XiaoMi-AI文件搜索系统
World File Search System并行执行
对...
各种应用程序生成的大量数据需要高级计算功能来处理，分析和提取洞察力。量子计算具有并行执行复杂操作的能力，对云环境中的数据挖掘具有巨大的希望。本文研究了使用量子计算进行数据挖掘的尖端方法。本文分析了几种关键的量子算法，包括Grover的搜索算法，量子主成分分析（QPCA）和量子支持向量机（QSVM）。它深入研究了这些算法的细节，探索了它们的原理，应用和在各个领域的潜在益处。我们还对各种算法进行了比较分析，并讨论了将量子计算用于数据挖掘的困难，例如对专业知识，可伸缩性问题和硬件约束的要求。总体而言，这项工作证明了量子计算在云系统中可扩展有效的数据挖掘的能力，并提出了未来的研究途径，以调查量子计算在数据挖掘中的使用。
Gamma：利用 Gustavson 算法加速……
我们提出了 Gamma，一种使用 Gustavson 算法解决前人工作挑战的 spMspM 加速器。Gamma 使用专门的处理单元和简单的高基数合并来执行 spMspM 的计算，并并行执行许多合并以实现高吞吐量。Gamma 使用一种新颖的片上存储结构，该结构结合了缓存和显式管理缓冲区的特性。该结构捕获了 Gustavson 的不规则重用模式，并通过明确解耦的数据移动传输数千个并发稀疏光纤（即行或列的坐标和值列表）。Gamma 采用一种新的动态调度算法，尽管存在不规则性，但仍能实现高利用率。我们还提出了新的预处理算法，以提高 Gamma 的效率和多功能性。因此，Gamma 的性能比之前的加速器高出 gmean 2.1 × ，并将内存流量减少了 gmean 2.2 × 和高达 13 × 。
完整的基于代理驱动模型的系统测试...
在本立场文件中，介绍了一种在汽车、航空电子和铁路领域测试复杂自主运输系统 (ATS) 的新方法。该方法旨在缓解 ATS 验证和确认 (V&V) 工作中一些最关键的问题。众所周知，仅使用传统方法时，V&V 对于复杂 ATS 是不可行的。这里提倡的方法在模块级别使用完整的测试方法，因为这些方法为软件的逻辑正确性建立了形式证明。建立逻辑正确性后，在模拟云环境和目标系统上执行系统级测试。为了证明已对目标系统执行了“足够多”的系统测试，引入了形式合理的覆盖标准。为了优化非常大的系统测试套件的执行，我们提倡一种在线测试方法，其中多个测试并行执行，并且测试步骤在运行中被识别。这些执行的协调和优化是通过基于代理的方法实现的。这里提倡的测试方法的每个方面都被证明要么符合现有的安全关键运输系统的开发和 V&V 标准，要么有理由证明它应该在适用标准的未来修订中被接受。
结合摄影测量的城市图像
关键词：组合、比较、影像、正射影像、校正、城市、可视化。摘要：多个科学界致力于使用摄影测量技术对城市地区进行建模。另一方面，随着高分辨率卫星的使用，城市地区的遥感技术也已存在数年。与此同时，从分析摄影测量向数字摄影测量的转变现在已非常有效。因此，遥感和摄影测量变得前所未有的紧密，这种趋势在相应的软件中也非常明显。遥感是需要空间和光谱信息的领域的宝贵工具。对于土地利用评估或区域尺度变化检测等主题，用于光学卫星图像的图像处理技术已证明其潜力。我们的团队熟悉使用摄影测量技术对城市地区进行建模的问题，通过整合卫星图像处理的知识扩展了其研究课题。为此，在与斯特拉斯堡 ENSAIS 测量系学生的实践工作中，我们使用摄影测量软件和遥感软件进行了调查。在创建由立体照片复原而来的数字地形模型后，将创建多个正射影像并将其拼接在一起。已尝试使用 o 并行执行地理编码和拼接图像的步骤
带射频的卷积神经网络，带有射频旋转纳米驱动器
摘要卷积神经网络（Lecun and Bengio 1998脑理论与神经网络手册255-58； Lecun，Bengio和Hinton 2015 Nature 521 436-44）在现代信号处理和机器视觉中是最先进的，无处不在。如今，基于新兴纳米版的硬件解决方案旨在减少这些网络的功耗。 这是通过使用实现卷积滤波器并顺序乘以输入的连续子集的设备，或者通过使用不同的一组设备来并行执行不同的乘法，以避免将中间计算步骤存储在内存中。 SpinTronics设备由于提供了各种神经和突触功能，因此可以进行信息处理。 然而，由于其低/偏高/比率，在单个步骤中使用横杆式旋转记忆阵列进行卷积所需的所有乘法将导致偷偷摸摸的路径电流。 在这里，我们提出了一个建筑，其中突触通信基于共振效果。 这些突触通信具有频率选择性，可防止由偷偷摸摸电流引起的串扰。 我们首先演示了一系列自旋谐振器如何通过依次校正编码连续输入集的射频信号来充当突触并进行卷积。 我们表明，具有多个自旋谐振器的多个链可以实现并行实现。 我们为这些链条提出了两种不同的空间布置。如今，基于新兴纳米版的硬件解决方案旨在减少这些网络的功耗。这是通过使用实现卷积滤波器并顺序乘以输入的连续子集的设备，或者通过使用不同的一组设备来并行执行不同的乘法，以避免将中间计算步骤存储在内存中。SpinTronics设备由于提供了各种神经和突触功能，因此可以进行信息处理。然而，由于其低/偏高/比率，在单个步骤中使用横杆式旋转记忆阵列进行卷积所需的所有乘法将导致偷偷摸摸的路径电流。在这里，我们提出了一个建筑，其中突触通信基于共振效果。这些突触通信具有频率选择性，可防止由偷偷摸摸电流引起的串扰。我们首先演示了一系列自旋谐振器如何通过依次校正编码连续输入集的射频信号来充当突触并进行卷积。我们表明，具有多个自旋谐振器的多个链可以实现并行实现。我们为这些链条提出了两种不同的空间布置。对于每个人，我们解释了如何同时调整许多人工突触，从而利用了突触重量共享特定的卷积。我们通过使用自旋振荡器作为人工微波神经元来展示如何通过使用自旋振荡器在卷积层之间传输信息。最后，我们模拟了这些射频谐振器和自旋振荡器的网络，以求解MNIST手写数字数据集，并获得与软件卷积神经网络相当的结果。由于它可以与纳米设备的单一步骤完全平行运行卷积神经网络，因此本文提出的架构对于需要机器视觉的嵌入式应用程序（例如自主驾驶）很有希望。
ETISTP：一种增强的脑肿瘤识别和生存时间预测模型
摘要：技术辅助诊断在医疗保健系统中越来越重要。脑肿瘤是全球死亡的主要原因，治疗计划在很大程度上依赖于准确的生存预测。胶质瘤是一种脑肿瘤，死亡率特别高，可以进一步分为低级别或高级别，这使得生存预测具有挑战性。现有文献提供了几种使用不同参数的生存预测模型，例如患者年龄、大体全切除状态、肿瘤大小或肿瘤等级。然而，这些模型往往缺乏准确性。使用肿瘤体积而不是大小可以提高生存预测的准确性。为了满足这一需求，我们提出了一种新模型，即增强型脑肿瘤识别和生存时间预测 (ETISTP)，该模型计算肿瘤体积，将其分类为低级别或高级别胶质瘤，并以更高的准确性预测生存时间。ETISTP 模型集成了四个参数：患者年龄、生存天数、大体全切除 (GTR) 状态和肿瘤体积。值得注意的是，ETISTP 是第一个使用肿瘤体积进行预测的模型。此外，我们的模型允许并行执行肿瘤体积计算和分类，从而最大限度地缩短计算时间。模拟结果表明，ETISTP 优于著名的生存预测模型。
基于指令交换规则和持续时间的量子电路串扰抑制
摘要：串扰是量子计算设备的主要噪声源。量子计算中多条指令的并行执行会产生串扰，串扰会引起信号线间的耦合以及信号线间的互感、互容，破坏量子态，导致程序无法正确执行。克服串扰是量子纠错和大规模容错量子计算的关键前提。本文提出了一种基于多指令交换规则和持续时间的量子计算机串扰抑制方法。首先，针对量子计算设备上可执行的大多数量子门，提出一种多指令交换规则。多指令交换规则对量子电路中的量子门进行重新排序，将量子电路中串扰较大的双量子门分离。然后，根据不同量子门的持续时间插入时间赌注，在量子计算设备执行量子电路的过程中小心地分离串扰较大的量子门，以降低串扰对电路保真度的影响。多个基准实验验证了所提方法的有效性。与以前的技术相比，所提出的方法平均提高了15.97％的保真度。
定义被忽视的结构揭示了衰老中的皮质与认知之间的新关联与阿尔茨海默氏病
最近，多素模式分析已验证，与所维护的信息相比，可以通过三个不同的操作替换，抑制或清除从工作记忆中删除信息（WM）（Kim等，2020）。虽然Kim等人的单变量分析和分类的重要性图。（2020）识别有助于这些操作的大脑区域，他们没有阐明这些区域是类似还是独特地代表操作。在55人（17个男性）样本上使用莱顿 - 社区检测，我们识别了四个大脑网络，每个网络都具有代表这些WM操作的多素伏氧素活性模式的独特配置。视觉网络（VN）显示了用于维护和替换的类似的多素模式，这与抑制和清晰相似，这表明该网络区分了一个项目是否在WM中保存。体积运动网络（SMN）显示出与其他操作相对于其他操作的独特的多素模式，表明该操作的独特性。默认模式网络（DMN）具有不同的抑制和清除模式，但是这两个操作比维护和替换更相似，而这种模式与VN和SMN的模式中间。额叶控制网络（FPCN）为四个操作中的每个操作显示不同的多素模式，这表明该网络可能在实施这些WM操作中起重要作用。这些结果表明，从WM中删除信息的操作可以通过不同的大脑网络并行执行，每个网络都具有特定的配置，它们代表这些操作。
通过中性原子量子架构中的基于使用的迁移减少运行时开销
摘要 — 中性原子是可扩展量子计算架构的一个有前途的选择。长距离相互作用和原生多量子比特门等特性可以减少通信成本和操作次数。然而，用作量子比特的捕获原子可能会在计算过程中以及由于不利的环境因素而丢失。丢失的计算量子比特的值无法恢复，需要重新加载阵列并重新运行计算，从而大大增加了电路的运行次数。存在软件缓解策略 [1]，但会慢慢耗尽电路的原始映射位置，并在整个架构中创建更分散的量子比特簇，从而降低成功的可能性。我们通过开发找到所有可到达量子比特（而不是仅相邻的硬件量子比特）的策略来提高灵活性。其次，我们将架构划分为单独的部分，并在每个部分中运行电路，不会丢失原子。如果架构足够大，这会重置电路而无需重新加载整个架构。对于使用 30% 架构的电路，这将在重新加载之前的有效射击次数增加两倍。我们还探索使用这些部分来并行执行电路，将 30 量子比特电路的总体运行时间减少 50%。这些技术有助于形成一套动态的新策略来对抗计算空间丢失的有害影响。索引术语 — 量子计算、中性原子、重新编译
超维计算的自适应模型位宽
摘要 — 受大脑启发的超维 (HD) 计算是一种模拟高维空间中神经元活动的新型计算范式。HD 计算的第一步是将每个数据点映射到高维空间（例如 10,000）。这带来了几个问题。例如，数据量可能会激增，所有后续操作都需要在 D = 10,000 维中并行执行。先前的工作通过模型量化缓解了这个问题。然后可以将 HV 存储在比原始数据更小的空间中，并且可以使用较低位宽的操作来节省能源。然而，先前的工作将所有样本量化为相同的位宽。我们提出了 AdaptBit-HD，一种用于加速 HD 计算的自适应模型位宽架构。当可以使用更少的位来找到正确的类时，AdaptBit-HD 一次一位地对量化模型的位进行操作以节省能源。借助 AdaptBit-HD，我们可以在必要时利用所有位来实现高精度，并在设计对输出有信心时终止较低位的执行，从而实现高能效。我们还为 AdaptBit-HD 设计了一个端到端 FPGA 加速器。与 16 位模型相比，AdaptBit-HD 的能效提高了 14 倍；与二进制模型相比，AdaptBit-HD 的精度提高了 1.1%，与 16 位模型的精度相当。这表明 AdaptBit-HD 能够实现全精度模型的精度，同时具有二进制模型的能效。