XiaoMi-AI文件搜索系统
World File Search System带宽
ACM MMSYS 2024实时通信挑战中的带宽估计
摘要视频会议系统为最终用户提供的经验质量（QOE）部分取决于正确估计发件人和接收器之间的瓶颈链接的能力。实时通信（RTC）的带宽估计仍然是一个重要的挑战，这主要是由于不断发展的杂项网络架构和技术。从ACM MMSYS 2021举办的第一个带宽估计挑战中，我们了解到，在模拟中训练经过加固学习（RL）训练的带宽估计模型，以最大程度地提高基于网络的奖励功能，这可能是现实中的选择，因为SIMP-to-to-Real差距和与用户perce perce perce perce perce perce perce qoe qoe的难以使基于网络的奖励难以使基于网络的奖励变得良好。这个盛大的挑战旨在通过使用离线RL和一个现实世界中的数据集将奖励最大化与具有高度相关性的Microsoft团队中的主观音频/视频质量相关的真实奖励数据集来提高带宽估计模型设计。提交给大挑战的所有模型在我们的仿真平台上进行了初步评估。对于在各种网络条件下进行临时波动的全面评估，通过使用每个模型在12天的时间内对我们的地理分布式测试台进行了进一步评估，在我们的地理分布式测试中进行了进一步评估。获胜模型显示出可与发布数据集中的顶级行为策略提供可比的性能。通过利用现实世界数据并将客观的音频/视频质量分数作为奖励，离线RL可以促进RTC的竞争带宽估计器的开发。
Cloud-Lora：使用基于增强学习的带宽 - 自动压缩
已经提出了云无线电访问网络（CRAN）体系结构，以解决通过大规模LORA网络的通过和可伸缩性挑战解决网络的一种方式。crans可以通过相干地汇总信号来改善网络吞吐量，并通过在云中实现接收器来扩展到多个通道。但是，在远程洛拉（Lora Deployments）中，克兰（Cran）对高架带宽的需求可能具有挑战性。因此，需要带宽感知的洛拉样品来收获crans的好处。我们介绍了云洛拉（Lora），这是洛拉（Lora）的第一个实用的cran，它可以检测到亚噪声洛拉信号并形成带宽自动压缩。据我们所知，这是Cran实时运作的Cran的首次演示。 我们将Cloud-lora在农业领域中部署了数天，将USRP作为门户。 然后使用蜂窝回程热点将Compers样品流式传输到Microsoft Azure服务器。 我们使用联合多门解码器和使用最新的接收器的联合多门解码和2倍吞吐量改进来证明超过6 dB的SNR收益，这是Cran在现实世界部署中实现的。据我们所知，这是Cran实时运作的Cran的首次演示。我们将Cloud-lora在农业领域中部署了数天，将USRP作为门户。然后使用蜂窝回程热点将Compers样品流式传输到Microsoft Azure服务器。我们使用联合多门解码器和使用最新的接收器的联合多门解码和2倍吞吐量改进来证明超过6 dB的SNR收益，这是Cran在现实世界部署中实现的。
硅光子芯片I/O用于超高带宽和节能的模具连通性
数据中心和高性能计算系统的流量需求在过去十年中成倍增长，这是由于机器学习，大数据分析，尤其是深度学习（DL）基于人工智能（AI）应用程序中数据密集型工作量的泛滥。最近在自然语言处理和内容产生中表明，大型语言模型的巨大潜力进一步加速了技术的进步，而采用了越来越大的更大的DL模型和数据集[1]。持续的趋势引发了巨大的努力，提高了计算硬件的能力，尤其是通过积极的并行性和专业化[2，3]，远远超过了基本通信基础设施的进步[4]。因此，将大量数据移动和芯片之间的移动已成为计算性能和能源效率的瓶颈，将这种系统的连续缩放缩放到Exascale [5]。
使用原位宽频带宽声压检测线材和电弧增材制造中的缺陷
摘要 线材和电弧增材制造 (WAAM) 是一种增材制造 (AM) 工艺，可以生产大型金属部件，材料浪费少，生产率高。然而，WAAM 的高沉积率需要高热量输入，这可能导致孔隙、裂纹、未熔合或变形等潜在缺陷。为了在工业环境中实际实施 WAAM 工艺，必须确保无缺陷生产。然而，使用传统 NDT 技术（例如超声波、涡流、X 射线）进行 NDT 检测是一项非常艰巨的任务，尤其是在零件生产过程中。因此，需要可靠的在线 NDT 检测和监测技术来推广 WAAM 的工业应用。这项工作的目的是使用频率带宽为 10 至 1MHz 的现场采集声学数据来检测 WAAM 生产零件上的缺陷形成。WAAM 零件经过故意引入污染物的处理，同时获取其声学信号以将不同的信号特征与缺陷关联起来。为了识别缺陷形成，使用了两种不同类型的麦克风从同一沉积过程中获取数据。信号处理包括应用时域和频域技术，即功率谱密度和短时傅立叶变换。获得的声学特征可以区分有缺陷和无缺陷的信号，并确定污染物的空间位置。获取的声学信号还表明，传统麦克风获取的数据不足以完全表征 WAAM 工艺发出的声谱。这项工作展示了声学数据和信号处理在 WAAM 生产部件的在线检查中的潜力。关键词：WAAM、声学、傅里叶变换、光学麦克风、STFT
磁双稳态可提高振动冲击摩擦电能收集器的带宽
摘要：振动产生的机械能广泛存在于周围环境中。可以使用摩擦发电机有效地收集这些能量。然而，由于带宽有限，收集器的效率受到限制。为此，本文对变频能量收集器进行了全面的理论和实验研究，该收集器集成了基于振动冲击摩擦电的收集器和磁非线性，以增加工作带宽并提高传统摩擦电收集器的效率。带有尖端磁铁的悬臂梁与另一个极性相同的固定磁铁对齐，以产生非线性磁排斥力。通过利用尖端磁铁的下表面作为收集器的顶部电极，将摩擦电收集器集成到系统中，而将附有聚二甲基硅氧烷绝缘体的底部电极放置在下方。进行了数值模拟以检查磁体形成的势阱的影响。讨论了结构在不同激励水平、分离距离和表面电荷密度下的静态和动态行为。为了开发具有宽带宽的变频系统，通过改变两个磁体之间的距离来改变系统的固有频率，以减小或放大磁力，从而实现单稳态或双稳态振荡。当系统受到振动激励时，梁会振动，从而导致摩擦电层之间产生撞击。收集器电极之间的周期性接触-分离运动会产生交变电信号。我们的理论发现得到了实验验证。本研究的结果有可能为开发有效的能量收集器铺平道路，该收集器能够在广泛的激励频率范围内从环境振动中获取能量。与传统能量收集器相比，在阈值距离处发现频率带宽增加了 120%。非线性冲击驱动的摩擦电能量收集器可以有效拓宽工作频率带宽并增强收集的能量。
带宽高效脑机接口的神经源编码
神经源编码 (NSC) 是一种利用 (深度) 神经网络的建模能力进行源编码的技术。其目标是将数据转换为低熵空间，然后可以使用经典的熵编码方案对其进行编码。在本文中，我们的目标是研究 NSC 在所谓的神经传感器网络中的使用，即一种由一组无线传感器节点组成的身体传感器网络，这些节点记录不同头皮位置的大脑活动，例如通过脑电图 (EEG) 传感器。所有节点都以无线方式将其数据传输到融合中心，然后由给定的深度神经网络对联合传感器信号进行推理。NSC 参数和推理网络是联合学习的，从而针对给定应用优化了准确性和比特率之间的权衡。我们在模拟 EEG 传感器网络中的运动执行任务上验证了此方法，并将得到的权衡与通过将传输数据直接量化为低位精度获得的权衡进行了比较。我们证明，对于非常低的位深度，NSC 比直接量化产生更有利的权衡，并且在所研究的脑机接口 (BCI) 任务中，可以在准确度损失很小的情况下获得较大的带宽增益。
宽带宽带完美吸收，用于一维开放式脱离问题
被动超材料是从波浪共振机理中受益的人造或自然结构。在声学中，它们已被广泛用于实现所需的波浪现象，例如声波衰减，[1-4]扩散，[5-9]单向传输，[10-12]，例如声学二极管，[13]可折线二极管，[13]可直接fractive-fractive-fractive-fractive-fractive-fractive-ractive-Index介质，[14]拓扑任务，[21-24]等。其中，空气中的声音的吸收[25-32]代表了最重要的应用之一。与传统的被动声处理相比，超材料可以显着提高处理低频声波的效率，并使亚波长宽带吸收成为可能。在这种类型的元用户的设计过程中，应精确控制所采用的超材料的分散性能。在被动设计策略中，已经进行了广泛研究的单极或偶极类型的耦合分辨率（例如，请参见[25,26,33]，[34]第3章，[34]第5章，[35]等第5章等）。在一维（1D）反射问题（具有刚性边界[36-38]或软边界[39]）中，可以使用单个谐振器以给定的频率实现。[40,43]请注意，通过使用相同类型的两个谐振器，应适当选择它们在波动方向上的距离以产生其他类型的共振。[40,44]另外，可以考虑退化的谐振器[26,40]，这是通过在波传播沿同一位置引入单极和偶极共振来实现的。在相反的情况下，在1D传输问题中，单极或偶极型谐振器可以实现的最大吸收系数为αmax= 1/2 [25,40–42]；为了产生完美的吸收，至少需要两个耦合的谐振器，因为两种类型的共振都需要相同频率以同时抑制反射和传输。使用退化的谐振器通常会以更加困难的设计过程的价格实现空间紧凑的设计，以使其完美地吸收，因为Evanes-Cont耦合通常很重要。请注意，前面提到的策略是基于产生的镜像对称性
400 MHz 带宽的 2.4 GHz LNA 的设计
摘要 ：低噪声放大器 (LNA) 是接收器最重要的前端模块。LNA 的噪声系数 (NF) 和散射参数影响整个接收器电路的整体性能。如今，在 5G 技术时代，传输数据的质量得到了提高。因此，需要更高的带宽来以更高的速度传输数据。在这种情况下，通信模块需要更新。这项研究是为了推动 LNA 的发展。LNA 设计的主要目标是降低噪声系数和回波损耗。本文旨在设计一个带宽为 400 MHz 的 2.4 GHz LNA。该电路是借助单短截线微带线设计的。我们试图将微带线的长度保持在尽可能短的范围内。这项工作中使用了晶体管 ATF-21170 砷化镓场效应晶体管 (GaAs FET)。该电路在 Keysight Advance Design System (ADS) 中进行了仿真。该放大器采用标准方法手工设计。LNA 在 2.2 GHz 至 2.6 GHz 的频率范围内无条件稳定。为了构建放大器的阻抗匹配电路，使用了史密斯图。观察到 LNA 增益 (S21) 大于 15.3 dB，NF 小于 1.2 dB，输入回波损耗 (S11) 小于 -13.3 dB，输出回波损耗 (S22) 小于 -17.1 dB，带宽为 400 MHz，范围从 2.2 到 2.6 GHz。据作者所知，这在文献中从未出现过。
超快速的锗光电二极管具有3-DB带宽265 GHz
摘要：我们对硬件神经网络（NN）进行了不同的仿真实验，以分析不同数据集在网络准确性中不同NN体系结构的突触数量的作用。一项在4 kbit 1T1R reram阵列上的技术，其中采用了基于H FO 2电介质的电阻开关设备作为参考。在我们的研究中，考虑了完全致密的（FDNN）和卷积神经网络（CNN），在这种情况下，在突触的数量和隐藏层神经元的数量方面，NN的大小各不相同。cnns效果更好。如果包括量化的突触权重，我们观察到随着突触的数量减少，NN的精度显着降低。在这方面，必须实现突触数量与NN准确性之间的权衡。因此，CNN架构必须经过精心设计；特别是，注意到不同的数据集根据其复杂性需要特定的架构以取得良好的结果。表明，由于可以在NN硬件实现的优化中更改的变量数量，因此必须在每种情况下都在突触重量级别，NN体系结构等方面使用特定的解决方案。