XiaoMi-AI文件搜索系统
World File Search Systemlutions
迈向自动动力电池检测：新挑战基准数据集和基线
我们对一项名为动力电池检测（PBD）的新任务进行了全面的研究，该任务旨在从 X 射线图像中定位密集的阴极和阳极板端点，以评估动力电池的质量。现有制造商通常依靠人眼观察来完成 PBD，这使得很难平衡检测的准确性和效率。为了解决这个问题并让更多人关注这个有意义的任务，我们首先精心收集了一个称为 X 射线 PBD 的数据集，该数据集包含从 5 家制造商的数千个动力电池中选择的 1,500 张不同的 X 射线图像，具有 7 种不同的视觉干扰。然后，我们提出了一种基于分割的新型 PBD 解决方案，称为多维协作网络（MDCNet）。借助线和计数预测器，可以在语义和细节方面改进点分割分支的表示。此外，我们设计了一种有效的距离自适应掩模生成策略，可以缓解由板分布密度不一致引起的视觉挑战，从而为 MDCNet 提供稳定的监督。无需任何花哨的修饰，我们基于分割的 MDCNet 始终优于其他各种角点检测、人群计数和基于一般/微小物体检测的解决方案，使其成为有助于促进 PBD 未来研究的强大基础。最后，我们分享了一些潜在的困难和未来研究的工作。源代码和数据集将在 X-ray PBD 上公开提供。
![arXiv:2206.08510v1 [quant-ph] 2022 年 6 月 17 日](/simg/5\562f87528da80a2fd3948c5090e3e5f5ccc323aa.webp)
arXiv:2206.08510v1 [quant-ph] 2022 年 6 月 17 日
量子计算现已成为现实，构建各种即将出现的应用模块具有巨大的重要性。其中一种应用是多体理论领域，该领域存在着大量的计算挑战。量子化学 [1–3] 和多个物理学领域 [4–6] 在这方面取得了长足的进步。在核物理学中，类似的尝试最近也获得了发展势头 [7–19]。本研究旨在增强这方面的努力，通过利用通过量子模拟获得的波函数，为在量子计算机上计算算子期望值提供解决方案。在本文中，我们主要提出了两种计算非幺正算子期望值的方法。首先，我们通过以第二种量化形式表示算子，将非幺正算子分解为幺正算子。这些幺正算子的线性组合 (LCU) 的期望值可以在量子计算机上轻松计算，使用 Hadamard 检验法，就像 VQE 算法中使用的一样。其次，我们实现了 LCU 方法 [20, 21] 来计算波函数上的非幺正运算。该技术已被提出用于在量子计算机上为核系统准备激发态。[12]。在这里，我们将其扩展为计算非幺正算子的期望值。SWAP 检验法和破坏性 SWAP 检验法 [22] 用于计算结果状态与原始状态的重叠
弹性的图书馆新闻通讯是您的大脑健康！
梅根·麦金太尔（Meghan McIntyre） - 2024年3月19日，弗吉尼亚州联邦大学领导的项目编目痴呆症病例和其他全州的其他神经退行性疾病有望将其编纂为法律，待定州长格伦·杨金（Glenn Youngkin）的签名，通过今年大会通过的法案。由现为VCU教授安妮·罗德斯（Annie Rhodes）博士于2021年创立，弗吉尼亚记忆项目是大学与弗吉尼亚州卫生部之间的合作伙伴关系，以更好地支持弗吉尼亚州居民的大脑健康。Rhodes表示，它通过将疾病病例分类以及居民的护理人员数量分类为基于Web的注册表而起作用；它是该国的四个全州痴呆症登记处之一，由疾病控制中心支持。的意图是使用收集数据来帮助决策者和公共卫生工作者确定疾病最普遍的地方，确定在哪里分配疾病，并决定如何制定可持续的弗吉尼亚人，以使弗吉尼亚人的记忆损失及其护理人员及其护理人员。Del。Betsy Carr（D-Richmond）将在州法规中正式建立该项目。VCU高级公共关系专家奥利维亚·特拉尼（Olivia Trani）表示，如果该法案已签署为法律，这将是全州范围内对大脑健康和护理的重要性的认可，并且需要更多的支持来解决该问题。第4页
用于可持续 AI 数据中心的神经形态硬件
摘要 — 随着人类向更高水平的人工智能迈进，总是以不断增加的计算资源消耗为代价，这需要开发新颖的解决方案来满足人工智能计算需求的指数级增长。神经形态硬件从大脑处理信息的方式中汲取灵感，并有望实现人工智能工作负载的节能计算。尽管神经形态硬件具有巨大潜力，但它尚未进入商业人工智能数据中心。在本文中，我们尝试分析其根本原因，并得出促进神经形态系统实现高效和可持续云计算的要求和指南：我们首先回顾当前可用的神经形态硬件系统，并收集神经形态解决方案优于 CPU 和 GPU 上的传统人工智能处理的示例。接下来，我们确定通常部署在人工智能数据中心的应用程序、模型和算法，作为神经形态算法研究的进一步方向。最后，我们得出神经形态系统与数据中心的硬件和软件集成的要求和最佳实践。通过这篇文章，我们希望提高人们对将神经形态硬件集成到数据中心所面临的挑战的认识，并指导社区实现大规模可持续、节能的人工智能。索引术语——神经形态硬件、云计算、人工智能、数据中心、可持续计算
CMOS 868/915 MHz 直接转换 ZigBee 单芯片...
大多数无线局域网标准（如 IEEE 802.11 a/b/g [1–3]）都不符合低成本设计目标，因为这些标准对误码率 (BER)、范围和数据速率都有很高的要求。为了满足低成本要求，需要制定一个性能约束较低的标准，以满足工业和商业、家庭自动化、个人电脑 (PC) 外围设备、消费电子产品、个人保健以及玩具和游戏等成本敏感型应用的需求。为此，IEEE 最近批准了 802.15.4 标准，可在 868/915 MHz 和 2.4 GHz 下运行 [4]。本文介绍了 868/915 MHz ZigBee 收发器的自上而下系统设计和仿真，并推导出一组符合 IEEE 802.15.4 物理 (PHY) 层标准要求的系统级无线电规范。系统级无线电规范包括系统噪声系数、灵敏度、本振相位噪声、信道整形和选择滤波器的阶数、互调特性、模数转换器和数模转换器 (ADC/DAC) 的位分辨率、信道抑制性能和频谱整形。本文还讨论了采用 0.18 µ m 互补金属氧化物半导体 (CMOS) 技术实现单芯片低功耗低成本 ZigBee 收发器的电路拓扑。
e-simft：生成模型与帕累托 - 前设计探索的模拟反馈的对齐
深层生成模型最近显示了解决复杂工程设计问题的成功，其中模型预测了解决指定为输入的设计要求的解决方案。ever，在对这些模型进行有效设计探索的对齐方面仍然存在挑战。对于许多设计问题，找到满足所有要求的解决方案是不可行的。在这种情况下，启动者更喜欢在这些要求方面获得一组最佳的帕累托最佳选择，但是生成模型的单程抽样可能不会产生有用的帕累托前沿。为了解决这一差距，我们将使用模拟微调生成模型来实现帕累托 - 前设计探索的新框架。首先，该框架采用了针对大型语言模型（LLM）开发的偏好一致性方法，并展示了用于微调工程设计生成模型时的第一个应用。这里的重要区别在于，我们使用模拟器代替人类来提供准确，可扩展的反馈。接下来，我们提出了Epsilon-Smplamping，灵感来自具有经典优化算法的帕托前期生成的Epsilon-约束方法，以使用精细的模型来构建高质量的Pareto前沿。我们的框架（称为e-Simft）被证明比现有的多目标比对方法产生更好的帕累托前沿。
针对大规模 Ising 问题的混合门和退火量子计算
量子计算应用的主要问题之一是解决实际问题所需的量子比特数量远远大于当今的量子硬件的数量。在本文中，我们引入了大系统采样近似 (LSSA) 算法，通过 N gb 量子比特基于门的量子计算机解决规模高达 N gb 2 N gb 的 Ising 问题，通过 N an 量子比特量子退火器和 N gb 量子比特基于门的量子计算机的混合计算架构解决规模高达 N an 2 N gb 的问题。通过将全系统问题划分为更小的子系统问题，LSSA 算法然后使用基于门的量子计算机或量子退火器解决子系统问题，并通过基于门的量子计算机上的变分量子特征求解器 (VQE) 优化不同子系统解与全问题哈密顿量的振幅贡献，以确定近似的基态配置。 LSSA 具有多项式时间复杂度，可以进一步扩展到更深层次的近似，计算开销随问题规模线性增长。在模拟器和真实硬件上研究了不同子系统规模、子系统数量和完整问题规模对 LSSA 性能的影响。混合门和退火量子计算架构的全新计算概念为研究大规模 Ising 问题和组合优化问题提供了广阔的可能性，使量子计算在不久的将来成为可能。
DRACeo：一种在基于微服务的网络中部署节能方法的智能模拟器
摘要 — 如今，许多研究人员致力于寻找基于微服务的应用程序部署和调度解决方案，以节省能源而不降低功能 QoS。在这项工作中，我们提出了 DRACeo：一个模拟器，可以以简单有效的方式应对这一挑战，使其用户能够专注于微服务部署/调度算法及其硬件/软件影响（负载与能耗），而无需担心低级网络配置或操作系统问题。DRACeo 能够在具有软件和硬件异构性（CPU、带宽、RAM、电池等）的各种设备上部署和调度（移动、复制、启动/停止）微服务及其依赖关系，同时考虑各种调度启发式算法：集中式与非集中式。为此，DRACeo 允许部署基于客户端-服务器方案或 p2p 分布的自定义网络拓扑，其中设备可以（消失）出现、打开/关闭，遵循随机情况或用户策略。最后，模拟器执行相关操作，如 QoS 定义、资源监控、节省能源计算和消耗跟踪（在设备和网络级别）。我们根据之前的工作“Kaligreen”测试了一些想法，以证明 DRACeo 的有效性。索引术语 — 微服务、中间件、能源、消耗、CPU、网络、硬盘、原型、模拟器
每日摘要
室内行动例行程序，第1445页– S1464的措施：介绍了十二张账单和三个重构，如下：S。812–823，S.J。res。29–30和S. con。res。8。第S1459–60的措施报告：S。331，以修改《管制物质法》有关芬太尼相关物质的调整，并修改了替代品的性质。第S1459措施考虑：对体育运动中对妇女和女孩的保护：恢复对第9期的动议的考虑，以规定为确定符合1972年教育第IX标题在田径运动中的遵守情况，应仅根据人的竞技教育修正案的依从性，仅基于人的养生生物学和遗传学。第S1446–56在今天考虑这项措施中，参议院也采取了以下诉讼：在51 es YES到45次的情况下（投票号100），那些参议员的五分之三被选出，宣誓就没有肯定，参议院拒绝了关于该动议的进一步辩论的动议，以审议该法案。第1455-56页的陪同委员会 - 签署：一致同意协议，要求参议院的主持人被授权授权参议院委员会与众议院的众议院同类委员会加入美国众议院总统的同类委员会，以陪同美国的众议院召开众议院，以在周二上午9点在周二举行。
临床干预措施比定义通过扩张和疏散定义出血的定量测量更准确
早期周期的电池寿命预测对于研究人员和制造商检查产品质量并促进技术开发至关重要。机器学习已被广泛用于构建数据驱动的SO，以进行高准确性预测。但是，电池的内部机制对许多因素敏感，例如充电/放电协议，制造/存储条件和使用模式。这些因素将引起状态转变，从而降低数据驱动方法的预测准确性。转移学习是一种有前途的技术，它通过共同利用来自各种来源的信息来克服这种困难并实现准确的预测。因此，我们开发了两种转移学习方法：贝叶斯模型融合和加权正交匹配的追求，从策略性地将先验知识与目标数据集的有限信息相结合，以实现出色的预测性能。从我们的结果中，我们的转移学习方法通过适应目标域而将根平方的错误减少了41％。此外，转移学习策略确定了不同电池组上有影响力的特征的变化，因此从数据挖掘的角度删除了电池降解机制和状态过渡的根本原因。这些发现表明，我们工作中提出的转移学习策略能够获取跨多个数据源来解决专业问题的知识。