XiaoMi-AI文件搜索系统
World File Search System开源
开源大型语言模型 (LLM) 的优势与风险评估
• 校验和验证：根据加密校验和验证模型文件和嵌入。 • 安全模型供应链：使用受信任的存储库并验证开源模型的来源。 • 上下文毒害：确保响应来自准确和真实的数据 • 实时监控
开源模式构建CPU生态的机遇与挑战
摘要 摘要 RISC-Ⅴ凭借“指令集要自由”这一激动人心的口号，在过去十年中获得了极大的关注和广泛的投入。基于RISC-Ⅴ，我们能够在CPU芯片领域构建“人类命运共同体”，尽管仍面临诸多挑战。中国应探索自身能力，在开源芯片生态系统建设中做出更多贡献。
NeuroPycon：一个用于快速多...的开源 Python 工具箱
近年来，神经科学领域出现了大量可重复研究的趋势。不幸的是，这一努力往往受到所用工具种类繁多、项目特定的自定义代码以及难以跟踪所有用户定义参数的挑战。NeuroPycon 是一个开源多模态脑数据分析工具包，它提供基于 Python 的模板管道，用于 MEG、EEG、功能和解剖 MRI 数据的高级多处理，重点是连接性和图论分析。重要的是，它提供可共享的参数文件，以方便复制所有分析步骤。NeuroPycon 基于 NiPype 框架，该框架通过将许多常用的神经成像软件工具包装到一个通用的 Python 环境中来促进数据分析。换句话说，NeuroPycon 并不是一个拥有自己脑信号处理标准算法实现的脑成像软件，而是将现有包（用 Python、Matlab 或其他语言编写）无缝集成到一个统一的 Python 框架中。重要的是，由于 NiPype 提供的多线程处理和计算效率，NeuroPycon 提供了一种快速并行处理的简单选项，这在处理大量多维脑数据时至关重要。此外，其灵活的设计允许用户通过将不同的节点相互连接来轻松配置图形分析管道。每个节点可以是 Python 包装的模块、用户定义的函数或成熟的工具（例如用于 MEG 分析的 MNE-Python、用于图论指标的 Rada 工具等）。最后但并非最不重要的一点是，使用 NeuroPycon 参数文件完整描述任何管道的能力是可重复性的重要特性，因为它们可以共享并用于他人轻松复制。NeuroPycon 的当前实现包含两个互补的包：第一个称为 ephypype，包括用于电生理分析的管道和用于动态管道创建的命令行界面。目前的实现允许 MEG/EEG 数据导入、预处理和清理，通过自动去除眼部和心脏伪影，以及传感器或源级连接分析。第二个包称为 graphpype，旨在通过各种图论指标（包括模块化分区）研究功能连接。本文介绍了该工具包的理念、架构和功能，并通过交互式笔记本提供了说明性示例。NeuroPycon 可通过 github（https://github.com/neuropycon）下载，两个主要包均在线记录（https://neuropycon.github.io/ephypype/index.html 和 https://neuropycon.github.io/graph pype/index.html）。未来的发展包括多模态数据融合（例如 MEG 和 fMRI 或颅内 EEG 和 fMRI）。我们希望 NeuroPycon 的发布能够吸引更多用户和新的贡献者，并且
将学术开源 EDA 与现实世界的可用性联系起来
已经发布了几种学术 EDA 工具；但是，即使是其他学术机构，也很少在实际流片中使用。强大的开源工具需要用户的反馈和指导。为此，OpenROAD 聘请最终用户作为内部设计顾问，他们拥有多次流片和 EDA 工具流程开发的经验。本文讨论了 OpenROAD 设计顾问正在进行的工作，将 OpenROAD 从工具集合转变为端到端的自主设计流程。我们讨论了我们的工作，以填补完整的 RTL 到 GDS 设计流程的空白，组装一个反映实际流片的全流程测试套件，调试工具之间的流程级问题，并弥合 OpenROAD 开发人员和开源社区其他成员之间的差距。最后，我们讨论了 OpenROAD 实现完全自主的长期目标，以及从用户的角度来看这意味着什么。
OPEN：开发智能本地能源系统应用的开源平台
本文介绍了 OPEN，这是一个用于智能本地能源系统集成建模、控制和仿真的开源软件平台。电力系统正在经历一场根本性的转变，即分布式能源资源提供大量发电和灵活性。“智能本地能源系统”的概念汇集了分布式能源资源本地化管理的相关策略，包括主动配电网、微电网、能源社区、多能源中心、点对点交易平台和虚拟发电厂。OPEN 提供了一个可扩展的平台，用于开发和测试新的智能本地能源系统管理应用程序，有助于弥合学术研究和行业转化之间的差距。OPEN 结合了现有能源管理工具所不具备的管理智能本地能源系统的功能，包括多相配电网功率流、能源市场建模、非线性储能建模和滚动时域优化。该平台采用 Python 实现，具有面向对象的结构，提供模块化并允许其轻松与第三方包集成。本文提供了案例研究，展示了 OPEN 如何用于一系列智能本地能源系统应用，因为它支持多种模型保真度来进行模拟和控制。
在开源灵巧的机器人手中向人类学习
摘要 - 用机器人手发出类似人类的灵活性一直是机器人技术的长期挑战。近年来，机器学习要求机器人手要可靠，便宜且易于制作。在过去的几年中，我们一直在研究如何满足这些要求。[1，2，2，3，4，5，6]我们将演示我们的三只机器人手来解决此问题，从易于仿真的手到柔软但坚固的灵巧的机器人手，执行三个不同的机器学习任务。我们的第一个机器学习任务将是远程运行，我们将开发一个新的移动手臂和手动捕获系统，我们将带给RSS 2024。第二，我们将演示如何使用人类视频和人类运动来教机器人手。最后，我们将展示如何在模拟和现实世界中使用强化学习不断改进这些政策。该演示将参与其中，将使灵巧的操纵脱颖而出，并激发研究人员将机器人手带入自己的项目。请访问我们的网站https://leaphand.com/rss2024demo，以获取更多交互式信息。
嵌入开源放射信息系统的通用 AI 助手
摘要。在研究环境或 Kaggle 竞赛中开发的大多数 AI 模型都无法转化为临床应用，因为它们难以验证或嵌入到现实世界的临床实践中。放射学 AI 模型在接近或超越人类表现方面取得了重大进展。然而，由于缺乏健康信息标准、上下文和工作流程差异以及数据标签变化，AI 模型与人类放射科医生的合作仍然是一个尚未探索的挑战。为了克服这些挑战，我们将使用 DICOM 标准 SR 注释的 AI 模型服务集成到开源 LibreHealth 放射学信息系统 (RIS) 中的 OHIF 查看器中。在本文中，我们描述了该平台新颖的人机合作能力，包括少量学习和群体学习方法，以持续重新训练 AI 模型。基于机器学习的概念，我们在 RIS 中开发了一种主动学习策略，以便人类放射科医生可以启用/禁用 AI 注释以及“修复”/重新标记 AI 注释。然后使用这些注释重新训练模型。这有助于在放射科医生用户和用户特定的 AI 模型之间建立合作关系。然后，这些用户特定模型的权重最终在群体学习方法中在多个模型之间共享。我们通过将 AI 模型集成到临床工作流程中来讨论这种组合学习的潜在优势和缺陷。