RING1和YY1结合蛋白(RYBP)主要被称为抑制器,是非典型的PolyComb抑制性复合物1(NCPRC1S)的核心成分。然而,还描述了RYBP的几种NCPRC1独立函数。我们先前报道说,RYBP是小鼠胚胎发育的本质,Rybp null突变体胚胎干细胞不能在体外形成收缩的心肌细胞(CMC)。我们还表明,在rybp -null突变CMC中未表达plagl1,通常在先天性心脏病(CHD)中突变的心脏转录因子。然而,未揭示RYBP如何调节PLAGL1表达的基本机制。在这里,我们证明了RYBP与NKX2-5合作以转录激活Plagl1基因的P1和P3启动子,并且这种激活是NCPRC1无关的。我们还表明,驻留在PLAGL1基因座中的两个非编码RNA也可以调节plagl1启动子。最后,PLAGL1能够激活TNNT2,这是转染HEK293细胞中CMC的收缩力很重要的基因。我们的研究表明,RYBP对plagl1的激活对于肌节开发和收缩力很重要,并表明RYBP通过其调节功能可能有助于CHD的发展。
摘要:使用端到端卷积神经网络 (ConvNet) 的深度学习已应用于多种基于脑电图 (EEG) 的脑机接口任务,以提取特征图并对目标输出进行分类。然而,EEG 分析仍然具有挑战性,因为它需要考虑影响提取特征表征能力的各种架构设计组件。本研究提出了一种基于 EEG 的情绪分类模型,称为多核时空卷积网络 (MultiT-S ConvNet)。该模型使用多尺度核来学习各种时间分辨率,并应用可分离卷积来查找相关的空间模式。此外,我们使用轻量级门控机制增强了时间和空间滤波器。为了验证 MultiT-S ConvNet 的性能和分类准确性,我们在基于 EEG 的情绪数据集 DEAP 和 SEED 上进行了受试者相关和受试者无关的实验。与现有方法相比,MultiT-S ConvNet 具有更高的准确度结果和一些可训练参数。此外,所提出的时间滤波多尺度模块能够提取广泛的 EEG 表征,涵盖短波长到长波长的成分。该模块可进一步应用于任何基于 EEG 的卷积网络模型,其能力有望提高模型的学习能力。
摘要:基于脑电信号的情绪识别应用范围广泛且具有巨大的潜在价值,近年来受到学术界和工业界越来越多的关注。同时,多核学习(MKL)也因其数据驱动的便捷性和较高的准确率受到研究者的青睐。然而,MKL在基于脑电信号的情绪识别中的研究很少。因此,本文致力于探索MKL方法在脑电情绪识别领域的应用,推动MKL方法在脑电情绪识别中的应用。为此,我们提出了一种基于MKL算法EasyMKL的支持向量机(SVM)分类器,以探讨MKL算法在基于脑电信号的情绪识别问题中的可行性。我们设计了两种数据划分方法,随机划分以验证MKL方法的有效性,顺序划分以模拟实际应用。然后,基于常用数据集上海交通大学情绪脑电数据集(SEED),针对中性、消极和积极情绪进行了三分类实验,随机划分和顺序划分的平均分类准确率分别为92.25%和74.37%,比传统的单核SVM有更好的分类性能。最终结果表明MKL方法明显有效,MKL在脑电情绪识别中的应用值得进一步研究。通过对实验结果的分析发现,对对称电极上的特征进行简单的数学运算并不能有效融合脑电信号的空间信息以获得更好的性能,同时也证实了高频段信息与情绪状态的相关性更高,对情绪识别的贡献更大。综上所述,本文探索了MKL方法在脑电情绪识别领域的研究,为基于脑电的情绪识别研究提供了一种新的思路。
摘要 — 随着基于脉冲的深度学习推理应用在嵌入式系统中的增多,这些系统倾向于集成神经形态加速器(如 µ Brain)以提高能源效率。我们提出了一种基于 µ Brain 的可扩展多核神经形态硬件设计,以加速脉冲深度卷积神经网络 (SDCNN) 的计算。为了提高能源效率,内核在神经元和突触容量方面设计为异构的(即大核与小核),并且它们使用并行分段总线互连,与传统的基于网格的片上网络 (NoC) 相比,这可以降低延迟和能耗。我们提出了一个名为 SentryOS 的系统软件框架,将 SDCNN 推理应用程序映射到所提出的设计中。SentryOS 由一个编译器和一个运行时管理器组成。编译器利用大和小 µ Brain 内核的内部架构将 SDCNN 应用程序编译成子网络。运行时管理器将这些子网络调度到内核上并流水线执行以提高吞吐量。我们用五个常用的 SDCNN 推理应用程序评估了所提出的大多核神经形态设计和系统软件框架,并表明所提出的解决方案可降低能耗(37% 至 98%)、降低延迟(9% 至 25%)并提高应用程序吞吐量(20% 至 36%)。我们还表明 SentryOS 可以轻松扩展到其他脉冲神经形态加速器,例如 Loihi 和 DYNAP。索引术语 — 神经形态计算、脉冲深度卷积神经网络、多核、嵌入式系统、µ Brain
摘要:脑机接口(BCI)将用户的运动想象(MI)等想法转化为对外部设备的控制。然而,一部分人无法有效控制BCI,他们被定义为BCI文盲。BCI文盲受试者的主要特点是分类率低和可重复性差。针对MI-BCI文盲问题,提出一种基于多核学习的分布自适应方法,使源域和目标域之间的特征分布更加接近,同时最大化类别可分性。受到核技巧的启发,采用基于多核的极限学习机对带标签的源域数据进行训练,以找到一个最大化数据可分性的新的高维子空间,然后使用基于多核的最大均值差异进行分布自适应,以消除新子空间中域间特征分布的差异。针对MI-BCI文盲的特征维数较高,本文采用能够有效处理高维特征且不需要额外交叉验证的随机森林作为分类器,并在公开数据集上对所提方法进行了验证。实验结果表明,所提方法适用于MI-BCI文盲,并能降低域间差异,从而降低跨受试者和跨会话的性能下降。
摘要 - 芯片上的许多核心系统(MCSOC)包含操作元素(PES),系统附加到系统的外围设备以及连接它们的NOC。这些系统具有不同的流动,遍历了NOC:PE-PE和PE-PERPHERAL流动。恶意硬件或软件可能会因为资源共享功能而阻碍系统安全性,例如用于多任务处理的CPU共享或共享属于不同应用程序的流量的NOC链接。将应用程序隔离为安全限制(例如安全区域(SZ))的方法保护PE-PE流动与文献中报告的大多数攻击。提出的提案用文献中与外围设备进行通信的方法很少,其中大多数都集中在共享内存保护上。本文介绍了一种原始方法,使用访问点-SEMAP的安全映射,该方法为SZS创建映射策略,以及与IO设备的沟通策略,以保护PE-外布流。结果表明,应用程序执行时间不会通过应用SEMAP来惩罚,与最新方法相比,具有优势。在安全性方面,SEMAP成功抵抗了攻击活动,阻止了试图进入SZ的恶意数据包。索引项 - 确定性,基于NOC的多核,安全区域,外围设备。
量子密钥分布(QKD)是一种创新技术,用于在空间分离的用户中安全地分发加密密钥[1,2]。它基于对单个量子状态的随机选择位,然后对这些位进行独立的测量。使用经典的后处理技术和经典的通信渠道,可以通过远程各方(通常称为Alice和Bob)来解密安全且共享的秘密密钥。许多实验表明QKD现在是一种成熟的技术[3-7]。QKD协议可以分为两个广泛的类别:离散变量(DV)和连续变量(CV)QKD [1,2]。在前者中,与单光子检测器一起使用了一组离散的量子状态[1,2],而在后者中,一组更广泛的状态与连贯的检测一起使用[8]。CV-QKD最近引起了很大的关注,因为它可以通过可以在室温下运行的常规电信组件来实现,从而实现了与当前网络基础架构兼容的具有成本效益的实施。特别是,CV-QKD可以在大都市网络中提供更高的秘密关键率[1,2]。此外,与DV-QKD相比,CV-QKD可以通过使用光子积分电路(PICS)进行批量生产,因为相干接收器可以以更轻松的方式集成[9]。在安全性方面,CV-QKD已被证明是可靠的,可以针对一般的集体攻击[10-12]。最后,在[21,22]中还研究了CV-QKD和经典信号的共存和经典信号。为了避免由于局部振荡器(LO)和检测器引起的安全漏洞,可以考虑使用TRUE LO [13,14]和测量设备独立的(MDI)[15,16]方案。在实验中,最近实现了CV-QKD的高速传输距离,高达202.81 km [17],高速高达63.7 MB S-1 [18]和高安全性MDI量子密码[15,19,20]。多核纤维(MCF)将出于多种原因在未来的古典沟通中发挥基本作用。首先,MCF可以解决即将到来的网络容量短缺[23]。理论上,可实现的
图 1 显示了认证航空电子系统时涉及的多个级别。通过编制适航性证据包(包括整个堆栈中的组件),供应商、OEM 和系统架构师可以更轻松地获得完整解决方案的认证。Wind River 航空航天和国防市场部门总监 Alex Wilson 解释说:“所有内容都通过每个部分的文档向上流动,因此在系统级别,您必须创建一套系统范围的安全文档。这可能会分解为不同的子系统,但最终,每个子系统都会经过测试,每个集成都会经过测试。并且,根据级别,如果您是 A 级 [DO-254 DAL A],则必须进行独立测试和独立检查。你必须有一组与编写软件的人不同的人,然后你还必须有另一组人来检查一切是否正确完成。”
提出了基于耦合的多核纤维的光学量表并实验证明。通过使用直接激光写作来选择性打破索引索引对称性,引入了核之间的不对称模式耦合。这允许使用仅使用一个传感器的结构中检测和不同类型的变形的能力来制造光仪。将制造的光学仪与校准的商业仪表和纤维式光栅进行了比较,例如应变,振动和曲率仪表。测试表明,这种新型光学量表的性能优于市售传感器,并且具有最高的敏感性。所提出的技术可能是制造具有比以前获得更多功能和功能更好的新型感应设备的关键。
多核量子计算已被确定为解决量子计算的可伸缩性问题的解决方案。然而,量子芯片的相互作用并不是微不足道的,因为量子通信具有量子怪异的份额:量子偏压和无键的定理使转移量子的刺激性刺激性,在这种情况下,每一个额外的纳米纳赛计数和重新恢复是完全不可能的。在本文中,我们介绍了对多核量子计算机的量子通信进行彻底建模的第一步,这可能被视为量子互联网和芯片网络的众所周知的范式之间的中间点。,我们强调量子计算中延迟和错误率之间存在的深层纠缠,以及这如何影响这种情况的量子网络设计。此外,我们显示了一组最先进的实验研究参数的计算和通信资源之间的权衡。观察到的行为使我们可以预见到多核量子体系结构的潜力。