XiaoMi-AI文件搜索系统
World File Search System八卦
EAGP：无线传感器网络的能源感知八卦协议
摘要。在无线传感器网络（WSN）中，通常由具有资源限制的节点组成，利用效率的流程对于增强网络寿命以及因此，在超密集和异质环境中的可持续性（例如智能城市）至关重要。特别是平衡在这种动态环境中有效传输数据所需的能量，这对降低数据冗余性的交易构成了重大挑战，这是降低数据冗余性的交易，同时实现可接受的交付率是一个基本的研究主题。通过这种方式，这项工作提出了一种新的能源感知的流行病协议，该协议使用网络能量的当前状态来通过自我调整每个节点转发行为自我调整为渴望或懒惰的局部残留电池来创建动态分布拓扑。模拟的评估证明了其在能耗，输送率和计算负担下的效率与经典八卦协议以及定向协议相比。
八卦炉：针对大脑规模 - ACM 数字图书馆
摘要 大规模预训练人工智能模型在一系列重要应用中展现出了极高的准确率。为了实现更高的准确率，预训练人工智能模型的规模每年都在大幅增长，而训练此类模型需要海量的计算和内存能力，这加速了人工智能与高性能计算的融合。然而，在高性能计算系统上部署人工智能应用仍存在不足，需要基于特定硬件特性进行应用和系统协同设计。为此，本文提出了八卦炉1号，这是第一个在百亿亿次超级计算机——新一代神威超级计算机上训练脑规模模型的工作。通过结合针对硬件的节点内优化和混合并行策略，八卦炉在前所未有的大型模型上实现了良好的性能和可扩展性。评估显示，八卦炉可以使用混合精度训练14.5万亿参数模型，性能超过1 EFLOPS，并且有能力训练174万亿参数模型，其数量堪比人脑的突触数量。