XiaoMi-AI文件搜索系统
World File Search Systemparallel
2025年2月22日纸介绍（平行会议）
Faizal Hajamohideen， *Amal Mohammad Abdullah Al Maqbali，Rayyan Abdullah说，Al Handasi，Mahzabee Noorul Hasan Shams Al Dhuha，Mubassareen Noorulhasane Noorulhasan Shams Shams Shams Shams Shams Shams Al Dhuha会议4：可持续教育和人类资本开发和人类资本开发日期：22年2月4日至2月1日：222年2月1日：222年2月1日：222年2月1日。主席：英国英国安格利亚·鲁斯金大学（Anglia Ruskin University）的Kahtan Aziz教授主管工作人员：迪拜科廷大学Nidhi Sehgal博士
Colossal-AI：用于大规模并行训练的统一深度学习系统
Transformer 模型的成功将深度学习模型规模推向了数十亿参数，但单 GPU 的内存限制导致在多 GPU 集群上进行训练的需求迫切。然而，选择最优并行策略的最佳实践仍然缺乏，因为它需要深度学习和并行计算领域的专业知识。Colossal-AI 系统通过引入统一接口将模型训练的顺序代码扩展到分布式环境，解决了上述挑战。它支持数据、管道、张量和序列并行等并行训练方法，并集成了异构训练和零冗余优化器。与基线系统相比，Colossal-AI 在大规模模型上可以实现高达 2.76 倍的训练加速。
具有并行输出的 10 位模数转换器 数据表 (Rev. G)
电源电压，V DD1 、V DD2 和 V DD3 （见注 1） 6.5 V . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .输出电压范围，VO −0.3 V 至 V DD + 0.3 V . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 峰值输入电流（任何数字输入） ± 10 mA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .峰值总输入电流（所有输入）± 30 mA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 工作自然通风温度范围，TA：TLC1550I，TLC1551I −40 ° C 至 85 ° C . . . . . . . . . . . . . . . . . . . . TLC1550M −55 ° C 至 125 ° C . . . . . . . . . . . . . . . . . . . 存储温度范围，T stg −65 ° C 至 150 ° C . . . . . . . . . . . . . . . . . . . . . 10 秒外壳温度：FK 或 FN 封装 260 ° C . . . . . . . . . . . . . . . ..................................................................................................................................... 距外壳 1.6 毫米（1/16 英寸）处的引线温度持续 10 秒：J 或 NW 封装 260 °C ....................................................................................................................................
具有并行输出的 10 位模拟数字转换器数据表 (Rev. G)
电源电压，V DD1 、V DD2 和 V DD3 （见注释 1）6.5 V 。........................................输入电压范围，V I (任何输入) −0.3 V 至 V DD + 0.3 V ..。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。输出电压范围，V O −0.3 V 至 V DD + 0.3 V。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。峰值输入电流（任何数字输入）± 10 mA 。......................。。。。。。。。。。。。。.....................峰值总输入电流（所有输入）± 30 mA .....。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。....工作自然通风温度范围，T A ：TLC1550I、TLC1551I −40 ° C 至 85 ° C ......................TLC1550M −55 ° C 至 125 ° C ................................存储温度范围，T stg −65 ° C 至 150 ° C .....。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。........10 秒外壳温度：FK 或 FN 封装 260 °C .............。。。。。。。。。。。。。。。。。。。。。。。。..距外壳 1.6 毫米（1/16 英寸）处的引线温度持续 10 秒：J 或 NW 封装 260 ° C ..........
FPGA上的快速傅立叶变换的平行管道硬件加速度
快速傅立叶变换（FFT）广泛用于数字信号处理应用中，尤其是用于使用CNN实时对象检测的卷积操作。本文提出了用于在FPGA上实现的Radix-2 FFT计算的有效的硬件档案，采用了蝴蝶单元的多个平行和管道阶段。所提出的架构利用块RAM存储输入和Twiddle因子值来计算转换。在Zync Ultrascale FPGA上合成了所提出的体系结构的硬件，并使用诸如关键路径延迟，吞吐量，设备利用率和功耗等参数评估其性能。发现在FFTOPS中测量的8点FFT所提出的平行管道结构的性能比非二叠体的AR插条高67％。性能比较与最新的并行管道管道方法证实了所提出的FFT体系结构达到的加速度。在论文中还介绍了拟议的硬件与与Vivado Design套件捆绑在一起的FFT IP核心的合成版本的全面比较。
大规模并行报告分析中基于序列的条形码偏差校正
大规模并行报告基因检测 (MPRA) 是一种高通量方法，用于评估数千个候选顺式调控元件 (CRE) 的体外活性。在这些检测中，候选序列被克隆到由独特 DNA 序列标记的报告基因的上游或下游。然而，标签序列本身可能会影响报告基因的表达，并导致测量的顺式调控活性出现重大潜在偏差。在这里，我们提出了一种基于序列的方法来校正标签序列特异性效应，并表明我们的方法可以显著减少这种变异源并提高 MPRA 对功能性调控变体的识别。我们还表明我们的模型可以捕获与 mRNA 转录后调控相关的序列特征。因此，这种新方法不仅有助于提高 MPRA 实验中对调控信号的检测，而且还有助于设计更好的 MPRA 协议。
使用碱基编辑器筛选对人类变异进行大规模并行评估
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± VRPHWLPHV FDOOHG PXOWLSOH[HG DVVD\V RI YDULDQW HIIHFWV RU 0$9(V 6WDULWD HW DO :HLOH HW DO RIIHU GLI ± QWHQWHVHVHVHV V 2QH JHQHUDO FDWHJRU\ RI 0$9(V DUH DVVD\V LQ ZKLFK D SUHGHILQHG VHW RI YDULDQWV
鉴定具有大量平行筛选的高效和组织特异性启动子
迷你启动子在体外比CAG强。（a）使用基于流式细胞术的体外测定法对有希望的迷你启动候选者的活性进行了验证。启动子候选物被克隆在双重孢子质粒中的McLover3上游，该质粒还包含TDTOMATO（RFP）表达盒，该盒被用作内部转染对照。启动子活性被量化为单个活的TDTOMATO+细胞中McLover3和TDTomato的中位荧光强度的比率。（b）使用双报告基因测定法分析，启动子在小鼠N2a和人HuH7细胞中的相对表达。（c）NGS表达（条形码）和独立测定表达（蛋白质荧光）的强相关性表现出对高通量筛选和生物信息学命中选择的预测能力的高信心。
Colossal-AI：用于大规模并行训练的统一深度学习系统
Transformer 模型的成功将深度学习模型规模推向了数十亿参数，但单 GPU 的内存限制导致在多 GPU 集群上进行训练的需求迫切。然而，选择最优并行策略的最佳实践仍然缺乏，因为它需要深度学习和并行计算领域的专业知识。Colossal-AI 系统通过引入统一接口将模型训练的顺序代码扩展到分布式环境，解决了上述挑战。它支持数据、管道、张量和序列并行等并行训练方法，并集成了异构训练和零冗余优化器。与基线系统相比，Colossal-AI 在大规模模型上可以实现高达 2.76 倍的训练加速。