XiaoMi-AI文件搜索系统
World File Search System后大
![用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。](/simg/d/d0b24e3de4e984953fcbe1080336ba472eefd4f9.png)
用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。
用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。
注意力缺陷多动症大学生接受工作记忆训练后大脑视觉空间工作记忆容量的变化：一项随机对照试验
ADHD 是最常见的儿童神经发育障碍之一，全球患病率估计约为 7.2%（约 1.29 亿人；Thomas、Sanders、Doust、Beller & Glasziou，2015 年）。纵向研究表明，ADHD 症状会持续到成年期（> 70%），并在职业、健康和学术领域造成严重困难（Barkley、Fischer、Smallish & Fletcher，2002 年；Uchida、Spencer、Faraone & Biederman，2018 年）。ADHD 的治疗一直很困难。ADHD 的常见治疗方法，例如药物治疗和/或（父母）管理治疗，并未被证明具有长期高效性（Jensen 等人，2007 年；Molina 等人，2009 年）；它们似乎也没有直接针对经常与 ADHD 同时发生的执行功能（Biederman 等人，2004 年；Rapport、Orban、Kofler 和 Friedman，2013 年；Weyandt、Oster、Gudmundsdottir、DuPaul 和 Anastopoulos，2017 年）。这在一定程度上促使人们寻找替代或补充治疗方法。一种新的候选治疗方案利用了信息技术的最新进展，即强化计算机化执行功能训练。这些治疗方案完全在线，在家
语言学习者策略使用和英语水平在密歇根英语语言评估测验中的表现 Xiaomei Song 皇后大学 使用 4
密歇根英语语言评估系统中语言学习者的策略使用和英语水平 宋晓梅 皇后大学 本研究使用一份包含 43 项的策略使用问卷，研究了密歇根英语语言评估系统 (MELAB) 考生报告的语言策略的性质。它进一步研究了考生报告的策略使用情况和英语作为第二语言 (ESL) 背景下 MELAB 语言测试成绩之间的关系。结果表明，MELAB 考生对认知策略使用的看法主要分为六个维度：重复/确认信息策略、写作策略、练习策略、生成策略、应用规则策略和与先前知识策略联系。MELAB 考生对元认知策略使用的看法分为三个维度：评估、监控和评估。结果还表明，一些策略对语言表现有显著的正向影响，一些策略对语言表现有显著的负向影响，而其他一些策略似乎对这组参与者没有影响。自 20 世纪 70 年代以来，语言测试研究人员一直致力于识别影响语言测试成绩差异的个体特征。根据 Dreyer 和 Oxford (1996) 的说法，一个可能导致语言成绩差异的重要变量是语言策略的使用，据认为，各个教学水平的学生都会使用语言策略，其结果也各不相同。本研究考察了密歇根英语语言评估体系 (MELAB) 考生报告的学习者策略的性质。本研究还调查了在英语作为第二语言 (ESL) 的背景下，报告的学习者策略使用与 MELAB 语言测试成绩之间的关系。影响第二语言成绩的因素语言研究人员长期以来一直对可能影响语言测试成绩和分数的因素感兴趣。Bachman (1990) 提出了一个模型来研究三种系统性变异源对测试成绩的影响：交际语言能力、考生的个人特征以及测试方法或测试任务的特征。在三类系统性变异源中，交际语言能力被认为是导致第二语言学习考试成绩差异的核心因素。它由三个部分组成：语言能力、策略能力和心理生理机制。巴赫曼还认为，影响考试成绩的第二个因素——应试者特征——包括各种个人属性，如年龄、性别、母语、教育背景、态度、动机、焦虑、学习策略和认知风格。巴赫曼的第三因素——测试