XiaoMi-AI文件搜索系统
World File Search System信号分离
ALR-69A 雷达预警接收机 (RWR)
执行摘要 • 空军作战测试与评估中心 (AFOTEC) 于 2012 年 5 月 18 日至 7 月 16 日完成了 IOT&E。飞行测试在内华达州 Fallon Range 训练中心和佛罗里达州 Eglin 空军基地的多光谱测试与训练环境中进行，总威胁暴露时间为 12 小时。该系统在 IOT&E 期间总共记录了 204 小时的运行时间。 • DOT&E 评估该系统在操作上不有效但操作上适用。该系统在操作上无效，因为它无法持续及时准确地向机组人员提供威胁信息，并且系统表现出随机威胁符号分裂缺陷。当系统接收到一个威胁信号并在驾驶舱显示器上以不同的方位角产生多个威胁符号时，就会发生威胁符号分裂。这会降低机组人员对显示的威胁是“真实”的以及这些真实威胁位于何处的态势感知能力，并抑制机组人员及时对威胁做出适当反应的能力。 DOT&E 评估的详细信息在 DOT&E 2012 年 10 月的机密 IOT&E 报告中介绍。• 尽管空军系统计划办公室 (SPO) 和雷神公司进行了硬件在环 (HWIL) 测试以证明威胁信号分离缺陷已得到解决，但 DOT&E 并不认为 HWIL 测试本身足以验证缺陷已得到解决，并且软件更新不会引起任何其他不利的系统性能。
ALR-69A 雷达预警接收器 (RWR)
执行摘要 • 空军作战测试与评估中心 (AFOTEC) 于 2012 年 5 月 18 日至 7 月 16 日完成了 IOT&E。飞行测试在内华达州法伦靶场训练中心和佛罗里达州埃格林空军基地的多光谱测试与训练环境中进行，总威胁暴露时间为 12 小时。该系统在 IOT&E 期间总共记录了 204 小时的运行时间。• DOT&E 评估该系统在操作上不有效，但在操作上适用。该系统在操作上无效，因为它不能持续向机组人员提供及时准确的威胁信息，并且系统表现出随机威胁符号分裂缺陷。当系统接收到一个威胁信号在驾驶舱显示屏上以不同的方位角产生多个威胁符号时，就会发生威胁符号分裂。这降低了机组人员对所显示威胁的“真实”程度以及这些真实威胁所在位置的态势感知能力，并抑制了机组人员及时对威胁做出适当反应的能力。DOT&E 评估的详细信息在 DOT&E 的机密 IOT&E 报告中提供，该报告于 2012 年 10 月发布。• 尽管空军系统计划办公室 (SPO) 和雷神公司进行了硬件在环 (HWIL) 测试以证明威胁信号分离缺陷已得到解决，但 DOT&E 认为 HWIL 测试本身不足以验证缺陷已得到解决，并且软件更新不会导致任何其他不良系统性能。
背面功率和时钟布线协同优化的设计方法
背面电源传输网络 我们的 BS-PDN 结构如图 1 所示，其中 PDN 利用了几乎 100% 的 BSM 资源，将电源布线资源与正面的信号分离。A. 背面 DC-DC 转换器：片上 DC-DC 单元转换器 (UC) 提供高效转换和块级电压调节 [3]。封装寄生效应会导致不必要的 IR 压降/反弹，影响正面 (FS) 和 BS-PDN。相反，片上 UC 可以减轻封装和键合带来的压降；然而，它们的大尺寸使它们不适合 FS 集成。相比之下，背面提供了足够的空间，可以实现密集的 UC 集成而不会造成布线拥塞。B. BS-UC 的集成：我们的 4:1 背面 UC（BS-UC）将 3.3V 降至 0.7V 的片上电源电压。为了分离两个电压域，添加了两个额外的背面金属层 MB3 和 MB4（见表 I）。MB3 专用于 BS-UC 布线；MB4 用于为 BS-UC 提供 3.3V VDD 和 0V VSS 输入。图 2 显示了我们的 BS-UC 堆叠。我们的电压域去耦确保 MB4 和 MB2 层之间没有连接，从而保留了 BS-PDN 配置。对于 BS-UC 放置，我们应用了交错策略以实现紧凑性。BS-UC PDN 金属层击穿和 BS-UC 放置如图 3 所示。C. BS-UC 的好处：BS-UC 降低了最坏情况下的动态 IR 降和逐层最小电压降（见图 4）。最后，去耦策略可以实现更高的 C4/微凸块密度，而不会产生显著的电源焊盘面积开销。
基于脑启发前向的图神经网络...
工业中的过程控制（Huang et al., 2023; Liu et al., 2023; Zhang R. et al., 2023）。受益于信号处理和深度学习（DL）的进步，BCI 的一个突出子集是脑电图 (EEG)（Gao and Mao, 2021; Zhao et al., 2022; Li H. et al., 2023）。EEG 技术主要用于识别和分类运动想象 (MI) 信号，这对中风患者等行动障碍者来说是一种重要的辅助手段。EEG 的高精度、实时响应和成本效益使其有别于其他神经成像技术，如脑磁图和功能性磁共振成像（Huang et al., 2021; Mirchi et al., 2022; Tong et al., 2023）。传统的 MI-EEG 分类算法采用空间解码技术，利用从头皮记录的多通道 EEG 数据来识别运动意图 (Xu et al., 2021)。为了对来自多通道 MI-EEG 的信号进行分类，已经提出了各种方法，有效地捕捉它们的时间、频谱和空间特征 (Tang et al., 2019; Wang and Cerf, 2022; Hamada et al., 2023; Li Y. et al., 2023)。鉴于 EEG 信号的节律性和非线性特性，已经提出了几种利用小波调制和模糊熵的特征提取技术。 Grosse（Grosse-Wentrup and Buss，2008）介绍了一种结合公共空间模式 (CSP) 进行空间滤波和降低维数的方法，并辅以滤波器组技术将空间细化信号划分为多个频率子带。同样，Malan 和 Sharma（2022）开发了一个基于双树复小波变换的滤波器组，将 EEG 信号分离为子带。将 EEG 信号分割成这些子带后，通过 CSP 从每个子带得出空间特征，随后采用监督学习框架进行细化。Fei 和 Chu（2022）提出了一种利用相空间和小波变换的多层孪生支持向量机。尽管这些方法具有潜力，但它们忽略了电极之间的拓扑关系，因此需要进一步优化以提高 MI 分类准确性。认识到神经科学对脑网络动力学和神经信号传播机制的日益重视，图卷积网络 (GCN) 已被引入用于解码 EEG 信号（Wang 等人，2021；Du G. 等人，2022；Gao 等人，2022）。然后 Kipf 和 Welling（2016）将图论和深度学习结合起来以捕捉节点之间的关系。巧合的是，Hinton（2022）提出的神经传递领域的一个突破性概念前向-前向 (FF) 机制正在引起人们的关注。该机制提供了一种有效的方法来处理神经网络中的序列数据，而无需存储神经活动或暂停以进行错误传播。我们的研究旨在将 FF 机制与 GCN 相结合，用于基于 EEG 的 BCI，从而在运动意象分类方面取得重大进展。在研究中，我们提出了一种创新的 F-FGCN 框架用于 MI 分类。我们研究的突出贡献如下：
脑启发计算 脑启发计算
背景：类脑计算将传统计算技术与受人脑启发的计算和认知思想、原理和模型相结合，以构建智能信息系统，用于我们的日常生活。图像和语音处理、盲信号分离、创造性规划和设计、决策、自适应控制、知识获取和数据库挖掘只是类脑计算应用的一些领域。我们对大脑功能了解得越多，信息系统就越智能。本书还介绍了心智和意识建模的一个主题，以及人工智能领域的其他新理论模型和应用。人脑是一种非常节能的装置。从计算角度来说，它仅需 20 瓦的功率就能每秒执行相当于十亿亿亿亿次浮点运算（1 后面跟着 18 个零）的数学运算。相比之下，世界上最强大的超级计算机之一“橡树岭前沿” (Oak Ridge Frontier) 最近演示了百亿亿次计算能力。然而，要实现这一壮举需要数百万倍的功率，即 20 兆瓦。我和我的同事希望通过大脑来指导开发强大而节能的计算机电路设计。你看，能源效率已经成为阻碍我们制造更强大的计算机芯片的一个主要因素。虽然更小的电子元件已成倍地提高了我们设备的计算能力，但进展却正在放缓。有趣的是，我们对大脑如何运作的看法一直是计算机世界的灵感源泉。为了理解我们是如何得出这种方法的，我们需要简单回顾一下计算的历史。人脑是宇宙中最复杂的物体之一。它能够在不断变化的环境中执行高级认知任务，例如抽象、概括、预测、决策、识别和导航。大脑这种较高的认知能力得益于它的功耗非常低，只有20W。大脑能效高的原因主要有两点：一是信息交换和处理是事件驱动的；因此，尖峰能量仅在需要的时间和地点被消耗。其次，神经元和突触位于同一个神经网络中，高度互联，每个神经元平均与104个其他神经元相连。神经元/突触共位意味着数据处理（由突触兴奋和神经元放电组成）和记忆（由突触权重和神经元阈值组成）在大脑内共享同一位置。许多研究工作旨在模仿人类大脑的计算类型，以实现非凡的能源效率。这是神经形态工程的目标，其中，脉冲神经网络（SNN）是利用人工神经元和突触开发出来的。 SNN 通常采用与 Rosenblatt 和 Minsky 开创的传统感知器网络相同的全连接 (FC) 架构。然而，在 SNN 中，神经元和突触通常表现出对施加的尖峰的时间依赖性响应，例如神经元内的整合和发射以及跨突触的兴奋性突触后电流 (EPSC)。这与用于计算机视觉和语音识别的人工智能 (AI) 加速器中的传统人工神经网络 (ANN) 形成对比，其中信息是同步的并且基于信号幅度而不是时间。大多数 SNN 通常依赖于互补金属氧化物半导体 (CMOS) 技术，具有两个显著的关键优势：首先，CMOS 技术在半导体行业生态系统中广泛可用，包括设计、制造和鉴定，为基于 CMOS 的神经形态工程成为成熟主题创造了条件。其次，CMOS晶体管可以按照摩尔定律小型化，其中减小