XiaoMi-AI文件搜索系统
World File Search System并行任务
印度太空任务 月船号任务
其中包括 53 颗位于不同低地球轨道 (LEO) 和地球同步地球轨道 (GEO) 的印度卫星。印度还发射了火星和月球探测任务。最近，印度成功发射了月船三号，成为世界上第四个登陆月球的国家，也是第一个将维克拉姆着陆器和 Pragyan 探测器降落在月球南极附近的国家。此外，2023 年 9 月 2 日，印度发射了 Aditya-L1 任务来研究太阳。预计这颗卫星将于 2024 年 1 月的某个时候到达其指定位置拉格朗日 1 号 (L1)，并保持在太阳和地球之间的稳定状态。印度还计划很快将一名印度公民派遣到低地球轨道，可能是在 2023 年底或 2024 年初。这次任务被称为 Gaganyaan。印度太空计划还以其以极低的价格发射任务的专业知识而闻名。
A-D 任务风险等级的任务保障指南
执行摘要 “A-D 任务风险等级任务保障指南”文件是 2010-2011 任务保障研讨会 (MAIW) 计划的团队产品。该团队由政府和行业合作伙伴组成，其目标是制定指南，为给定的航天器风险等级 (A、B、C 或 D) 定义任务保障流程的特征概况，作为推荐的技术基准，适合根据计划约束和任务需求满足计划需求。本文档利用 2010 年 MAIW 产品“任务保障计划框架”，该框架定义了 16 个支持任务成功的流程，这些流程在所有组织中都普遍一致，并被认为是提供美国太空计划有效任务保障所必需的基本要素。
Starling群体技术任务状态和扩展任务
目的：太空运营任务局（SOMD）为机构提供了与人类探索相关的NASA空间操作的领导和管理，与低地球轨道（LEO）中的人类勘探有关。SOMD管理当前和未来的空间运营，包括目前在狮子座的国际空间站（ISS），并向ISS提供了六个商业发射服务，并对轨道进行了广泛的科学研究。LEO以外的勘探活动包括商业空间运输，勘探系统操作，人类太空飞行，功能和高级勘探系统的管理。SOMD还负责机构的领导和管理NASA和NASA赞助的有效载荷的空间运输服务，这些有效载荷需要轨道发射，以及该机构的太空通信和导航服务，以支持两个人类动物探索计划。
Colossal-AI：用于大规模并行训练的统一深度学习系统
Transformer 模型的成功将深度学习模型规模推向了数十亿参数，但单 GPU 的内存限制导致在多 GPU 集群上进行训练的需求迫切。然而，选择最优并行策略的最佳实践仍然缺乏，因为它需要深度学习和并行计算领域的专业知识。Colossal-AI 系统通过引入统一接口将模型训练的顺序代码扩展到分布式环境，解决了上述挑战。它支持数据、管道、张量和序列并行等并行训练方法，并集成了异构训练和零冗余优化器。与基线系统相比，Colossal-AI 在大规模模型上可以实现高达 2.76 倍的训练加速。
使用并行视觉处理器实现无人机的跟踪控制
摘要 — 本文介绍了一种基于视觉的控制策略，使用一种新型视觉传感器跟踪地面目标，该传感器为每个像素元素配备一个处理器。这使得计算机视觉任务能够以高效的方式直接在焦平面上执行，而无需使用单独的通用计算机。该策略使小型、灵活的四旋翼无人机 (UAV) 能够以最少的计算工作量和低功耗从近距离跟踪目标。为了评估该系统，我们瞄准了一辆由混沌双摆轨迹驱动的车辆。目标接近度和车辆的巨大、不可预测的加速度给无人机带来了挑战，使其难以保持在向下摄像头的视野 (FoV) 内。状态观察器用于平滑对目标位置的预测，并且重要的是估计速度。实验结果还表明，在目标能见度短时间内丢失期间，可以继续重新获取和跟踪目标。跟踪算法利用视觉传感器的并行特性，在与无人机控制器出现任何通信瓶颈之前实现高速图像处理。由于视觉芯片执行最密集的视觉信息处理，因此计算机上跟踪的所有控制在计算上是微不足道的。这项工作旨在开发出节能且只在信息周围传送有用数据的视觉敏捷机器人
使用 WarpX 进行大规模并行粒子细胞建模
J.-L. Vay、A. Huebl，“等离子体粒子加速器大规模建模中原位/传输方法的应用”，ISAV'20 研讨会主题演讲 (2020)；M. Larsen 等人，“ALPINE 原位基础设施：从稻草人的灰烬中崛起”，ISAV'17 会议论文 (2017)
人类 T 细胞的大规模并行敲入工程
靶向基因敲入在细胞治疗中的应用效率普遍较低，规模有限。本研究开发了CLASH系统，该系统能够实现高效、高通量的基因敲入工程。在CLASH中，Cas12a/Cpf1 mRNA与混合腺相关病毒结合，通过大规模并行同源定向修复介导同时基因编辑和精准转基因敲入，从而产生一个稳定整合的突变变体池，每个变体都具有靶向基因编辑功能。我们将该技术应用于原代人T细胞，并使用CD3、CD8和CD4 T细胞在血癌和实体瘤模型中进行了时间进程式CLASH实验，从而实现了有利的CAR-T变体的混合生成和无偏选择。 CLASH 实验中出现了一种独特的 CRISPR RNA (crRNA)，它可以在 CAR-T 中生成 PRDM1 的外显子 3 跳跃突变，从而增强这些细胞的增殖、干细胞样特性、中枢记忆和寿命，从而在多种癌症模型（包括实体瘤模型）中提高体内疗效。CLASH 的多功能性使其广泛应用于各种细胞和治疗工程应用。
推进集成人工智能的并行编程，提高效率和自动化程度
摘要。本文深入探讨了人工智能 (AI) 在并行编程中的蓬勃发展，强调了其改变计算效率和开发人员体验格局的潜力。我们首先探讨了并行编程在现代计算中的基本作用及其带来的固有挑战，例如任务分配、同步和内存管理。人工智能的出现，尤其是在机器学习和深度学习中，为这些挑战提供了新颖的解决方案。我们讨论了人工智能在自动创建并行程序中的应用，重点是自动代码生成、自适应资源管理和增强开发人员体验。本文研究了特定的人工智能方法——遗传算法、强化学习和神经网络——及其在优化并行编程各个方面中的应用。此外，我们深入探讨了将这些人工智能方法结合起来以产生协同效应的前景，强调了提高效率和准确性的潜力。我们还强调了将人工智能技术与现有开发工具相结合的重要性，旨在将人工智能的好处带给更广泛的开发人员。本文最后展望了未来的研究方向，包括开发适应并行编程中不同任务和环境的自适应 AI 模型。这些进步有望使并行编程更加强大、更易于访问和更高效，为计算能力和创新的新时代铺平道路。
Colossal-AI：用于大规模并行训练的统一深度学习系统
Transformer 模型的成功将深度学习模型规模推向了数十亿参数，但单 GPU 的内存限制导致在多 GPU 集群上进行训练的需求迫切。然而，选择最优并行策略的最佳实践仍然缺乏，因为它需要深度学习和并行计算领域的专业知识。Colossal-AI 系统通过引入统一接口将模型训练的顺序代码扩展到分布式环境，解决了上述挑战。它支持数据、管道、张量和序列并行等并行训练方法，并集成了异构训练和零冗余优化器。与基线系统相比，Colossal-AI 在大规模模型上可以实现高达 2.76 倍的训练加速。
飞机、制造和供应链并行设计的系统工程整体方法
这项博士研究活动是在德国航空航天中心 (DLR)，具体来说是在汉堡航空系统架构研究所进行的，由那不勒斯费德里科二世大学的飞机和飞行技术设计 (DAF) 研究小组进行学术监督。它是在 H2020 AGILE4.0 项目中开发的，并在正在进行的 Horizon Europe Colossus 项目中得到利用，这两个项目均由欧盟委员会资助。在这段旅程中，我遇到了很多人，我想对他们表示感谢。首先，我要对我的导师表示感谢。感谢 Björn Nagel 给我机会踏上这段旅程，感谢他一直对我的信任，感谢他尽管有很多承诺，但始终陪伴在我身边。我感谢 Pier Davide Ciampa 选择我，感谢他一直相信我的潜力，感谢他为我提供宝贵的技术建议，感谢他不断给我灵感。我衷心感谢 Fabrizio Nicolosi 立即愿意负责我的活动，并对我的工作和努力给予信任。最后，我感谢 Pierluigi Della Vecchia 的持续参与和支持。我还要衷心感谢 Ana Paula Cuco、Joao Mello、Felipe Odaguil、Ton van der Laan、Nathalie Bartoli 和 Thierry Lefebvre。我非常感谢三年多来我们每周五进行的精彩讨论。多亏了你们，我在职业和个人方面都得到了成长。我学到了很多东西，每天都在挑战自己，以获得新技能并实现我们共同的目标。感谢你们与我分享你们的热情、激情和工作承诺。感谢你们将我们的职业关系变成了真正的友谊。特别感谢 Nathalie 和 Ana，她们继续成为勤奋女性的鼓舞人心的榜样。感谢你们在 AGILE4.0 活动期间分享的所有美好时刻。感谢整个 AGILE4.0 联盟多年来提供的所有反馈。我要特别感谢审稿人 Christopher Jouannet 和 Andrea Cini。感谢你们花时间审阅我的工作并提供反馈，这无疑改进了这篇论文并为未来的工作提供了宝贵的见解。还要感谢会议专员 Kristian Amadori、Rauno Cavallaro 和 Agostino De Marco 参加我的博士论文答辩。我的同事们也值得我感谢，他们支持我和我的博士学位，即使是间接的。特别感谢我所在的团队。感谢你们所有引人入胜且鼓舞人心的讨论。我还要感谢 Luca Boggero 从不怀疑我的能力，鼓励我永不放弃，并始终