XiaoMi-AI文件搜索系统
World File Search System并行
使用混合分布的 MCET 实现精确并行分割模型 (PPSM)
摘要目的——图像分割是图像处理应用中最重要的任务之一。它是许多面向应用的宝贵工具，例如医疗保健系统、模式识别、交通管制、监视系统等。然而，准确的分割是一项关键任务，因为找到适合不同类型图像处理应用的正确模型是一个长期存在的问题。本文开发了一种新颖的分割模型，旨在成为使用任何类型图像处理应用的统一模型。所提出的精确并行分割模型 (PPSM) 结合了三种基准分布阈值技术来估计最佳阈值，从而实现分割区域的最佳提取：高斯分布、对数正态分布和伽马分布。此外，提出了一种并行增强算法来提高所开发的分割算法的性能并最大限度地降低其计算成本。为了评估所提出的 PPSM 的有效性，使用了不同的图像分割基准数据集，例如 Planet Hunters 2 (PH2)、国际皮肤成像合作组织 (ISIC)、微软剑桥研究院 (MSRC)、伯克利分割基准数据集 (BSDS) 和 COntext 中的通用对象 (COCO)。获得的结果表明，与其他分割模型相比，使用不同类型和领域的基准数据集，所提出的模型能够显著缩短处理时间，实现高精度。设计/方法/方法——所提出的 PPSM 结合了三种基准分布阈值技术来估计最佳阈值，从而实现分割区域的最佳提取：高斯分布、对数正态分布和伽马分布。结果——根据所获得的结果，可以观察到，所提出的基于 PPSM——最小交叉熵阈值 (PPSM - MCET) 的分割模型是一种具有高性能的稳健、准确、高度一致的方法。原创性/价值——使用 MCET 构建了一种利用高斯、伽马和对数正态分布组合的新型混合分割模型。此外，为了以最小的计算成本提供准确、高性能的阈值，所提出的 PPSM 使用并行处理方法来最大限度地减少 MCET 计算中的计算工作量。所提出的模型可用作许多面向应用的宝贵工具，例如医疗保健系统、模式识别、交通管制、监控系统等。关键词最小交叉熵阈值、混合分布、精确分割、并行计算论文类型研究论文
并行政策？ 52全球新闻中新闻AI政策的比较研究
越来越多的新闻机构已经制定了指南，以管理他们如何使用人工智能（AI）。本文分析了一套52套准则，主要来自西欧和北美，来自比利时，巴西，加拿大，芬兰，德国，印度，荷兰，荷兰，挪威，瑞典，瑞典，瑞士，英国，英国和美国的出版商。研究正式和主题特征，我们提供了有关发布者如何解决新闻中AI的期望和关注点的见解。从新机构理论和制度性同构中得出，我们认为，政策显示出同质性的迹象，这可能是由同构动力学解释的，这是作为对Chatgpt发行后的生成AI兴起而产生的不确定性的一种反应。我们的研究表明，出版商已经开始在处理AI生成的内容时就关键点（例如透明度和人类监督）的指南汇总。但是，我们认为国家和组织特质继续在塑造出版商的实践中重要。我们通过指出围绕AI指南中的技术依赖性，可持续性AI和不平等现象的盲点，并为进一步的研究提供了方向。
具有并行输出的 10 位模拟数字转换器数据表 (Rev. G)
电源电压，V DD1 、V DD2 和 V DD3 （见注释 1）6.5 V 。........................................输入电压范围，V I (任何输入) −0.3 V 至 V DD + 0.3 V ..。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。输出电压范围，V O −0.3 V 至 V DD + 0.3 V。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。峰值输入电流（任何数字输入）± 10 mA 。......................。。。。。。。。。。。。。.....................峰值总输入电流（所有输入）± 30 mA .....。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。....工作自然通风温度范围，T A ：TLC1550I、TLC1551I −40 ° C 至 85 ° C ......................TLC1550M −55 ° C 至 125 ° C ................................存储温度范围，T stg −65 ° C 至 150 ° C .....。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。........10 秒外壳温度：FK 或 FN 封装 260 °C .............。。。。。。。。。。。。。。。。。。。。。。。。..距外壳 1.6 毫米（1/16 英寸）处的引线温度持续 10 秒：J 或 NW 封装 260 ° C ..........
使用强化学习对量子电路进行经典模拟：并行环境和基准
谷歌的“量子霸权”公告 [3] 受到了学术界和工业界的广泛质疑，因为 Summit 超级计算机上经典模拟任务的运行时间估计为 10,000 年，这一估计存在争议。“量子霸权”已经到来了吗？还是一二十年后才会到来？为避免科技巨头或量子初创公司仓促宣传“量子霸权”，并消除专门组建团队进行经典模拟任务的成本，我们提倡采用开源方法来维持可靠的基准性能。在本文中，我们采用强化学习方法进行量子电路的经典模拟，并通过报告估计模拟时间少于 4 天、比最先进方法加速 5.40 倍来展示其巨大潜力。具体来说，我们使用 K-spin Ising 模型将经典模拟任务公式化为张量网络收缩排序问题，并采用一种基于汉密尔顿的新型强化学习算法。然后，我们评估量子电路经典模拟的性能。我们开发了十几个大规模并行环境来模拟量子电路。我们开源了我们的并行 gym 环境和基准。
大规模并行评估人类皮质结构相关变异的基因调控活性
。CC-BY 4.0 国际许可（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2025 年 2 月 13 日发布。；https://doi.org/10.1101/2025.02.08.635393 doi：bioRxiv 预印本
使用碱基编辑器筛选对人类变异进行大规模并行评估
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± VRPHWLPHV FDOOHG PXOWLSOH[HG DVVD\V RI YDULDQW HIIHFWV RU 0$9(V 6WDULWD HW DO :HLOH HW DO RIIHU GLI ± QWHQWHVHVHVHV V 2QH JHQHUDO FDWHJRU\ RI 0$9(V DUH DVVD\V LQ ZKLFK D SUHGHILQHG VHW RI YDULDQWV
multicrispr：用于主要编辑和数千个目标的并行定位的 gRNA 设计
近年来，通过 Crispr/Cas9 技术靶向编码基因组引入单核苷酸缺失/插入已成为一种标准程序。它迅速催生了多种方法，例如 Prime Editing、Crispr/Cas9 辅助 APEX 邻近标记蛋白质或同源定向修复 (HDR)，但支持这些方法的生物信息学工具却落后了。新应用通常需要特定的向导 RNA (gRNA) 设计功能，而通用的 gRNA 设计工具却严重缺失。在这里，我们回顾了 gRNA 设计软件并介绍了 multicrispr，这是一种基于 R 的工具，旨在设计单个 gRNA 以及并行靶向许多基因组位点的 gRNA 库。该软件包易于使用，可检测、评分和过滤 gRNA 的效率和特异性，可视化和汇总每个目标或 Crispr/Cas9 序列的结果，最后返回基因组范围以及首选的、无脱靶 gRNA 序列。为了通用，multicrispr 定义并实施了一个基因组算法框架，作为轻松适应尚未出现的技术的基础。其性能和新的 gRNA 设计概念（例如针对 gRNA 库的目标集特定过滤）使 multicrispr 成为处理类似筛选方法时的首选工具。
集成光子学中的高率并行化Medicine®UC Davis
从一吨CO 2估算社会成本（SCC）的社会成本（SCC） - 重新将气候系统模型与气候变化的经济和社会影响相关联，以及在时间和空间之间的多元化，不确定的影响的综合。越来越多的文献研究了支持SCC计算的模型的基本结构元素的影响。这项工作以零碎的方式积累，使他们的相对重要性不清楚。在这里，我们对SCC上的证据进行了全面的综合，结合了1,823个来自147项研究的SCC估计，以及对这些研究的作者的调查。已发表的2020 SCC值的分布宽且基本右翼，显示了右尾重的证据（截断的平均值为132美元）。ANOVA揭示了包括持续损害，地球系统的表示和分布加权的重要作用。但是，我们的调查表明，专家认为，由于模型结构的采样，损害损失的不完整表征和高折现率，文献低估了SCC。为了解决这种不平衡，我们对文献中的变化进行了随机森林模型的培训，并使用它来生成合成的SCC分布，该分布更加与适当的模型结构和折现的专家评估更匹配。该合成分配的平均每吨脉冲年份为283美元（5％至95％范围：32至874美元），高于大多数政府估计，包括美国EPA的2023年更新。
使用 Selene DGXA100 SuperPOD 和 Lustre 并行文件系统存储加速大规模 AI
大规模人工智能的挑战 DGXA100 和 Selene 关于 Selene 存储架构的讨论 合成和真实应用性能 客户端缓存：工作负载性能的新功能？
生物质炉的并行多物理场仿真和中小企业的云端工作流程
[1] Xavier Besseron、Alban Rousset、Alice Peyraut 和 Bernhard Peters。2021 年。使用 preCICE 在 XDEM 和 OpenFOAM 之间进行欧拉-拉格朗日动量耦合。在第 14 届 WCCM 和 ECCOMAS 大会 2020 上。[2] Christian Bruch、Bernhard Peters 和 Thomas Nussbaumer。2003 年。固定床条件下的木材燃烧建模。Fuel 82（2003 年）。https://doi.org/10.1016/S0016-2361(02)00296-X [3] José María Cela、Philippe OA Navaux、Alvaro LGA Coutinho 和 Rafael Mayo-García。2016 年。促进能源研究和技术开发方面的合作，应用新的百亿亿次 HPC 技术。在第 16 届 IEEE/ACM 国际集群、云和电网计算研讨会 (CCGrid) 上。https://doi.org/10.1109/CCGrid.2016.51 [4] Tao Chen、Xiaoke Ku、Jianzhong Lin 和 Hanhui Jin。2019 年。热厚生物质颗粒燃烧建模。Powder Technology 353 (2019)。 https://doi.org/10.1016/j.powtec.2019.05.011 [5] Gerasimos Chourdakis、Kyle Davis、Benjamin Rodenberg、Miriam Schulte、Frédéric Simonis、Benjamin Uekermann、Georg Abrams、Hans-Joachim Bungartz、Lucia Cheung Yau、Ishaan Desai、Konrad Eder、Richard Hertrich、Florian Lindner、Alexander Rusch、Dmytro Sashko、David Schneider、Amin Totounferoush、Dominik Volland、Peter Vollmer 和 Oguz Ziya Koseomur。 2021. preCICE v2：可持续且用户友好的耦合库。 ArXiv210914470 Cs (2021)。 [6] 艾汉·德米尔巴斯。 2005. 可再生能源的潜在应用、锅炉动力系统中的生物质燃烧问题以及燃烧相关的环境问题。能源与燃烧科学进展 31 (2005)。https://doi.org/10.1016/j.pecs.2005.02.002 [7] Andrea Dernbecher、Alba Dieguez-Alonso、Andreas Ortwein 和 Fouzi Tabet。2019. 基于计算流体动力学的生物质燃烧系统建模方法综述。生物质转化生物参考。9 (2019)。https://doi.org/10.1007/s13399-019-00370-z