XiaoMi-AI文件搜索系统
World File Search System基准
在合作社的生态系统中，量词后加密的可行性和基准测试
摘要 - 车辆及其周围环境（V2X）之间的全国沟通是一项关键技术，可实现针对道路安全，交通流量和驾驶舒适度的合作智能运输系统（C-ITS）。基于椭圆曲线密码学（ECC）的真实性和机密性（主要依赖于应用程序）的安全服务，以满足低潜伏期安全通信的硬约束和在密集的交通状况下的有限带宽无线电通信。由于量子计算机（QC）提出的威胁，经典的非对称加密算法可能会破坏影响公共密钥基础设施（PKI）的安全解决方案，并对（半自治车辆和道路使用者和道路使用者产生负面的安全后果）。我们的项目（TAM：值得信赖的自主流动性）[18]专注于合作，联系和自动化流动性（CCAM）领域的端到端网络安全和隐私。一个主要目标是找到合适的量子安全方案，以替换基于V2X通信中使用的ECC的当前加密标准。在定义了C-ITS的主要要求和关键性能指标后，对当前NIST预标准PQC算法进行基准测试，以评估C-ITS应用程序中的可行性和性能，并根据结果选择了最佳拟合解决方案。
IBM花岗岩基准测试和企业准备就绪
IBM花岗岩是IBM开发的生成AI模型家族，目标是满足企业AI的不同需求。IBM考虑了商务用例，开发了其花岗岩模型，并发布了几种变体，以满足不同的企业需求，所有这些都在Apache 2.0许可下的开源，鼓励透明度，并使用户能够根据其需求自定义模型。花岗岩3.0家族包括具有20亿和80亿个参数密度模型的预训练和训练后模型，以及较小的Experts（MOE）稀疏模型，具有4亿和8亿个活性参数。Granite 3.0家族中的所有模型都相对较小，目的是满足实用的企业部署要求，并使用企业数据启用自定义，以在低计算成本下实现最先进的性能。各种模型尺寸提供了额外的灵活性，以满足各种用例和基础设施功能。
开放科学的最大基于EEG的BCI可重复性研究：MOABB基准
摘要。目标。本研究对开放脑电图数据集进行了广泛的大脑计算机界面（BCI）可重复性分析，旨在评估现有的解决方案并建立开放且可重复的基准测试，以有效比较该领域。对这种基准的需求在于产生未公开的专有解决方案的快速工业进步。此外，科学文献是密集的，通常具有具有挑战性的评估，从而使现有方法之间的比较艰巨。方法。在一个开放式框架中，在36个公开可用的数据集中对30个机器学习管道（分为原始信号：11，Riemannian：13，深度学习：6）进行了精心重新实现和评估，包括汽车图像（14），p300（15）（15）和SSVEP（7）。该分析结合了统计荟萃分析技术，以进行结果评估，包括执行时间和环境影响注意事项。主要结果。该研究产生了适用于各种BCI范式的原则和鲁棒结果，强调运动图像，P300和SSVEP。值得注意的是，利用空间协方差矩阵的Riemannian方法表现出卓越的性能，强调了大量数据量的必要性，以通过深度学习技术实现竞争成果。全面的结果是公开访问的，为将来的研究铺平了道路，以进一步提高BCI领域的可重复性。意义。这项研究的重要性在于它在建立严格和透明的基准的BCI研究中做出的贡献，为最佳方法论提供了见解，并强调了可重复性在推动该领域进步方面的重要性。
对量子计算软件的性能进行基准测试
我们介绍了 Benchpress，这是一个用于评估多个量子计算软件开发工具包的性能和功能范围的基准测试套件。该套件包含 1000 多个测试，用于测量由多达 930 个量子比特和 O（10 6）个两量子比特门组成的量子电路上各种操作的关键性能指标，以及一个执行框架，用于以统一的方式在多个量子软件包上运行测试。我们详细概述了基准测试套件及其方法，并在七个不同的量子软件包上生成了代表性结果。Benchpress 框架的灵活性使得基准测试不仅可以跟上量子硬件改进的步伐，还可以预先衡量未来设备架构的量子电路处理成本。作为开源软件，Benchpress 确保了性能声明的透明度和可验证性。
基准为关联记忆的Hebbian学习规则
关联内存或内容可寻址内存是计算机科学和信息处理中的重要组成函数，同时它是认知和计算脑科学中的关键概念。已经提出了许多不同的神经网络架构和学习规则，以模拟大脑的关联记忆，同时研究关键组件功能，例如模式完成和竞争以及降低噪声。较少研究但同样重要的主动记忆功能是原型提取，其中训练集包括通过扭曲原型模式而生成的模式实例，而训练有素的网络的任务是回忆给定新实例的生成原型。在本文中，我们基于非模块化和模块化重复网络中使用的七个不同HEBBIAN学习规则的关联记忆功能，并在中度稀疏的二进制模式下进行赢家摄取的全部动态操作。总体而言，我们发现模块化网络具有最大的存储器为模式存储容量。流行的标准HEBB规则以最差的能力出现，而协方差学习则证明是强大但容量较低的，并且在测试的不同条件下，贝叶斯 - 赫比亚规则显示出最高的模式存储能力。
挪威的碳定价模型是气候策略的基准
支持赠款和补贴。政府企业 Enova SF仅在2022年就提供了超过36亿的NOK，以支持过渡到更绿色运营的公司。这种共同资助的模型可促进对可持续发展的大量投资，促进了诸如能源效率高效工业流程和电力汽车（Exirceeres和电力汽车（EV）的能源效率工业流程（EV）等技术。 今天，挪威带领世界采用了电动汽车，超过80％的新车销量在2022年都充满电。 挪威的气候战略强调，最初的高成本可以通过促进创新和减少排放来产生长期的经济利益。 自1990年以来，挪威的温室气体排放量降低了30％，大大降低了其碳强度。 同时，挪威的绿色部门创造了超过50,000个工作岗位，为气候政策提供了支持。 对可持续性的投资也增强了挪威的能源安全和Enova SF仅在2022年就提供了超过36亿的NOK，以支持过渡到更绿色运营的公司。这种共同资助的模型可促进对可持续发展的大量投资，促进了诸如能源效率高效工业流程和电力汽车（Exirceeres和电力汽车（EV）的能源效率工业流程（EV）等技术。今天，挪威带领世界采用了电动汽车，超过80％的新车销量在2022年都充满电。挪威的气候战略强调，最初的高成本可以通过促进创新和减少排放来产生长期的经济利益。自1990年以来，挪威的温室气体排放量降低了30％，大大降低了其碳强度。同时，挪威的绿色部门创造了超过50,000个工作岗位，为气候政策提供了支持。对可持续性的投资也增强了挪威的能源安全和
yolov11变体的性能基准测试 -
使用指标（例如平均平均精度（MAP，标准度量测量检测准确性）在整个交叉点（IOU）阈值从50％到95％（定义了预测和地面实现框之间的重叠），精度，召回和GPU和CPU的跨越速度。The results highlight trade-offs between model complexity and performance: smaller variants like YOLOv11-n achieved faster inference speeds (170.74 FPS on GPU and 5.86 ms on GPU), while larger models like YOLOv11-x excelled in detection accuracy and recall but at the cost of slower speeds (240.03 FPS on GPU and 4.17 ms on GPU).yolov11-s提供了最高FPS（1120.46 GPU FPS）的平衡，但准确性和回忆为中等。这些发现证明了Yolov11变体对应用程序要求的适应性，从高速实时系统到优先级检测准确性的场景。这项研究通过为yolov11变体提供详细的性能基准来推进对象检测。它提供了在不同领域中部署Yolov11的实用见解，包括物流，交付跟踪和其他需要有效且准确的对象检测的域。关键字：Yolo; Yolov11;对象检测模型；深度学习计算机视觉；神经网络；
台式4Merge：综合基准，用于合并逼真的密集交通与微交互式车辆
引言 - 在发现[1，2]一个多世纪后，超导性仍然是凝聚态物理学中最深入研究的主题之一，与物质的最基本描述具有深厚的联系[3-6]。这种宏观量子现象的特征在于零电阻，而希格斯则缩合光子大量[3,5,7]以下[3,5,7]低于某些临界温度t c。由具有较小相关效应的良好金属产生的超导体（常规的低t c超导通孔）。在BCS理论中，由于电子之间有效的吸引力，这一现象源于费米表面（FS）的不稳定性。最初，声子的交换介导了该效果。在密切相关的费米子系统（例如繁重的费米子[9，10]和高t c超导性[11-15]中，发现非常规超导性具有淋巴结间隙[11-15]，强调了其他玻色子也可能负责配对。在非常规的超导体[16]中，配对机制通常涉及复杂的相互作用，例如自旋波动，电子相关性或轨道效应，导致非平凡的对称性和动量依赖性超导差距。在高t c铜矿中，通过相位敏感的测量结果建立了FS上差距中的节点[17]，以确保间隙是具有D x 2-2-y 2波对称性的旋转单元。此外，已经预测并观察到了巡回铁磁体中的p波，可能是p波，旋转三芯对配对[18-22]。最后，已广泛考虑了磁化绝缘体异质结构和各种无间隙的效率系统的镁介导的非常规的超导性[23 - 37]。
Yolopears：用于质量分级系统中多级梨表面缺陷检测的Yolo对象检测器的新基准
梨是最广泛消耗的水果之一，它们的质量直接影响消费者的满意度。表面缺陷，例如黑点和小斑点，是梨质量的关键指标，但由于视觉特征的相似性，检测它们仍然具有挑战性。这项研究提出了Pearsurfacedects，这是一个自我结构的数据集，包含六个类别的13,915张图像，其中有66,189个边界框注释。这些图像是使用定制的图像采集平台捕获的。在数据集上建立了27种版本的27个最先进的Yolo对象探测器的Yolo对象检测器，Yolor，Yolov5，Yolov5，Yolov6，Yolov7，Yolov7，Yolov7和Yolov9。为了进一步确保评估的全面性，还包括了三个高级非Yolo对象检测模型，T-DETR，RT-DERTV2和D-FINE。通过实验，发现yolov4-p7的检测准确性在map@0.5达到73.20％，而Yolov5n和Yolov6n也显示出极大的潜力，可以进一步提高梨表面缺陷检测的准确性。本研究中用于模型基准的梨表面缺陷检测数据集和软件程序代码都是公开的，这不仅会促进对梨表面缺陷检测和分级的未来研究，而且还为其他水果大数据和类似研究提供了宝贵的资源和参考。