XiaoMi-AI文件搜索系统
World File Search System乘法
KEM Saber 紧凑型协处理器：新型可扩展矩阵源处理
摘要 — 量子计算领域的最新进展引发了新一轮的密码系统创新，因为现有的公钥密码系统被证明容易受到成熟量子计算机发起的攻击。随着这一创新，已经提出了几种可能的后量子密码 (PQC) 候选密码算法，其中基于格的密钥封装机制 (KEM) Saber 是有前途的密码系统之一。注意到该领域的最新趋势更多地转向了 PQC 算法的有效实现，在本文中，我们建议在现场可编程门阵列 (FPGA) 平台上为 KEM Saber 提供一种新型紧凑型协处理器。具体而言，所提出的策略旨在获得一种适用于不同安全级别的 Saber 的通用方法，具有灵活的处理方式但复杂度较低。总的来说，我们进行了四层重大创新以完成所提出的工作：（i）我们以通用格式制定并推导了上述 KEM Saber 主要计算密集型操作（即多项式乘法）的可扩展矩阵起源处理 (SMOP) 策略；（ii）然后，我们介绍了基于 SMOP 策略的多项式乘法算法的细节，包括相对于 Saber PQC 方案的算法运算和结构 / 实现创新；（iii）我们还遵循了现有的协处理器设计流程
screenai：一个用于UI和信息图表的视觉模型
屏幕用户界面（UIS）和信息图表，分享类似的视觉语言和设计原则，在人类通信和人机互动中起重要作用。我们介绍了Screenai，这是一个专门研究UI和信息图表理解的视觉语言模型。我们的模型通过Pix2-Struct的浮雕修补策略改进了Pali体系结构，并通过数据集的独特混合物进行了培训。该混合物的核心是一项新颖的屏幕注释任务，模型必须在其中识别UI元素的类型和位置。我们使用这些文本注释将抄写屏幕屏幕截止到大型语言模型，并通过大规模生成问题索问题（QA），UI导航和摘要培训数据集。我们进行消融研究，以证明这些设计选择的影响。在仅5b个选项中，Screenai在基于UI的和信息图表的任务（乘法DOCVQA，WebSRC和Motif）以及与Simi-lar尺寸的模型相比，在其他基于UI-和信息图表的任务（乘法DOCVQA，WebSRC和Motif）方面取得了新的最先进的结果。最后，我们发布了三个新数据集：一个专注于屏幕注释任务，而两个专注于问题回答的others。
简单二元假设检验的样本复杂性
简单二元假设检验的样本复杂性是I.I.D的最小数量。在任何一个中都需要区分两个分布p和q所需的样本：（i）先前的设置，最多α误差为type-i误差，最多是II型误差；或（ii）贝叶斯设置，最多有贝叶斯误差δ和先前的分布（α，1 -α）。仅在α=β（无之前）或α= 1/2（贝叶斯）（贝叶斯）进行研究，并且已知样品复杂性的特征是p和q之间的hellinger差异，直至乘法常数。在本文中，我们得出一个表征样品复杂性（直至独立于P，Q和所有误差参数的乘法常数）的公式，用于以下方面： （ii）贝叶斯环境中的所有δ≤α/ 4。尤其是，该公式从詹森 - 香农和赫林格家族的某些差异方面接受了同等的表达。主要的技术结果涉及詹森 - 香农和赫林格家族成员之间的F差异不平等，这通过信息理论工具和逐案分析的结合证明了这一点。我们探讨了结果对鲁棒和分布式（本地私有和沟通受限的）假设检验的应用。
PACE：RISC-V SoC 中适用于边缘计算应用的可扩展且节能的 CGRA
简介 ƒ 粗粒度可重构阵列 (CGRA) 可提供高能效，同时保持可编程性优势。 ƒ CGRA 是高效处理循环内核的理想选择，它允许它从 CPU 卸载重复循环函数，例如向量乘法或散列算法。 ƒ 它依靠编译器将给定的工作负载转换为数据流图 (DFG)，然后以实现最高能效的方式将其映射到硬件上。
人工神经网络：简要研究
树突：输入（如图 1 所示）。这是神经元的示意图，它基本上展示了生物神经元如何从其他来源接收输入，组合该输入，然后执行一般操作。这类似于人类大脑如何从经验和例子中学习。树突会从其他神经元接收信号，将它们传输到细胞体，细胞体会执行一些功能；这个功能可能是求和或乘法。在执行完一组输入后，它会被传输到下一个。我们的目标是建立一个网络来做到这一点。一个典型的大脑中可以找到一个由 100 亿个神经元组成的网络。轴突：输出，突触：链接，细胞体：处理器，树突：输入（如图 1 所示）。这是神经元的示意图，它基本上展示了生物神经元 [4] 如何从其他来源接收输入，组合该输入，然后执行一般操作。这类似于人类大脑如何从经验和例子中学习。树突状神经元会接收来自其他神经元的信号，将其传输到细胞体，细胞体会执行一些功能；这些功能可能是求和或乘法。在执行完一组输入后，它会被传输到下一个。我们的目标是建立一个网络来做到这一点。我们对开发人工神经网络 (ANN) 感兴趣，主要有两个原因：
带射频的卷积神经网络，带有射频旋转纳米驱动器
摘要卷积神经网络（Lecun and Bengio 1998脑理论与神经网络手册255-58； Lecun，Bengio和Hinton 2015 Nature 521 436-44）在现代信号处理和机器视觉中是最先进的，无处不在。如今，基于新兴纳米版的硬件解决方案旨在减少这些网络的功耗。 这是通过使用实现卷积滤波器并顺序乘以输入的连续子集的设备，或者通过使用不同的一组设备来并行执行不同的乘法，以避免将中间计算步骤存储在内存中。 SpinTronics设备由于提供了各种神经和突触功能，因此可以进行信息处理。 然而，由于其低/偏高/比率，在单个步骤中使用横杆式旋转记忆阵列进行卷积所需的所有乘法将导致偷偷摸摸的路径电流。 在这里，我们提出了一个建筑，其中突触通信基于共振效果。 这些突触通信具有频率选择性，可防止由偷偷摸摸电流引起的串扰。 我们首先演示了一系列自旋谐振器如何通过依次校正编码连续输入集的射频信号来充当突触并进行卷积。 我们表明，具有多个自旋谐振器的多个链可以实现并行实现。 我们为这些链条提出了两种不同的空间布置。如今，基于新兴纳米版的硬件解决方案旨在减少这些网络的功耗。这是通过使用实现卷积滤波器并顺序乘以输入的连续子集的设备，或者通过使用不同的一组设备来并行执行不同的乘法，以避免将中间计算步骤存储在内存中。SpinTronics设备由于提供了各种神经和突触功能，因此可以进行信息处理。然而，由于其低/偏高/比率，在单个步骤中使用横杆式旋转记忆阵列进行卷积所需的所有乘法将导致偷偷摸摸的路径电流。在这里，我们提出了一个建筑，其中突触通信基于共振效果。这些突触通信具有频率选择性，可防止由偷偷摸摸电流引起的串扰。我们首先演示了一系列自旋谐振器如何通过依次校正编码连续输入集的射频信号来充当突触并进行卷积。我们表明，具有多个自旋谐振器的多个链可以实现并行实现。我们为这些链条提出了两种不同的空间布置。对于每个人，我们解释了如何同时调整许多人工突触，从而利用了突触重量共享特定的卷积。我们通过使用自旋振荡器作为人工微波神经元来展示如何通过使用自旋振荡器在卷积层之间传输信息。最后，我们模拟了这些射频谐振器和自旋振荡器的网络，以求解MNIST手写数字数据集，并获得与软件卷积神经网络相当的结果。由于它可以与纳米设备的单一步骤完全平行运行卷积神经网络，因此本文提出的架构对于需要机器视觉的嵌入式应用程序（例如自主驾驶）很有希望。
基础课程 2025-2025 网上课程 1 月 -26 日.cdr
科学：细胞、植物体、花、食物成分、生态系统、食物链、食物网、生物世界的多样性、感觉、消化、能量来源、力和运动、磁铁、测量和运动、月亮和星星、我们周围的材料、将材料分类、分离方法、水的状态、物理和化学变化、数学：角度、平均值、分数、体积、小数形式、小数运算、数学模式、线和角度、数据处理、周长和面积、素数、可除性测试、乘法方法、因式分解。
HPMA-NTRU：NTRU
摘要 - 在大规模量子计算机的快速发展中，Quantum加密术（PQC）最近引起了研究社区的显着关注，因为这证明现有的公共键密码系统很容易受到量子攻击的影响。同时，PQC领域的最新趋势已逐渐切换到硬件加速方面。遵循这一趋势，这项工作介绍了NTRU（HPMA-NTRU）的高性能多项式乘法硬件加速器的新颖实现，这是不同的参数设置，这是基于晶格的PQC算法之一，该算法当前是由国家标准和技术（NIST和技术）PQC标准化过程所考虑的。总共我们进行了三层努力来获得拟议的工作。首先，我们提出了一种新的学科算法策略，以得出NTRU的所需多项式乘法算法。然后，我们已经映射了算法以构建高性能多项式硬件加速器，并通过正确调整将此硬件加速器扩展到不同的参数设置。最后，通过一系列基于基于的复杂性分析和基于实现的比较，我们表明，所提出的硬件加速器获得的区域时间复杂性比最先进的一个更好。这项工作的结果很重要，并且会影响正在进行的NIST PQC标准化过程，并可以进一步部署以构建有效的NTRU隐秘处理器。索引术语 - 高性能，NTRU，多项式乘以硬件加速器，Quantum加密后（PQC）