XiaoMi-AI文件搜索系统
World File Search System多模块
quadrant 模块化电池模拟器
N9000是一款高实时、高同步、大功率超高集成度双象限模块化电池模拟器，由N9000测控机箱和多种模块组成。N9000为4U高、19-19英寸宽的标准机箱，支持插入电池模拟模块、程控电阻模块、高压电源模块等类型，机箱可集成10槽测控模块，模块间电气隔离。N9000系列支持本地/远程控制和同步触发功能，可实现多模块高速同步控制，广泛应用于多通道、高集成度、大功率的自动化测试测量场景。
NEA小型模块反应堆仪表板
SMR中的创新正在进行几个国家。 这包括在开发的各个阶段的SMR，从新概念的基本研究到成熟设计的商业部署和运营。 这一创新管道包括一系列反应堆概念 - 从现有的轻水反应堆技术中的增量创新到高级IV反应堆概念的突破。 此管道还包括各种配置的SMR-一些陆基，一些多模块，一些基于海洋的，有些可运输。 这些创新结合了新材料，一系列冷却剂和创新燃料。 创新管道有望生产一系列具有不同尺寸的商业SMR，具有一系列出口温度，以及在安全，灵活性和经济性领域的新属性和潜在益处，以及花费的燃料和废物管理。SMR中的创新正在进行几个国家。这包括在开发的各个阶段的SMR，从新概念的基本研究到成熟设计的商业部署和运营。这一创新管道包括一系列反应堆概念 - 从现有的轻水反应堆技术中的增量创新到高级IV反应堆概念的突破。此管道还包括各种配置的SMR-一些陆基，一些多模块，一些基于海洋的，有些可运输。这些创新结合了新材料，一系列冷却剂和创新燃料。创新管道有望生产一系列具有不同尺寸的商业SMR，具有一系列出口温度，以及在安全，灵活性和经济性领域的新属性和潜在益处，以及花费的燃料和废物管理。
使用沉浸式虚拟现实设计太阳能系统
摘要 — 随着对可再生能源的需求不断增加，太阳能正成为一种越来越受欢迎的选择。因此，有效的太阳能系统设计和操作培训对于确保太阳能技术的成功实施至关重要。为了让来自不同背景的广泛人群都能接受这种培训，开发有效且引人入胜的培训方法非常重要。沉浸式虚拟现实 (VR) 已成为加强太阳能培训和教育的有前途的工具。在本文中，我们提出了一种独特的方法来评估沉浸式 VR 体验对太阳能系统设计培训的有效性，使用多模块方法和对用户参与度的详细分析。为了更好地了解这种 VR 体验的有效性，我们将实验分为几个场景，并使用了一系列传感器，包括眼动追踪和无线可穿戴传感器，以准确评估用户在每个场景中的参与度和表现。我们的结果表明，沉浸式 VR 体验能够有效提高用户对太阳能系统设计的理解以及执行复杂任务的能力。此外，通过使用传感器测量用户参与度，我们确定了需要改进的特定领域，并为增强未来太阳能系统设计 VR 培训体验的设计提供了见解。我们的研究强调了沉浸式 VR 作为增强太阳能培训和教育的工具的潜力，对研究和实践都有影响。
人工智能在临床实践中的作用
机器学习的方法被称为深度学习 (DL)，包括人工神经网络 (ANN) 和卷积神经网络 (CNN)。以下流程图（图 2 和图 3）解释了人工智能中每个组件的作用。机器学习 (ML) 方法可分为三种学习类型：监督学习、无监督学习和强化学习。第一种类型用于分类或预测任务，而第二种类型则有助于识别数据中隐藏的模式。强化学习基于先前的学习版本来最大化奖励。深度学习 (DL) 利用算法，利用 CNN 自动从输入数据中提取相关信息，从而无需手动识别和提取特征。DL 在医学疾病诊断和个性化治疗建议方面已显示出良好的前景。例如，在正畸领域，基于人工智能的多模块诊断系统已经出现，例如 Diagnocat Ltd.，它使用 CNN 进行精确的牙科诊断。深度学习模型可通过检测 CBCT 图像中的根尖病变来帮助检测龋齿和牙髓病，从而有助于临床工作流程。2
使用沉浸式虚拟现实设计太阳能系统
摘要 — 随着对可再生能源的需求不断增加，太阳能正成为一种越来越受欢迎的选择。因此，有效的太阳能系统设计和操作培训对于确保太阳能技术的成功实施至关重要。为了让来自不同背景的广泛人群都能接受这种培训，开发有效且引人入胜的培训方法非常重要。沉浸式虚拟现实 (VR) 已成为加强太阳能培训和教育的有前途的工具。在本文中，我们提出了一种独特的方法来评估沉浸式 VR 体验对太阳能系统设计培训的有效性，使用多模块方法和对用户参与度的详细分析。为了更好地了解这种 VR 体验的有效性，我们将实验分为几个场景，并使用了一系列传感器，包括眼动追踪和无线可穿戴传感器，以准确评估用户在每个场景中的参与度和表现。我们的结果表明，沉浸式 VR 体验能够有效提高用户对太阳能系统设计的理解以及执行复杂任务的能力。此外，通过使用传感器测量用户参与度，我们确定了需要改进的特定领域，并为增强未来太阳能系统设计 VR 培训体验的设计提供了见解。我们的研究强调了沉浸式 VR 作为增强太阳能培训和教育的工具的潜力，对研究和实践都有影响。
使用沉浸式虚拟现实设计太阳能系统
摘要 — 随着对可再生能源的需求不断增加，太阳能正成为一种越来越受欢迎的选择。因此，有效的太阳能系统设计和操作培训对于确保太阳能技术的成功实施至关重要。为了让来自不同背景的广泛人群都能接受这种培训，开发有效且引人入胜的培训方法非常重要。沉浸式虚拟现实 (VR) 已成为加强太阳能培训和教育的有前途的工具。在本文中，我们提出了一种独特的方法来评估沉浸式 VR 体验对太阳能系统设计培训的有效性，使用多模块方法和对用户参与度的详细分析。为了更好地了解这种 VR 体验的有效性，我们将实验分为几个场景，并使用了一系列传感器，包括眼动追踪和无线可穿戴传感器，以准确评估用户在每个场景中的参与度和表现。我们的结果表明，沉浸式 VR 体验能够有效提高用户对太阳能系统设计的理解以及执行复杂任务的能力。此外，通过使用传感器测量用户参与度，我们确定了需要改进的特定领域，并为增强未来太阳能系统设计 VR 培训体验的设计提供了见解。我们的研究强调了沉浸式 VR 作为增强太阳能培训和教育的工具的潜力，对研究和实践都有影响。
模块化，自主栖息地的任务概念
空间体系结构的领域不仅必须与真空运行的环境挑战相抗衡，而且还必须在火箭有效载荷上市的物理尺寸限制，风险的宇航员太空步行和装配机器人的机器人移动性有限的情况下。为了应对这些挑战，我们提出了一个新的建筑范式，该范式超越了轨道上的铝制圆柱体，以朝着较大的批量，模块化的空间站建设，这些空间站仍然符合生命支持系统和安全性的任务。我们的Tesserae（用于探索可重新配置的自适应环境的镶嵌电磁空间结构）研究平台基于生物含量的原理：遵循某种“编码”增长模式的离散节点的自组装。我们还引入了可鲁棒性和适应性的冗余和可重构零件。我们的工作着重于自主自我组装和自我调节空间结构，而无需人类EVA或机器人剂。总体而言，Tesserae硬件平台包括一系列用于自我意识的自我组装和维护的功能，可允许轨道上的多模块空间体系结构的空间结构和可重新配置。我们的研究平台将磁对接，传感器技术和控制代码集成到将公共基本单元粘合到模块化结构中。该平台的早期，小型硬件测试台在2020年的30天内成功部署在ISS上，并计划进一步执行任务。我们的ICES 2021的论文提出了将这种结构，空间自组装与内部宜居性整合到内部宜居性的愿景，其中包括用于模块化结构的新的ECLSS集成计划。我们还指出了Tesserae的双重任务概念，a）合并a）微重力自组装和轨道操作与b）能够自我分配和重新使用结构瓷砖在行星表面上使用。
33.2 低于 1µJ/级的耳机集成思维意象和……
33.2 一款低于 1 µ J/级的集成思维意象与控制 SoC，适用于 VR/MR 应用，具有师生 CNN 和通用指令集架构 Zhiwei Zhong*、Yijie Wei*、Lance Christopher Go、Jie Gu 西北大学，伊利诺伊州埃文斯顿 * 同等署名作者 (ECA) 虚拟现实 (VR) 和混合现实 (MR) 系统，例如 Meta Quest 和 Apple Vision Pro，最近在消费电子产品中引起了极大的兴趣，在游戏、社交网络、劳动力援助、在线购物等元宇宙中掀起了新一波发展浪潮。AI 计算和多模块人类活动跟踪和控制方面的强大技术创新已经产生了身临其境的虚拟现实用户体验。然而，大多数现有的 VR 耳机仅依靠传统的操纵杆或基于摄像头的用户手势进行输入控制和人体跟踪，缺少一个重要的信息来源，即大脑活动。因此，人们对将脑机接口 (BMI) 整合到 VR/MR 系统中以供消费者和临床应用的兴趣日益浓厚 [1]。如图 33.2.1 所示，现有的集成 EEG 通道的 VR/MR 系统通常由 VR 耳机、16/32 通道 EEG 帽、神经记录模拟前端和用于信号分类的 PC 组成。此类系统的主要缺点包括：（1）佩戴麻烦且用户外观不佳，（2）缺乏低延迟操作的现场计算支持，（3）无法根据大脑活动进行实时思维意象控制和反馈，（4）由于 AI 分类导致的功耗高。为了克服这些挑战，这项工作引入了一种思维意象设备，该设备集成到现有的 VR 耳机中，而无需为 VR/MR 系统的思维控制 BMI 增加额外的佩戴负担。本研究的贡献包括：（1）支持 VR/MR 系统现场心智意象控制的 SoC，（2）与现有 VR 耳机无缝集成并优化 EEG 通道选择，以提高用户接受度和体验，（3）具有灵活数据流的通用指令集架构 (ISA)，支持广泛的心智意象操作，（4）混淆矩阵引导的师生 CNN 方案，可在 AI 操作期间节省电量，（5）EEG 信号的稀疏性增强以降低能耗。制造了 65nm SoC 测试芯片，并在各种基于心智意象的 VR 控制上进行了现场演示。虽然先前的研究涉及基于 EEG 的癫痫检测或类似的生物医学应用 [2-6]，但本研究专注于 VR/MR 环境中的新兴 BMI。得益于低功耗特性和设计的系统级优化，SoC 的数字核心在计算密集型 CNN 操作中实现了 <1μJ/类的能耗。图 33.2.2 显示了 EEG 通道选择和集成到 Meta Quest 2 VR 耳机中，在准确性和用户便利性之间进行了权衡。为了支持各种思维意象任务，8 个 EEG 通道 T3、T5、O1、O2、T6、T4、PZ、和 CZ 被选中并巧妙地融入头带以保持用户的美感。不同的心理任务会激活八个选定通道的子集，例如用于心理意象的 T3/T5/CZ/T4/T6、用于情感（例如情绪）监测的 T5/CZ 或用于稳态视觉诱发电位 (SSVEP) 的 O1/O2/PZ。通道的减少导致三个主要任务的平均准确率略有下降（从 90.4% 下降到 85.2%），但显着提高了用户体验和可用性。带有生理盐水的商用 Hydro-link 电极用于通过头带上的预切孔捕获 EEG 信号。图 33.2.2 还显示了完全集成 SoC 的顶层图。多达 16 个可编程通道的 AFE 用于信号采集和数字化。 AFE 的每个通道包括一个增益为 45 至 72 dB、带宽为 0.05 至 400 Hz 的两级斩波放大器、一个转折频率为 60 Hz 的低通滤波器和一个工作频率为 128 Hz 至 10 kHz 的 8b SAR ADC。用于集成 AI 操作的数字核心包括一个 8×10 处理单元 (PE) 阵列、控制逻辑和相关存储库。带有专门开发的 ISA 的指令存储器为芯片的操作提供全局控制，以支持一系列思维意象任务。实时分类的大脑状态和思维控制命令通过外部蓝牙模块传输到 VR 耳机，以控制 VR 场景。虽然大多数现有研究仅关注固定数据流 [4] 和 CNN 模型 [2,3]，但需要高度灵活的计算架构来支持各种思维意象任务。图 33.2.3 显示了专门开发的通用 ISA，用于数据流控制、模型配置、通道选择等。128b 的超宽 ISA 命令用于监督各种计算任务，例如 IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有很高的硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏性设置等）也集成到 ISA 中，以便高效地调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。 CNN、FC、DFT 和 IIR 滤波操作可以通过在不同数据流中重复使用相同的 PE 阵列来执行，例如，Conv 层的权重固定，或 FC 层和 DFT 的输出固定。与使用大量流水线触发器的传统脉动阵列不同，此设计有意移除了大部分或 O1/O2/PZ 用于稳态视觉诱发电位 (SSVEP)。通道数的减少导致三个主要任务的平均准确度略有下降（从 90.4% 降至 85.2%），但显著提高了用户体验和可用性。使用带有生理盐水的商用 Hydro-link 电极通过头带上的预切孔捕获 EEG 信号。图 33.2.2 还显示了完全集成 SoC 的顶层图。最多 16 个可编程 AFE 通道用于信号采集和数字化。AFE 的每个通道包括一个增益为 45 至 72dB 和带宽为 0.05 至 400Hz 的两级斩波放大器、一个转折频率为 60Hz 的低通滤波器和一个工作频率为 128Hz 至 10kHz 的 8b SAR ADC。集成 AI 操作的数字核心包括 8×10 处理单元 (PE) 阵列、控制逻辑和相关存储库。带有专门开发的 ISA 的指令存储器为芯片的操作提供全局控制，以支持一系列思维想象任务。实时分类的大脑状态和思维控制命令通过外部蓝牙模块传输到 VR 耳机，以控制 VR 场景。虽然大多数现有工作仅关注固定数据流 [4] 和 CNN 模型 [2,3]，但需要高度灵活的计算架构来支持各种思维想象任务。图 33.2.3 显示了专门开发的用于数据流控制、模型配置、通道选择等的通用 ISA。128b 的超宽 ISA 命令用于监督各种计算任务，例如 IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有高硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏度设置等）也集成到 ISA 中，以便高效地调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。CNN、FC、DFT 和 IIR 滤波操作可以通过在不同数据流中重复使用相同的 PE 阵列来执行，例如，Conv 层的权重固定，或 FC 层和 DFT 的输出固定。与使用大量流水线触发器的传统收缩阵列不同，此设计有意消除了大部分或 O1/O2/PZ 用于稳态视觉诱发电位 (SSVEP)。通道数的减少导致三个主要任务的平均准确度略有下降（从 90.4% 降至 85.2%），但显著提高了用户体验和可用性。使用带有生理盐水的商用 Hydro-link 电极通过头带上的预切孔捕获 EEG 信号。图 33.2.2 还显示了完全集成 SoC 的顶层图。最多 16 个可编程 AFE 通道用于信号采集和数字化。AFE 的每个通道包括一个增益为 45 至 72dB 和带宽为 0.05 至 400Hz 的两级斩波放大器、一个转折频率为 60Hz 的低通滤波器和一个工作频率为 128Hz 至 10kHz 的 8b SAR ADC。集成 AI 操作的数字核心包括 8×10 处理单元 (PE) 阵列、控制逻辑和相关存储库。带有专门开发的 ISA 的指令存储器为芯片的操作提供全局控制，以支持一系列思维想象任务。实时分类的大脑状态和思维控制命令通过外部蓝牙模块传输到 VR 耳机，以控制 VR 场景。虽然大多数现有工作仅关注固定数据流 [4] 和 CNN 模型 [2,3]，但需要高度灵活的计算架构来支持各种思维想象任务。图 33.2.3 显示了专门开发的用于数据流控制、模型配置、通道选择等的通用 ISA。128b 的超宽 ISA 命令用于监督各种计算任务，例如 IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有高硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏度设置等）也集成到 ISA 中，以便高效地调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。CNN、FC、DFT 和 IIR 滤波操作可以通过在不同数据流中重复使用相同的 PE 阵列来执行，例如，Conv 层的权重固定，或 FC 层和 DFT 的输出固定。与使用大量流水线触发器的传统收缩阵列不同，此设计有意消除了大部分AFE 的每个通道包括一个增益为 45 至 72 dB、带宽为 0.05 至 400 Hz 的两级斩波放大器、一个转折频率为 60 Hz 的低通滤波器和一个工作频率为 128 Hz 至 10 kHz 的 8b SAR ADC。用于集成 AI 操作的数字核心包括一个 8×10 处理单元 (PE) 阵列、控制逻辑和相关存储库。带有专门开发的 ISA 的指令存储器为芯片的操作提供全局控制，以支持一系列思维意象任务。实时分类的大脑状态和思维控制命令通过外部蓝牙模块传输到 VR 耳机，以控制 VR 场景。虽然大多数现有研究仅关注固定数据流 [4] 和 CNN 模型 [2,3]，但需要高度灵活的计算架构来支持各种思维意象任务。图 33.2.3 显示了专门开发的通用 ISA，用于数据流控制、模型配置、通道选择等。128b 的超宽 ISA 命令用于监督各种计算任务，例如 IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有很高的硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏性设置等）也集成到 ISA 中，以便高效地调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。 CNN、FC、DFT 和 IIR 滤波操作可以通过在不同数据流中重复使用相同的 PE 阵列来执行，例如，Conv 层的权重固定，或 FC 层和 DFT 的输出固定。与使用大量流水线触发器的传统脉动阵列不同，此设计有意移除了大部分AFE 的每个通道包括一个增益为 45 至 72 dB、带宽为 0.05 至 400 Hz 的两级斩波放大器、一个转折频率为 60 Hz 的低通滤波器和一个工作频率为 128 Hz 至 10 kHz 的 8b SAR ADC。用于集成 AI 操作的数字核心包括一个 8×10 处理单元 (PE) 阵列、控制逻辑和相关存储库。带有专门开发的 ISA 的指令存储器为芯片的操作提供全局控制，以支持一系列思维意象任务。实时分类的大脑状态和思维控制命令通过外部蓝牙模块传输到 VR 耳机，以控制 VR 场景。虽然大多数现有研究仅关注固定数据流 [4] 和 CNN 模型 [2,3]，但需要高度灵活的计算架构来支持各种思维意象任务。图 33.2.3 显示了专门开发的通用 ISA，用于数据流控制、模型配置、通道选择等。128b 的超宽 ISA 命令用于监督各种计算任务，例如 IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有很高的硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏性设置等）也集成到 ISA 中，以便高效地调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。 CNN、FC、DFT 和 IIR 滤波操作可以通过在不同数据流中重复使用相同的 PE 阵列来执行，例如，Conv 层的权重固定，或 FC 层和 DFT 的输出固定。与使用大量流水线触发器的传统脉动阵列不同，此设计有意移除了大部分IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有很高的硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏度设置等）也集成到 ISA 中，以便高效调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。可以通过在不同数据流中重用相同的 PE 阵列来专门执行 CNN、FC、DFT 和 IIR 滤波操作，例如，Conv 层的权重平稳，或 FC 层和 DFT 的输出平稳。与传统的脉动阵列不同，该设计特意移除了大部分IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有很高的硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏度设置等）也集成到 ISA 中，以便高效调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。可以通过在不同数据流中重用相同的 PE 阵列来专门执行 CNN、FC、DFT 和 IIR 滤波操作，例如，Conv 层的权重平稳，或 FC 层和 DFT 的输出平稳。与传统的脉动阵列不同，该设计特意移除了大部分