XiaoMi-AI文件搜索系统
World File Search System事件驱动
SamurAI：具有事件驱动唤醒和嵌入式 ML 加速功能的多功能物联网节点
摘要 — 现在，物联网应用需要增强识别和自适应等功能。虽然物联网节点功耗是这些应用的主要关注点，但由于通过无线网络连续传输传感器或图像数据，基于云的处理变得难以为继。因此，应在物联网节点中集成优化的 ML 功能和数据传输。此外，物联网应用在零星数据记录和耗能数据处理（例如图像分类）之间左右为难。因此，节点的多功能性是解决这种多样化能源和处理需求的关键。本文介绍了 SamurAI，这是一种多功能物联网节点，它通过利用两个片上子系统来弥补处理和能源方面的差距：低功耗、无时钟、事件驱动的始终响应 (AR) 部分和节能的按需 (OD) 部分。 AR 包含一个 1.7MOPS 事件驱动的异步唤醒控制器 (WuC)，唤醒时间为 207ns，针对零星计算进行了优化，而 OD 结合了深度睡眠 RISC-V CPU 和 1.3TOPS/W 机器学习 (ML)，可执行高达 36GOPS 的更复杂任务。这种架构分区实现了同类最佳的多功能性指标，例如峰值性能与空闲功率比。在应用分类场景中，它展示了系统功率增益，与基于云的处理相比高达 3.5 倍，从而延长了电池寿命。
智能相互作用的由生物启发的事件驱动的机械发光传感器
事件驱动的传感器对于实时应用至关重要，但是当前技术的集成面临着诸如高成本，复杂信号处理和噪声脆弱性之类的限制。这项工作引入了一个由生物启发的机械发光视觉传感器，该传感器使标准基于框架的摄像头能够通过仅在机械应力下发射光执行事件驱动的传感，从而充当事件触发器。从犬齿的生物力学中汲取灵感，传感器利用杆状图案阵列来增强机械发光信号灵敏度并扩大接触表面积。此外，设计支持机器学习的算法旨在实时准确分析相互作用触发的机械发光信号。传感器被整合到四倍的机器人的口腔界面中，显示出增强的交互式功能。该系统成功地分类了八个互动活动，平均精度为92.68％。综合测试验证了传感器在捕获动态触觉信号并扩大与环境相互作用时机器人的应用范围时的效率。
事件驱动的自适应光学神经网络
我们基于大规模事件驱动的体系结构提供了一个自适应光学神经网络。除了更改突触权重（突触可塑性）外，光学神经网络的结构还可以重新配置，以实现各种功能（结构可塑性）。关键构建块是带有嵌入式相位变化材料的可构造的植人神经元，可实现非线性激活功能和非挥发性记忆。使用多模焦点，激活函数具有兴奋性和抑制性响应，并显示了3.2分贝的可逆切换对比度。我们训练神经网络，通过进化算法区分英语和德语文本样本。我们在训练过程中研究了突触和结构可塑性。基于这个概念，我们实现了一个大规模网络，该网络由736个子网组成，每个网络都有16个相变材料神经元。总体而言，8398个神经元是函数的，突出了光子体系结构的可扩展性。
e b o k架构事件驱动的api-first平台，以构建所有内容，即服务
当我们用这些知识构建应用程序时，我们倾向于不将此原则扩展到新产品或服务中。这意味着当我们构建产品或服务时，我们从低级基础架构组件开始，并添加应用程序以支持所需的功能。这种方法的问题是，我们最终在整个组织中重复了工作，这会影响到上市的成本和时间，并增加了额外的操作开销，以支持多个团队的相同功能。
神经形态人工智能在事件驱动分布式数字化系统中的集成：概念和研究方向
信息物理系统和工业物联网的复杂性和数据生成率不断提高，要求在资源受限的互联网边缘相应地提高人工智能能力。与此同时，数字计算和深度学习的资源需求呈指数级增长，这是不可持续的。弥补这一差距的一种可能方法是采用资源高效的大脑启发式“神经形态”处理和传感设备，这些设备使用事件驱动、异步、动态神经突触元素和共置内存进行分布式处理和机器学习。然而，由于神经形态系统与传统的冯·诺依曼计算机和时钟驱动的传感器系统有着根本的不同，大规模采用和将神经形态设备集成到现有的分布式数字计算基础设施中面临着一些挑战。在这里，我们描述了神经形态计算的当前形势，重点关注带来集成挑战的特征。基于此分析，我们提出了一个基于微服务的神经形态系统集成概念框架，该框架由一个神经形态系统代理组成，它将提供分布式系统所需的虚拟化和通信功能，并结合一种提供工程流程抽象的声明式编程方法。我们还提出了可以作为实现该框架基础的概念，并确定了实现神经形态设备大规模系统集成所需的进一步研究方向。
面向事件驱动的工程方法...
传统上，业务流程管理系统 (BPMS) 根据源自流程引擎本身或连接的客户端应用程序的事件来执行和监控业务流程实例。然而，最近，物联网的成功应用（如智能城市、智能物流和预测性维护）应运而生，其中包括并通过全球定位系统 (GPS) 或射频识别 (RFID) 提供传感器跟踪对象，测量温度、能耗或其他类型的数据。因此，在传统 BPMS 的设计中，可以获得流程执行环境的信息，但通常不考虑这些信息 [1]。此类外部应用程序提供了控制和评估业务流程执行的新可能性，但它们需要与 BPMS 集成的新概念。复杂事件处理 (CEP) 通常被认为是应对这一挑战的合适技术 [2]，尤其是在物流领域 [3]。
神经发动机：基于硬件的事件驱动模拟...
大脑启发的计算旨在了解大脑的机制，并重现其计算能力，以推动计算机科学领域的各个领域。深度学习是一个成功的例子，可以通过利用简化的人工神经网络（ANN）来大大改善模式识别和分类的领域。为了进一步利用大脑的计算能力，因此取得了更大的进步，各种研究都取决于尖峰神经网络（SNN），这些神经网络（SNN）紧密地模仿了大脑的计算[2，10，12，14]。snns通过采用神经元模型来实现大脑样的计算，这些神经元模型在传入的尖峰和时间方面改变了内部状态。特别是，各种研究表明了神经元模型的丰富时间动力学，其内部状态逐渐变化为显着的计算性状[8，11]。因此，新兴研究积极投资基于此类复杂模型的SNN的潜在收益。例如，史密斯（Smith）的研究提出了一种基于复杂神经元模型的新组合范式[12，13]。同时，Ponulak等。重现大脑的导航功能[9]，其他作品采用SNN进行特征推断[16]或满意度问题[4]。为了部署新兴的SNN工作负载，研究人员依赖SNN模拟系统模拟复杂的神经动力学。不幸的是，现有的SNN模拟系统遭受了高计算开销的困扰，因此，设计一个能够快速且能富有能力的SNN模拟的系统，高度要求。