 FMECA 专家相关的不确定性，(2) 通过
根据频谱、复杂性和临界性特征确定脑电图中的意识状态
本研究基于当代的提议，即不同的意识状态可以通过神经复杂性和临界动力学来量化。为了检验这一假设，研究旨在使用复杂性和临界性框架中的非线性技术以及功率谱密度来比较三种冥想条件的电生理相关性。30 名冥想熟练的参与者在一个会话中接受了 64 通道脑电图 (EEG) 测量，该会话包括无任务基线休息（闭眼和睁眼）、阅读条件和三种冥想条件（无思绪空虚、存在监测和集中注意力）。使用临界理论（去趋势波动分析、神经元雪崩分析）、复杂性度量（多尺度熵、Higuchi 分形维数）和功率谱密度的分析工具对数据进行了分析。对比了任务条件，并比较了效果大小。应用偏最小二乘回归和受试者操作特性分析来确定每个测量的判别准确度。与闭眼休息相比，冥想类别空虚和集中注意力显示出更高的熵值和分形维数。在所有冥想条件下，长程时间相关性均下降。集中注意力和阅读的临界指数值最低。伽马波段（0.83-0.98）、全局功率谱密度（0.78-0.96）和样本熵（0.86-0.90）的判别准确率最高。确定了不同冥想状态的电生理相关性，并确定了非线性复杂性、关键大脑动力学和光谱特征之间的关系。冥想状态可以用非线性测量来区分，并通过神经元复杂程度、长程时间相关性和神经元雪崩中的幂律分布来量化。
异常脑临界性是临床前阿尔茨海默病的神经基础
图 1| LRTC 将 NC、SCD 和 MCI 队列分离。a、左：每个队列代表性参与者的颞上皮质（红色区域）的 MEG 宽带时间序列（蓝色 = 神经典型对照 (NC)、绿色 = 主观认知衰退 (SCD) 和橙色 = 轻度认知障碍 (MCI)）。中间：窄带 (10.6 Hz) 区域时间序列及其振幅包络。右：相应的平均 DFA 指数）。b，平均 DFA 指数，在区域和队列内取平均值。阴影区域表示自举（n=10,000）95% 置信区间。红色菱形突出显示具有显着差异的频率（Kruskal-Wallis 检验，p<0.05，FDR 校正）。c，平均 DFA 指数在各队列之间的成对差异。红色菱形突出显示显着差异。 d，DFA 指数的密度图（左）在 alpha 内平均（7