XiaoMi-AI文件搜索系统
World File Search System器体
分布式计算中的无服务器体系结构
国际计算机工程技术杂志（IJCET）第16卷，第1期，Jan-Feb 2025，pp。2439-2452，文章ID：IJCET_16_01_174在https://iaeme.com/home/issue/issue/ijcet?volume=16&issue = 1 ISSN印刷：0976-6367; ISSN在线：0976-6375;期刊ID：5751-5249影响因子（2025）：18.59（基于Google Scholar引用）doi：https：//doi.org/10.34218/ijcet_16_01_174©iaeme Publication
为什么变压器体系结构难以获得基因组 - ...
。CC-BY-NC 4.0国际许可证的永久性。根据作者/筹款人提供了预印本（未经同行评审认证）提供的，他已授予Biorxiv的许可证，以在2025年1月14日发布的此版本中显示此版本的版权持有人。 https://doi.org/10.1101/2025.01.13.632745 doi：Biorxiv Preprint
建模和比较无电池系统的转换器体系结构和能源收集IC
摘要 - 无孔的能量收获设备是一类新的嵌入式系统，可从存储在环境友好的电容器中的环境能量运行，并保证持久的持久，无维护的操作。由于紧密的能量构成，这些设备经常采用电压转换器和专用的集成电路（ICS），以最大程度地传输能量收割机，存储电容器和负载之间。正如我们在本文中所显示的那样，这种转换器电路的选择和配置很重要，但是非平凡，因为它们的性能高度取决于能量收集条件。因此，我们提供了五个现成的能源收集IC的模型，并将它们集成到无电池系统的开源模拟器中：这使从业人员和研究人员可以方便地探索设计权衡并预测可实现的性能。此外，我们使用这些模型对不同转换器体系结构进行系统比较，并得出具体建议。
Navformer：用于机器人目标的变压器体系结构 -
摘要 - 在未知的混乱和动态环境（例如灾难场景）中，移动机器人需要执行目标驱动导航才能找到感兴趣的人或对象，其中提供的有关这些目标的唯一信息是单个目标的图像。在本文中，我们介绍了Navformer，这是一种新颖的端到端变压器体系结构，为在未知和动态环境中为机器人目标驱动导航而开发。Navformer利用两者的优势1）变压器进行顺序数据处理和2）自我监督学习（SSL），以进行视觉表示，以推理空间布局并在动态设置中执行避免碰撞。该体系结构唯一地结合了由静态编码器组成的双视觉编码器，用于提取空间推理的不变环境特征，以及用于避免动态障碍物的一般编码器。主要的机器人导航任务分解为两个子任务以进行训练：单个机器人勘探和多机器人碰撞避免。我们执行交叉任务培训，以使学习技能转移到复杂的主要导航任务中。模拟实验表明，Navformer可以在不同的未知环境中有效浏览移动机器人，从而优于现有的最新方法。进行了全面的消融研究，以评估Navformer的主要设计选择的影响。此外，现实世界实验验证了Navformer的普遍性。索引术语 - 动态和未知环境，图像引导搜索，目标驱动机器人导航。
全尺寸自动赛车传感器体系结构的评论
摘要 - 在技术创新的景观中，官能赛车是一个充满活力且充满挑战的领域，不仅可以推动技术的局限性，而且在促进和促进对自主系统的更大接受方面也起着至关重要的作用。本文彻底探讨了自动赛车设计和性能的挑战和范围，重点是Roborace和Indy Automous Challenge（IAC）。本评论提供了对这些尖端平台上传感器设置，架构细微差别和测试指标的详细分析。在Roborace中，详细介绍了从Devbot 1.0到Robo-Car和Devbot 2.0的演变，揭示了对传感器配置和性能结果的见解。检查扩展到IAC，该IAC专用于高速自动驾驶车辆，强调发育轨迹和传感器的适应性。通过审查这些平台，该分析为自主驾驶赛车提供了宝贵的见解，从而有助于更广泛地了解传感器体系结构和面临的挑战。本评论支持了全面自主赛车技术的未来进步。
机器学习的加速器体系结构
Joel Emer，Vivienne Sze，Yu-Hsin Chen，Tien-Ju Yang，Isca 2019 2019年深神经网络的教程有效处理，Vivienne Sze，Yu-Hsin Sze，Yu-Hsin Chen，Tien-Ju Yang Yang，Joel Emer，Joel Emer，Morgan，Morke emer，Morke and Morke and Claypool出版商，2020 Yakun sophia sophia shao shao shao shao shao shao shao shao shao，ucia shao，ucy ucia ucy ucy ucy u e eeee， 2020 CS231N卷积神经网络视觉识别，斯坦福大学，2020年
高能效率LSTM加速器体系结构
摘要：修剪和量化是加速LSTM（长短期内存）模型的两种常用方法。但是，传统的线性量化通常会遇到梯度消失的问题，而现有的修剪方法都有产生不希望的不规则稀疏性或大型索引开销的问题。为了减轻消失梯度的问题，这项工作提出了一种归一化的线性量化方法，该方法首先将操作数正常化，然后在局部混合最大范围内进行量化。为了克服不规则的稀疏性和大型索引开销的问题，这项工作采用了排列的块对角掩模矩阵来产生稀疏模型。由于稀疏模型高度规律，因此可以通过简单的计算获得非零权重的位置，从而避免了大型索引开销。基于由排列的块对角面胶质矩阵产生的稀疏LSTM模型，本文还提出了高能耐加速器的Permlstm，该材料全面利用了有关基质 - 载体乘积的重量，激活和产品的稀疏性，从而导致55.1％的动力减少。与先前报道的其他基于FPGA的LSTM加速器相比，与先前报道的其他基于FPGA的LSTM加速器相比，该加速器已在以150 MHz运行的ARRIA-10 FPGA上实现，并达到2.19×〜24.4×能量效率。