XiaoMi-AI文件搜索系统
World File Search System并行
文章 支持并行识别的嵌入式 AI 系统的多核控制器
摘要：人工智能 (AI) 技术的最新进展促进了 AI 系统在各种应用中的应用。在大多数部署中，基于 AI 的计算系统采用中央服务器处理大部分数据的架构。此特性使系统使用大量网络带宽并可能导致安全问题。为了克服这些问题，提出了一种称为联邦学习的新 AI 模型。联邦学习采用一种架构，其中客户端负责数据训练并仅将训练结果传输到中央服务器。由于来自客户端的数据训练抽象并减少了原始数据，因此系统在减少网络资源和增强数据安全性的情况下运行。具有联邦学习的系统支持各种客户端系统。要构建具有资源有限的客户端系统的 AI 系统，将客户端系统与多个嵌入式 AI 处理器组合是有效的。为了实现具有这种架构的系统，引入控制器来仲裁和利用 AI 处理器成为一项严格的要求。在本文中，我们提出了一种用于联邦学习的嵌入式 AI 系统，该系统可以根据应用灵活地与 AI 核心组合。为了实现所提出的系统，我们设计了一个多 AI 核心控制器，并将其实现在现场可编程门阵列 (FPGA) 上。通过图像和语音应用程序验证了所设计的控制器的运行，并通过模拟器验证了其性能。
并行优化LNP和特定疾病的有效载荷...
基础编辑可以使基因组DNA中可编程的单基碱基突变，并有可能永久治愈严重的遗传疾病。意识到这一潜力需要开发安全有效的方法，以将基础编辑试剂传递到目标器官的细胞内隔室。LNP是一种经过临床验证的RNA疗法的技术。在这项工作中，我们优化了LNP，用于传递编码基本编辑器的mRNA，并将RNA引导至肝细胞。使用替代有效载荷，已发表的腺嘌呤基本编辑器（ABE）和在啮齿动物和非人类灵长类动物（NHP）之间保守的指导RNA进行了优化。在平行的努力中，我们开发了疾病特异性的基础编辑器和指导RNA（GRNA），可以纠正致病性突变。当这些治疗有效载荷是在LNP中提出的，它们能够在转基因小鼠模型的肝脏中有效纠正引起疾病的突变。
以并行或串行模式执行的高效功能性磁共振成像神经反馈训练中策略执行和反馈处理的大脑网络
神经反馈 (NF) 是一种复杂的学习场景，因为任务包括尝试心理策略，同时处理反馈信号，该反馈信号表示大脑区域被激活，需要自我调节并充当潜在的奖励信号。为了剖析这些子组件，我们在两种范式中获得了与有效自我调节相关的全脑网络：并行，其中任务是同时执行的，将反馈与策略执行相结合；串行，其中任务是连续执行的，将反馈处理与策略执行分开。20 名参与者在 2 周的 18 个疗程中尝试使用功能性磁共振成像 (fMRI) NF 控制他们的前中扣带皮层 (aMCC)，使用认知和情感心理策略。我们分析了串行和并行范式中 aMCC 激活最大的 NF 训练运行中的全脑 fMRI 激活。串行范式中策略执行和反馈处理周期的相等长度允许以相等的功率描述两个任务子组件。得到的激活图与功能注释的内在连接脑图 (BM) 在空间上相关。平行条件下的大脑激活与基底神经节 (BG) 网络、扣带回-岛叶网络 (CON) 和额顶叶控制网络 (FPCN) 相关；串行策略执行条件下的大脑激活与默认模式网络 (DMN)、FPCN 和视觉处理网络相关；而串行反馈处理条件下的大脑激活主要与 CON、DMN 和 FPCN 相关。额外的比较表明，BG 激活是平行范式的特征，而超缘回 (SMG) 和颞上回 (STG) 激活是串行范式的特征。
![用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。](/simg/d/d0b24e3de4e984953fcbe1080336ba472eefd4f9.png)
用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。
用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。
探索并行性以提高硬件中的frodokem的性能
摘要Frodokem是一种基于晶格的钥匙封装机制，目前是NIST量子后标准化工作中的半决赛。这些候选人的条件是使用NIST标准来进行随机性（即种子扩张），因此大多数候选人都使用Shake，这是SHA-3标准中定义的XOF。但是，对于许多候选人来说，该模块是一个重要的实现瓶颈。triv-ium是一个轻巧的ISO标准流密码，在硬件中的性能很好，并且已用于基于晶格的加密技术的预先硬件设计。这项研究提出了针对Frodokem的优化设计，通过与密码方案中的矩阵乘法操作并行，将重点放在高吞吐量上。由于其较高的吞吐量和较低的面积消耗，因此通过使用Trivium来缓解此过程。所提出的并行性还补充了一阶掩盖的拟合模式。总体而言，我们大大增加了佛罗多克的吞吐量；对于封装，我们看到16倍加速，每秒实现825次操作，而对于decapsu-
使用卷积神经网络的并行连接电池的内部短回路检测
新材料开发的第一个也是最重要的步骤之一是新化合物的合成，制定或制备。通常，此步骤标志着材料开发的开始，然后是表征（潜在的纯化）和对获得数据的解释。通常，新材料是通过化学反应，修饰或通过制剂/混合不同物质获得的。必须选择符合适当特性的选择材料。通常在当今的研究中，这些合成是由人类（即科学家或技术人员）进行的，他们为不同类别的材料提供了广泛的不同方法。在聚合物领域中主要是经典的有机合成方案，[8]也存在诸如烧结步骤（例如，对于陶瓷），[9]融化过程[10]或Sol-Gel过程[11]或其他材料类别[11]的其他材料类别，例如其他材料类别[11]，例如，分别为集体。这种方法具有极大的缺点，即结果和获得的材料在很大程度上取决于进行实验的研究人员以及人们的经验。因此，物质研究数字化的初步方法主要集中在合成的自动化，并行化和微型化以及高通量过程的机会的发展。[12]两种优先方法是基于机器人的合成[13]和流化学[14]（包括微流体[15]）。前者是基于合成机器人的利用，该机器人可以同时执行各种实验，并具有高精度和高可重复性。相比之下，例如，使用流量化学微反应器，由于Par-Allel实验以及相对较低的所需
并行计算模式下的传感器生物医学信号采集
摘要：有几种病症会攻击中枢神经系统，每种病症都有不同的治疗方法。这些治疗方法尽可能地减少或抵消这些类型的病症和疾病对患者造成的后果。因此，神经康复疗法提供了全面的神经护理，以提高患者的生活质量并促进他们在社会中的表现。了解神经康复疗法如何帮助患者的一种方法是通过脑电图 (EEG) 测量他们的大脑活动变化。EEG 数据处理应用程序已在神经科学研究中使用，具有高度计算和数据密集型。我们的提案是一个集成的脑电图、心电图、生物声学和数字图像采集分析系统，为神经科学专家提供工具来评估各种疗法的效率。该提案的三个主要轴是：并行或分布式捕获、生物医学信号的过滤和调整以及实际采样时期的同步。因此，本提案奠定了一个通用系统的基础，该系统的主要目标是成为该领域的无线基准。通过这种方式，该提案可以获得并提供一些生物医学信号的分析工具，用于测量大脑在治疗期间受到外部系统刺激时的相互作用。因此，该系统在必要时支持极端环境条件，从而扩大了其应用范围。此外，根据研究需要，可以根据本提案添加或删除传感器，从而产生受 CPU 内核数量限制的广泛配置，即生物传感器越多，所需的 CPU 内核就越多。为了验证所提出的集成系统，它被用于海豚辅助治疗，用于治疗婴儿脑瘫和强迫症患者以及神经典型患者。样本周期的事件同步有助于隔离相同的治疗刺激，并允许通过功率谱或分形几何等工具对其进行分析。
实现“GRACE-I”卫星任务，用于并行观测
o 例如，在具有大倾斜角的钟摆轨道上飞行（这会增加对东西重力变化的敏感性）将需要进一步研究，因为由此产生的两个航天器的相对速度可能对于 LRI 操作来说太高。o 对于低于 420 公里的高度（为了进一步增加对重力变化的敏感性），非重力力的增加幅度可能对于加速度计来说太大，可能需要更复杂的 AOCS。o 将航天器的分离从 220 公里增加到 300 或 400 公里（这将降低加速度计误差的影响）另一方面会增加两颗卫星之间的指向要求，这可能会抵消大距离的积极影响。所有这三个都需要在后续研究中进一步调查。
振动动力学的并行量子计算
线性三原子分子的振动动力学由并行运行的量子信息处理设备模拟。量子设备是一组半导体量子点二聚体，在室温下通过可见光频率范围内的超快激光脉冲进行寻址和探测。考虑到胶体量子点不可避免的尺寸分散性导致的固有噪声的实际评估，并限制了可用于计算的时间。在考虑的短时间内，只有量子点的电子态对激发作出反应。使用电子态量子点 (QD) 二聚体的模型，该模型保留了基于单个 QD 的最低和第一激发态构建的激子二聚体状态的八个最低带。我们展示了如何实际测量多达 8 2 64 个量子逻辑变量并将其用于处理此 QD 二聚体电子级结构的信息。这是通过寻址 QD 的最低和第二激发电子态来实现的。使用较窄的激光带宽（较长的脉冲），只能相干地寻址较低带的激发态，从而实现 4 2 16 个逻辑变量。这已经足以模拟两个振荡器之间的能量传递和振动分子中的相干运动。