XiaoMi-AI文件搜索系统
World File Search System台上
数字劳动平台上的算法管理和工会
燃料电池是未来的技术，是通过化学反应和H 2 O作为废物释放热量的氢和氧来创建电能的设备。由于没有燃烧而产生的电力，因此污染较少。化学反应发生在聚合物电解质膜（PEM）燃料电池中的部分由膜组成。在这项研究中，研究了燃料电池的不同大小（5-25-50 cm 2）的燃料消耗，并通过实验确定影响性能的因素。首先，安装了PEM燃料电池，并根据已建立的电池的特征将适当量的氢（H 2）和氧（O 2）发送到燃料电池。在研究期间，确定了不同尺寸的燃料电池的性能。根据燃料电池中的C-H比值确定燃料电池的行为，并根据产生的电流发现功率值。根据燃料电池的大小评估了燃料电池的性能，并计算了其产生的电能量。在这种情况下，确定表面积为5 cm 2的燃料电池分别是C60H60中最有效的，C60H46中的25 cm 2和C60H46中的50 cm 2分别为50 cm 2。
宽带2×2硅氮化物平台上的多模式接口
基于自我成像效应[1]，多模式干涉仪（MMI）可以用作光束拆分器，这是光子积分电路的基本构建块。MMI与Y分支和方向耦合器相比，由于其定义明确的振幅，相位和出色的公差[2，3]，提供了卓越的性能。因此，MMI在Mach-Zehnder干涉仪（MZIS）[4]，分裂和组合器[5，6]，极化束分裂器[7]中找到应用。与MMIS尺寸降低或性能提高有关的研究已发表[8-11]。最近，在SOI上使用MMI设备的次波光栅在内的设计表现出了巨大的承诺[12，13]。次波长光栅（SWGS）是光栅结构，它利用小于波长的光向音高[14]，抑制衍射效应并表现出各向异性特征[12]。通过工程化各向异性折射率，SWG已在许多应用中使用，例如纤维芯片表面和边缘耦合器[15-17]，微功能波导[18]，镜片[19]，波导cross [20]，多路复用器[17，21，22]，相位移动器[23]和Optical Shifters [23]和Optical Sheifters [23] [23] [24] [24] [24] [24]。使用这种元物质，SWG MMI设备的带宽已在SOI平台上显着扩展[12，13]，这使包括波长二线二线器[25]，宽带偏振器梁拆分器[26] [26]和双模式束分配器有益于广泛的应用[27]。砖SWG结构以减轻制造分辨率的要求[28，29]。在SOI平台旁边，其他CMOS兼容材料，例如氮化硅，氮化铝和硝酸锂引起了很多关注。氮化硅（Si 3 N 4）由于其超低损失[30]，非线性特征[31]，从400 nm到中红外[32]脱颖而出[31]。像SOI平台一样，人们对在硅硅平台内实现高性能MMI设备也非常感兴趣。在本文中，我们将SWG MMI理论从SOI平台扩展到其他集成的光子平台，专门针对300 nm厚的氮化硅平台。我们的目标是设计和优化具有较小脚印和宽操作的SWG MMI设备
社交媒体平台上的社交比较
摘要。许多现有的社会比较研究重点是心理组成部分，但是用户生活经验的现实是，大多数用户将多个平台纳入他们的沟通实践中，以便访问他们希望影响的人和网络。本文通过媒体和传播研究的角度进行了研究，研究了社交媒体平台上社会比较的现象。特别强调的是算法策划的作用以及社交媒体影响者作为成功和愿望的现代基准的出现。本文努力综合了解技术提供的动态，社会文化催化剂和数字社会比较领域的心理影响。最后，本文反映了驾驶这一复杂地形的潜在策略，旨在在数字参与和心理健康之间取得平衡。总体目的是促进一个数字环境，在启用连接和表达的同时，还确保了用户的心理健康。
集成光子学平台上的量子计算和机器学习
技术的快速发展催生了两个有可能显著重塑计算格局的领域：量子计算和机器学习。量子计算 (QC) 是一种计算范式，它利用量子力学原理比传统计算机更高效地执行复杂计算，特别是对于特定问题领域 [1]。过去十年来，量子计算引起了广泛关注，因为它在使用各种模型解决计算复杂问题时可能具有量子优势，包括囚禁离子系统 [2,3] 和超导系统 [4,5] 上的量子比特模型、基于测量的量子计算 [6,7] 和光子平台上的高斯玻色子采样 (GBS) [8]。研究人员已经发现了几种优于传统算法的量子算法，包括用于整数分解的 Shor 算法 [9] 和用于非结构化搜索的 Grover 算法 [10]。通过利用多个光子的量子特性，例如量子叠加、干涉和纠缠，一些量子算法已被提出，为减少机器学习[11,12]、化学[13,14]和其他领域[15]中问题的计算时间提供了潜力。与此同时，机器学习（ML）已成为一种人工智能，可以处理大量数据并从这些数据中学习模式。这种方法能够在无需明确编程的情况下更准确地预测结果。该技术被用于广泛的应用，包括推荐系统、图像识别和自动驾驶汽车[16,17]。
在 Xilinx Zynq FPGA 平台上使用 YOLOv5 深度学习算法进行对象检测的硬件加速
Taoufik Saidani 沙特阿拉伯北部边境大学计算机与信息技术学院计算机科学系 | 突尼斯莫纳斯提尔大学理学院电子与微电子实验室 (E μ E) taoufik.saidan@nbu.edu.sa（通讯作者）Refka Ghodhbani 沙特阿拉伯北部边境大学计算机与信息技术学院计算机科学系 |突尼斯莫纳斯提尔大学理学院电子与微电子实验室 (E μ E) refka.ghodhbani@nbu.edu.sa Ahmed Alhomoud 沙特阿拉伯北部边境大学计算机与信息技术学院计算机科学系 aalhomoud@nbu.edu.sa Ahmad Alshammari 沙特阿拉伯北部边境大学计算机与信息技术学院计算机科学系 ahmad.almkhaidsh@nbu.edu.sa Hafedh Zayani 沙特阿拉伯北部边境大学工程学院电气工程系 hafedh.zayani@nbu.edu.sa Mohammed Ben Ammar 沙特阿拉伯北部边境大学计算机与信息技术学院信息系统系 mohammed.ammar@nbu.edu.sa
参考架构：联想 ThinkSystem 和 ThinkAgile 平台上的企业 AI/ML 工作负载
1 简介................................................................................................................................ 4 1.1 企业 AI ................................................................................................................................ 4 2 商业问题与商业价值 .......................................................................................................... 5 2.1 商业问题 ................................................................................................................................ 5
用于在Kubernetes平台上微服务的预测资源扩展的机器学习
资源缩放是根据需求不断变化的需求调整分配给系统或服务的资源量的过程。对于微服务，可以在不同级别（例如容器，POD或群集）上进行资源缩放。但是，当前的资源缩放方法不够好，因为它们依赖于不考虑微服务的动态和复杂性质的反应性或基于规则的方法。这些方法通常会导致资源过度提供或欠缺，既影响服务质量和成本效率。为了解决这些问题，这项工作着重于测试多种机器学习方法，以优化Kuber-Netes平台的POD尺寸问题，通过预测高度尺寸的用户资源需求。所提出的方法旨在解决标准水平POD Autoscaler（HPA）的局限性，这通常会导致资源浪费或次优性能。结果是有希望的，并且表现出多种ML模型的高精度和性能，以准确预测未来的资源需求。
用水曲台上建模植物生长
Div dirk Raes是比利时鲁文鲁文大学的名誉教授。在灌溉项目的框架中，他在非洲（阿尔及利亚和塞内加尔）生活和工作了7年。他是蒸散，土壤水平，灌溉水管理和作物水生产率的专家。他参与了非洲，亚洲和南美的许多国际项目。今天，他仍然与粮农组织（联合国食品和农业组织的土地和水师）紧密合作，以进一步发展Aquacrop（粮农组织农作物模型，以模拟对水的产量反应）。他是粮农组织灌溉和排水文件的合着者56（“蒸发作物 - 计算作物水需求指南”）和66（“作物对水的反应”）。
一种新的方法，用于在Repligut®平面平台上收集与胃肠道及其相关疾病有关的研究，Alon
。（b）原子力显微镜图像显示了复杂的粘蛋白聚合网络的组织。（c）质谱数据显示，MUC2和MUC5AC是在源自肠细胞的人类粘液中鉴定出的前两种丰富的蛋白质。其他确定的蛋白质有助于复杂的糖基化，先天免疫/抗微生物因子和宿主修复/稳态。（d）粘蛋白的相互作用图和糖化酶的糖酶的酶图。（e）与外体粘液刮擦和先前发布的数据相比，Altis样品中的大量流变数据用于基准粘液浓度和复杂的粘度。（f）宏观流变研究确定了4个单个批次的储存模量（G'）和损耗模量（G），加上合并的Altis粘液
