XiaoMi-AI文件搜索系统
World File Search Systemfaults
计算量子电路量子脆弱性因子的系统方法
摘要 — 量子计算是近年来最有前途的技术进步之一。量子比特对噪声高度敏感，噪声会使输出变得毫无用处。最近有研究表明，超导量子比特极易受到外部故障源（如电离辐射）的影响。当超导量子比特大规模采用时，辐射引起的错误预计将成为量子比特可靠性的严峻挑战。我们提出了一种评估瞬态故障对超导芯片上量子电路执行的影响的方法。受广泛用于经典计算的架构和程序脆弱性因子的启发，我们提出了量子脆弱性因子 (QVF) 来衡量量子比特损坏对电路输出的影响。我们根据对真实机器和辐射实验的最新研究，对故障进行建模，并设计故障注入器。我们报告了在三种算法上发现的超过 388,000,000 次故障注入（考虑单故障和双故障），从而确定了最有可能影响输出的故障和量子比特。我们给出了如何在实际设备中映射量子比特以减少输出误差并降低辐射引起的损坏修改输出的概率的指南。最后，我们将模拟与物理量子计算机上的实验进行了比较。
编号JKSSB-COEOEXAM/UT/10/2023-04（7055504）
单元3：规划程序和固定装置 - 轮廓，等线计划，组织不均匀性，较大的野外匹配，固定装置，霉菌室程序。一般问题 - 碘和甲状腺 - 磷 - 示踪剂和治疗技术 - 使用中的预防措施和涉及的危害 - 紧急程序。使用设备和职责：治疗期间患者的一般福利，包括患者的护理，以防任何固有疾病（例如diabetes, TB, Arthritis)- Observation and reporting of any change in the signs and symptoms of patients receiving radiation treatment -observation of instruments and reporting of faults - care and use of accessory equipment - beam directing devices - lead rubber aprons - management of radiotherapy equipments - records supervision of patients work - administration - some legal points
电动机轴承故障检测的监督对比度学习 /作者=张，亨格鲁伊； Wang，Bingnan /CreationDate = 2024年9月4日 /受试者=电气系统，机器学习，多物理建模< /div < /div>
抽象的各种故障会导致电动机故障，从而导致停机时间和资产损失。故障检测技术在行业中非常需要预测和防止此类故障。机器学习的最新进展已启用数据驱动的模型，这些模型可以从电动机中监视的信号中识别故障。但是，这些信号可能很复杂，并且表明故障的特征是微妙的。因此，需要提取与信号故障相关的信息特征的有效方法。在本文中，我们探讨了对比度学习在检测相位电流信号的轴承断层中的使用。我们开发了一个模型架构，该模型结构由两个部分，一个特征提取器和一个分类器组成，其中特征提取器使用监督的对比度学习进行了预训练。在Pader-Born University轴承故障数据集上进行了测试，我们的模型达到了87％的高故障分类精度，这表现优于常规机器学习模型。我们还进行了消融测试，以证明该模型中基于对比的学习培训的重要性。通过研究模型的分类结果和提取的特征，我们进一步探讨了对比度学习在提取区分不同类别的特征中的效果。我们预计对比度学习可以奠定更准确的故障检测模型的基础，并将其扩展到其他实际的故障检测任务。
业务流程逻辑 - Darpa
目标：从 BL 中提取可计算表示并描述已识别的故障和漏洞 挑战：• 分析大型系统中的子系统行为 • 从人可读的文档和人为输入的代码中捕获企业流程流 • 从模糊的 BL 表示中提取逻辑 • 表示系统之系统 (SoS) 之间的流程 • 识别 BL 故障的不良后果
业务流程逻辑 - Darpa
目标：从 BL 中提取可计算表示并描述已识别的故障和漏洞 挑战：• 分析大型系统中的子系统行为 • 从人可读的文档和人为输入的代码中捕获企业流程流 • 从模糊的 BL 表示中提取逻辑 • 表示系统之系统 (SoS) 之间的流程 • 识别 BL 故障的不良后果
纳米电子电路中基于学习的基于学习的故障检测
在纳米电子的快速前进的领域中的摘要，确保电路的鲁棒性对于可靠的性能至关重要。这项研究解决了使用深度学习技术在纳米电子电路中有效检测有效故障检测的关键需求。引言概述了纳米电子电路的增加的复杂性以及对断层易感性的相应上升，这强调了高级故障检测机制的必要性。手头的问题涉及在高度紧凑和复杂的纳米电子电路中识别断层的固有挑战，在这些断层中，传统的故障检测方法通常不足。突出了研究差距，强调缺乏根据纳米电子的特定挑战量身定制的可靠故障检测解决方案。为了弥合这一差距，我们的方法利用了深度学习的力量，采用神经网络来学习复杂的模式，指示纳米电子电路中的故障。该方法涉及开发一个综合数据集，该数据集可捕获各种故障场景，从而确保模型对现实情况的适应性。使用此数据集对神经网络进行了训练，从而可以辨别出信号潜在故障的微妙变化。结果介绍了提出的基于深度学习的故障检测系统的功效，与传统方法相比，准确性有显着提高。该系统不仅以高精度识别已知的故障，而且还具有出色的检测新故障的能力，展示了其对纳米电子电路体系结构不断发展的适应性。关键字：纳米电子，故障检测，深度学习，神经网络，鲁棒性
识别 GPU 微架构漏洞的有效方法
摘要 — 图形处理单元 (GPU) 越来越多地被应用于可靠性至关重要的多个领域，例如自动驾驶汽车和自主系统。不幸的是，GPU 设备已被证明具有很高的错误率，而实时安全关键应用程序所施加的限制使得传统的（且昂贵的）基于复制的强化解决方案不足。这项工作提出了一种有效的方法来识别 GPU 模块中的架构易受攻击的位置，即如果损坏则最影响正确指令执行的位置。我们首先通过基于寄存器传输级 (RTL) 故障注入实验的创新方法来识别 GPU 模型的架构漏洞。然后，我们通过对已确定为关键的触发器应用选择性强化来减轻故障影响。我们评估了三种强化策略：三重模块冗余 (TMR)、针对 SET 的三重模块冗余 (∆ TMR) 和双联锁存储单元（骰子触发器）。在考虑功能单元、流水线寄存器和 Warp 调度器控制器的公开 GPU 模型 (FlexGripPlus) 上收集的结果表明，我们的方法可以容忍流水线寄存器中 85% 到 99% 的故障、功能单元中 50% 到 100% 的故障以及 Warp 调度器中高达 10% 的故障，同时降低硬件开销（与传统 TMR 相比，在 58% 到 94% 的范围内）。最后，我们调整了该方法以针对永久性故障执行补充评估，并确定了容易在 GPU 上传播故障影响的关键位置。我们发现，对瞬态故障至关重要的触发器中相当一部分（65% 到 98%）对永久性故障也至关重要。
释放引擎数据的全部力量 - WinGD
WiDE 在线应用程序从船上安装的 WiDE 接收数据，并提供特定船舶和船队发动机状态的清晰视图，进一步支持船上船员。用户还可以查看详细的船舶和发动机数据，包括发动机转速和性能、子系统状态和已识别的发动机故障。该应用程序还可以可视化在可选时间段内识别的发动机故障。它适用于计算机、平板电脑和智能手机。
容错计算：基本概念
最低级别，故障与技术有关。金属或多晶硅信号线中的短路或开路等物理缺陷会改变电压、开关时间和其他属性。3 外部干扰也在这个级别起作用，影响信号线、电荷存储和其他属性。在逻辑级别，数字系统由门和存储元件建模，所有信号都表示为二进制值。低级容错策略旨在检测或屏蔽产生错误逻辑值的故障。由于其简单性，“卡住”模型是最广泛使用的逻辑故障模型，假设故障在信号线上表现为固定的逻辑值。更复杂的模型是“桥接”故障，其中信号线之间的耦合导致一条线的逻辑值影响另一条线的值。其他复杂故障会改变门的基本逻辑功能，这在可编程逻辑阵列中经常发生，其中 AND/OR 阵列中连接的存在或不存在会导致在功能中添加或删除蕴涵项。在更高的抽象级别（寄存器、算术逻辑单元、处理器等）故障通常表现为模块行为的变化，由其真值表或状态表表示。在此级别，故障建模通常更抽象，以方便在行为级别进行模拟；因此，通常会牺牲准确性。