XiaoMi-AI文件搜索系统
World File Search System储存器
能源 - ENEA-IRIS 开放档案
摘要：本文对 CSP 塔式系统与光伏太阳能场的集成进行了建模和讨论，并共享一个热能储存器。塔式系统采用新设计的固体颗粒流化床接收器，并集成一个热储存器，热颗粒直接被收集以存储日常能量，以供夜间发电。光伏太阳能场旨在满足日常能源需求；当光伏能源生产过剩时，电能也会转化为热能并积聚在热储存器中。本文对这两个能源系统的集成进行了建模，为集成工厂的所有子组件（定日镜场、接收器、储存器、电源块、光伏场）构建了效率函数。在西班牙和澳大利亚两个不同地区进行了年度模拟，结果表明，峰值功率为 10 MW e CSP + 15 MW e PV 的系统在有限的削减量下，可以提供超过 60%（分别为 62% 和 68%）的实际电力负荷，峰值需求约为 10 MW，相比之下，采用具有相同总峰值功率的纯 PV 系统可获得相同负荷的 45/47%。在集成系统中，PV 直接提供 40/41% 的负荷，其余 23/28% 由电力区块生产（主要由 CSP 供电）。
多任务记忆电容网络 - PDXScholar
摘要 — 最近的研究表明，记忆电容设备网络为储存器计算系统提供了低功耗的理想计算平台。随机、交叉或小世界幂律 (SWPL) 结构是储存器基底计算单个任务的常见拓扑结构。然而，神经学研究表明，与不同功能相关的皮层大脑区域互连形成富俱乐部结构。这种结构允许人类大脑同时执行多项活动。到目前为止，记忆电容储存器只能执行单一任务。在这里，我们首次提出了集群网络作为记忆电容储存器同时执行多项任务。我们的结果表明，在三个任务上，集群网络分别比交叉和 SWPL 网络高出 4.1 × 、5.2 × 和 1.7 × 倍：孤立口语数字、MNIST 和 CIFAR-10。与我们之前和已发表结果中的单任务网络相比，多任务集群网络可以实现类似的准确率，分别为 MNIST、孤立口语数字和 CIFAR-10 的 86%、94.4% 和 27.9%。我们的扩展模拟表明，输入信号幅度和集群间连接都会影响集群网络的准确性。选择信号幅度和集群间链接的最佳值是获得高分类准确率和低功耗的关键。我们的结果说明了记忆电容式大脑启发集群网络的前景及其同时解决多项任务的能力。这种新颖的计算架构有可能使边缘应用程序更高效，并允许无法重新配置的系统解决多项任务。
用于水库计算的多个读数的集成学习
储存器计算 (RC) [1, 2] 是一种循环神经网络，近年来因其训练成本低、可通过专用电路 [3, 4] 和物理 RC [5, 6] 在硬件上实现而备受关注。RC 由储存器部分和读出部分组成，储存器部分接收时间序列输入并将其非线性转换为高维空间以表示输入的时空模式，读出部分从储存器部分拾取一些模式来分析输入并生成输出。RC 的主要优势是除读出部分之外的权重连接都是固定的。因此，与深度神经网络相比，其训练所需的数据量更少，计算成本更低。因此，RC 适用于计算资源有限且无需云计算即可执行训练的边缘 AI 系统。 RC 的读出大多由线性模型（单层感知器）实现，因此，读出的适应训练数据的能力有限。为了增强 RC 的训练能力，我们提出了一个具有多个读出的 RC 模型，该模型将一个读出的训练分散，以便每个读出可以专注于特定类型的训练数据。该方法可以看作是一种集成学习，用于增强 RC 泛化性能。简单地增加读出的数量对于边缘 AI 系统来说是低效的，因为它会消耗系统中有限的内存资源。本研究引入了一种自组织函数，它能够使用
忆阻器、忆电容及其在神经形态计算中的应用
我们打算证明，我们可以构建专用硬件，使用忆阻器和忆电容将神经网络直接映射到该硬件上，从而提高网络的能源效率。我们将使用以集成电路为重点的模拟程序 (SPICE) 来模拟我们的忆电容和忆阻器。使用此模型，我们将创建一个忆阻和忆电容元件的储存器，并在一系列忆电容与忆阻器比率中评估我们的设计，同时测试储存器结构，包括小世界、交叉开关、随机、分层和幂律实现。我们假设我们的设计将大大提高神经网络的能源效率和性能。
引用：Zhou CD、Huang Y、Yang YG 等。具有增强存储能力的精简光子储存器计算机。Opto-Electron Adv 8，240135
光子平台正逐渐成为满足日益增长的人工智能需求的一种有希望的选择，其中光子时间延迟储存器计算（TDRC）被广泛期待。虽然这种计算范式只能采用单个光子器件作为数据处理的非线性节点，但其性能高度依赖于延迟反馈回路（FL）提供的衰减记忆，这限制了物理实现的可扩展性，特别是对于高度集成的芯片。在这里，我们提出了一种简化的光子方案，利用设计的准卷积编码（QC）实现更灵活的参数配置，从而完全摆脱了对FL的依赖。与基于延迟的TDRC不同，基于QC的RC（QRC）中的编码数据支持时间特征提取，从而有助于增强记忆能力。因此，我们提出的QRC无需实现FL即可处理与时间相关的任务或序列数据。此外，我们可以使用低功率、易于集成的垂直腔面发射激光器来实现该硬件，以实现高性能并行处理。我们通过 QRC 和 TDRC 的模拟和实验比较来说明概念验证，其中结构更简单的 QRC 在各种基准测试任务中表现更佳。我们的结果可能为深度神经网络的硬件实现提供了一个有利的解决方案。
Skyrmion人工智能元素
图 3 skyrmion 物理储层元件的波形识别。（a）输入信号的波形。输入信号是正弦波（红色）和方波（蓝色）的随机组合。 （b）经 skyrmion 物理储存器元件转换的输入信号波形。 （c）最终输出（灰色）和正确值（红色和蓝色）。最终的输出是经过一定权重的skyrmion物理储存器转换的信号之和。权重经过优化（训练），如果输入信号是正弦波，则输出为 1，如果输入信号是方波，则输出为 -1。将数据分为前半部分和后半部分，前半部分数据用于优化。可以看出，即使是后面这个没有用于训练的数据（测试），也能得到正确的输出。
数字硬件的高效储层计算
摘要 — 我们提出了一种回声状态网络 (ESN) 的近似方法，该方法可以基于超维计算数学在数字硬件上有效实现。所提出的整数 ESN (intESN) 的储存器是一个仅包含 n 位整数的向量（其中 n < 8 通常足以获得令人满意的性能）。循环矩阵乘法被高效的循环移位运算取代。所提出的 intESN 方法已通过储存器计算中的典型任务进行验证：记忆输入序列、对时间序列进行分类以及学习动态过程。这种架构可显著提高内存占用和计算效率，同时将性能损失降至最低。在现场可编程门阵列上的实验证实，所提出的 intESN 方法比传统 ESN 更节能。
MIL-STD-1760 Type 2 (MIL-DTL-83538) - Mouser Electronics
1760 2 型与 1 型不同，它专为轨道发射应用而设计。2 型盲装装置包括发射器插座、缓冲器、导弹插座和保护盖，设计用于快速连接访问受限的储存器。
卡诺电池集成到小型核电站的方案
摘要。本文提出了一种核电站与电网规模储能相结合的方案，称为卡诺电池。当电网中有多余电力时，电加热器会加热熔盐。小型模块化核反应堆产生的蒸汽在外部过热器中用热熔盐加热。为了确保持续过热，该工厂配备了熔盐热能储存器。联合工厂和参考核电站在稳态条件下进行建模和模拟。由于涡轮机入口温度较高，联合发电-储能核电站的效率大大提高。所提出的概念使核电站和卡诺电池的共置比单独的工厂更具吸引力。集成热储存器充当二次电力储存。因此，它超越了压缩空气储存，并且在没有地理和环境限制的情况下与抽水蓄能具有竞争力。
![arXiv:2411.06907v1 [quant-ph] 2024 年 11 月 11 日](/simg/g:\will\search\icon\source\3\38bb5a0c4c8a0919571f43acc36d55d621e871c2.webp)
arXiv:2411.06907v1 [quant-ph] 2024 年 11 月 11 日
提出了一种适用于分布式量子机器学习和展示记忆的光子平台新方法。这种基于测量的量子储存器计算利用连续变量簇状态作为主要量子资源。簇状态是几种光子量子技术的关键，可实现通用量子计算以及量子通信协议。所提出的基于测量的量子储存器计算基于簇状态和局部操作的神经网络，其中输入数据通过测量进行编码，这要归功于量子隐形传态。在这种设计中，测量可以实现输入注入、信息处理和时间序列处理的连续监控。通过执行一组基准测试任务来测试该架构的强大功能和多功能性，结果表明该协议显示内部记忆，适用于静态和时间信息处理，无需修改硬件。这种设计为分布式机器学习开辟了道路。