XiaoMi-AI文件搜索系统
World File Search System区域时间
高性能 - ntt-hardware-accelerator-to-support- ...
大型多项式乘法对于基于模块的键盘封装机制（ML-KEM）和基于模块的数字签名（ML-DSA）（ML-DSA）等量子后加密标准标准至关重要。这些复杂的这些乘法通常使用数字理论变换（NTT）加速。这项工作介绍了一种新型的架构，具有高性能NTT加速器，能够使用一组硬件资源来执行NTT和逆NTT操作。设计利用单个蝴蝶配置单元来减少资源需求并改善关键路径。采用多路径延迟分组（MDC）策略来实现多个系数的完全管道和并行处理，从而支持ML-KEM和ML-DSA计算。实际结果表明，我们提出的NTT发动机需要3,821个LUTS，2970 FFS，20 DSP和5 BRAM，在AMD Zynq Ultrascale+ FPGA上需要322 MHz。我们的设计在当前的NTT体系结构中提供了最佳的区域时间产品（ATP）。
FPGA平台的Hex Itoh-Tsujii反转算法
摘要ITOH-TSUJII反转算法在发现诸如椭圆曲线密码学等密码应用中的倒数方面构成了主要贡献。在本文中，提出了一种新的HEX ITOH-TSUJII反转算法来计算由NIST推荐的不可舒服的三通式产生的二进制的二进制式栅极阵列（FPGA）平台上的多重逆逆向算法。基于十六进制算法的六角itoh tsujii反转算法是由十六进制电路和四链链构建的。此组合改善了资源利用率。实验结果表明，与现有实施相比，所提出的工作具有更好的区域时间性能。关键词：现场可编程栅极阵列（FPGA），ITOH-TSUJII反转算法（ITA），查找表（LUT），有限字段（FF）分类：集成电路
加速量子后的RISC-V
摘要 - 在这项工作中，我们提出了超大等级密钥封装（Sike）机制的快速且富有效率的软件硬件实现。我们的软件硬件设计既可以实现软件的灵活性，又可以实现强烈计算硬件计算的有效性能。尤其是，我们的实施利用了以Xilinx FPGA为目标的新的且高度优化的硬件模块，用于添加，乘法和硬件软件控制。与一个小的RISC-V处理器结合，我们可以支持所有四个Sike参数集。在Virtex-7 FPGA上，此实现占3,492片，78个DSP和29 BRAMS，以对Sikep434，Sikep503，Sikep610，Sikep610和Sikep751在14.5、19.2、29.8、29.8和42.7 ms上进行封装和分解。尽管支持了所有四个参数集，但该设计具有文献中所有同级加速器的最佳区域时间产品。
状态相关神经对 fMRI 连接估计的影响
功能性磁共振成像 (fMRI) 信号的时空结构为了解人类大脑功能和功能障碍的网络基础提供了宝贵的窗口。尽管一些跨区域时间相关性模式（功能连接 (FC)）在个体和物种之间表现出高度的稳定性，但人们越来越认识到 FC 的测量值可以在一系列时间尺度上表现出显着变化。此外，FC 可以与实验任务需求和与唤醒、意识和感知、认知和情感状态以及大脑与身体相互作用相关的持续神经过程共同变化。越来越多的人认识到这些相互关联的神经过程会调节 FC 测量，这为使用 FC 研究大脑功能带来了挑战和新机遇。在这里，我们回顾了影响 fMRI FC 的神经效应量化的最新进展，并讨论了这些发现在 fMRI 研究的设计和分析中的广泛影响。我们还讨论了如何更全面地了解影响 FC 测量的神经因素，以解决文献中明显的不一致之处，并从 fMRI 研究中得出更易于解释的结论。
利用脑电图推断进行脑指纹识别
越来越多的研究表明，功能连接组具有个体特异性，因此可以视为大脑指纹；即能够在健康 [1] 和疾病 [2], [3] 的人群中识别个体。传统的方法是将大脑区域视为顶点，将区域对之间的区域时间过程的统计依赖性成对度量（即皮尔逊相关系数）视为边权重，从而构建功能连接组 (FC)。人们已经使用不同的神经成像方式研究了 FC 的指纹潜力，即脑电图 (EEG) [4], [5]、脑磁图 (MEG) [6], [7] 和功能性磁共振成像 (fMRI) [1], [8]。所有这些研究都有助于从大脑连接数据中实现单受试者水平的推断，即通过利用不同认知任务和静息状态下功能网络组织的个体属性 [9], [10]，或通过将个体连接组特征与行为和人口统计分数联系起来 [1], [6], [7], [9]。然而，传统的功能连接组不仅捕捉到了神经活动之间的统计依赖性，也捕捉到了潜在噪声源的统计依赖性。此外，功能连接组的构造仅提供大脑动态的成对表示，例如通过将大脑视为二元组的组合。由于其简单性，这一假设是有益的，但它限制了对人类大脑网络中个体特征的研究。因此，已经提出了基于主成分重建 [9] 或特征空间嵌入 [10] 的功能连接组去噪补救措施，每种方法都需要从潜在空间中学习基于空间的功能连接组。
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）
利用脑电图推断进行脑指纹识别
越来越多的研究表明，功能连接组具有个体特异性，因此可以视为大脑指纹；即能够在健康 [1] 和疾病 [2], [3] 的人群中识别个体。传统的方法是将大脑区域视为顶点，将区域对之间的区域时间过程的统计依赖性成对度量（即皮尔逊相关系数）视为边权重，从而构建功能连接组 (FC)。人们已经使用不同的神经成像方式研究了 FC 的指纹潜力，即脑电图 (EEG) [4], [5]、脑磁图 (MEG) [6], [7] 和功能性磁共振成像 (fMRI) [1], [8]。所有这些研究都有助于从大脑连接数据中实现单受试者水平的推断，即通过利用不同认知任务和静息状态下功能网络组织的个体属性 [9], [10]，或通过将个体连接组特征与行为和人口统计分数联系起来 [1], [6], [7], [9]。然而，传统的功能连接组不仅捕捉到了神经活动之间的统计依赖性，也捕捉到了潜在噪声源的统计依赖性。此外，功能连接组的构造仅提供大脑动态的成对表示，例如通过将大脑视为二元组的组合。由于其简单性，这一假设是有益的，但它限制了对人类大脑网络中个体特征的研究。因此，已经提出了基于主成分重建 [9] 或特征空间嵌入 [10] 的功能连接组去噪补救措施，每种方法都需要从潜在空间中学习基于空间的功能连接组。
深度神经网络雕刻大脑关节
摘要 个体独特的大脑连接如何决定其认知、行为和患病风险是基础和临床神经科学的一个基本问题。在寻求答案的过程中，许多人转向机器学习，一些人注意到深度神经网络在建模复杂非线性函数方面具有特殊前景。然而，目前尚不清楚大脑连接和行为之间是否存在复杂的功能，因此深度神经网络是否必然优于更简单的线性模型，或者它们的结果是否可以解释。我们在这里表明，在 52 个受试者的认知和行为测量中，深度神经网络对每个大脑区域连接的拟合优于线性回归，特别是对于大脑的连接枢纽——具有不同大脑连接的区域——而这两种方法在适应大脑系统时表现相似。至关重要的是，对大脑区域进行平均深度神经网络预测会产生最准确的预测，这表明深度神经网络能够轻松模拟区域大脑连接和行为之间存在的各种功能，在大脑的关节处雕刻大脑。最后，我们使用多切片网络模型揭示了深度神经网络的黑匣子。我们确定，模块化深度神经网络最能捕捉到连接枢纽与行为之间的关系。我们的结果表明，大脑连接与行为之间存在简单和复杂的关系，深度神经网络可以同时适应这两种关系。此外，当深度神经网络首先独立适应系统的各种功能，然后进行组合时，它们特别强大。最后，当使用多切片网络模型对深度神经网络的架构进行结构表征时，深度神经网络是可解释的。主要人类认知神经科学试图解释个人大脑的功能如何决定他们的行为。人类大脑的功能连接通常通过区域时间序列之间的成对皮尔逊相关系数来衡量，这为大脑的网络功能提供了巨大的洞察力 1–19 。神经科学家、临床医生和机器学习专家都希望利用这些连接的个体差异来预测精神疾病的认知、行为和症状 20–32 。然而，究竟哪种预测算法最有效尚不得而知。虽然深度神经网络在其他领域表现出显著的预测能力 33 ，但目前尚不清楚它们在人类大脑连接中的应用是否必要或有见地 34 。此外，目前还不清楚定义大脑连接与给定结果之间关系的数学函数是否足够复杂，以至于需要深度神经网络而不是更简单的线性模型 34,35 。此外，即使深度神经网络能够提供准确的预测，其可解释性也受到了质疑20,36–38。