XiaoMi-AI文件搜索系统
World File Search System性能提升
马尔可夫决策过程的时间串联
我们感兴趣的是设计计算高效的架构来解决有限时域马尔可夫决策过程 (MDP)，这是一种流行的多阶段决策问题建模框架 [1,22]，具有广泛的应用，从数据和呼叫中心的调度 [12] 到间歇性可再生资源的能源管理 [13]。在 MDP 中，在每个阶段，代理都会根据系统状态做出决策，从而获得即时奖励，并相应更新状态；代理的目标是找到一个最优策略，使时间范围内的总预期奖励最大化。虽然寻找解决 MDP 的有效算法一直是一个活跃的研究领域（有关调查请参阅 [20,17]），但我们将采取不同的方法。我们不是从头开始创建新算法，而是研究如何设计架构，以创造性的方式利用现有的 MDP 算法作为“黑匣子”，以获得额外的性能提升。作为朝这个方向迈出的第一步，我们提出了时间串联启发式方法，它沿时间轴采用分而治之的方法：对于具有水平线 { 0 ，... ，T − 1 } 的 MDP，我们将原始问题实例（I 0）在水平线上划分为两个子实例：0 ，... ，T
先进封装应用的双层材料系统的进步、多功能性和灵活性
摘要 在过去的 10-20 年里，集成电路 (IC) 的发展发生了重大转变，传统的光刻方法在更先进节点的开发时间急剧增加，而要实现与以前相同的性能提升，成本也成倍增加。成本的增加和光刻技术的进步导致人们开始研究先进的封装技术，通过改变 IC 设计方法来实现相同的性能提升。未来先进封装技术将以更低的成本提高性能，人们将 IC 视为一个相互交织工作的组件系统，而不是单个组件。这种思维转变导致了系统级封装 (SiP)、堆叠封装 (PoP) 和扇出型晶圆级封装 (FOWLP) 等技术的出现。在实现上述技术方面发挥关键作用的一项先进封装技术是临时键合和脱键合 (TB/DB)。 TB/DB 在先进封装中发挥的关键作用在于，通过使用支撑载体晶圆，可以实现晶圆减薄、晶圆凸块、芯片堆叠和化学气相沉积/物理气相沉积 (CVD/PVD) 型工艺等背面处理。支撑载体晶圆还可以减少整个晶圆堆叠的整体翘曲，从而允许使用易翘曲的材料，例如环氧模塑料 (EMC)，这在 FOWLP 应用中至关重要。要使用支撑载体晶圆，需要一种坚固的材料解决方案，以便将晶圆粘合在一起，然后在背面处理后通过热滑动、机械或激光脱粘等主要分离方法之一将其释放。Brewer Science 设计并开发了一种双层临时粘合系统。该系统由两种材料组成，一种是通常涂在设备上的热塑性层，另一种是通常涂在载体上的热固性层。为双层系统开发的材料在极高温度应用、EMC 晶圆处理和设备减薄至 20 µm 以下方面表现出色。在本文中，我们将总结它们的功能，并介绍如何通过材料设计来调整两个临时层之间的粘合力。我们还将介绍热固性层的一个新功能，该功能可以进行图案化，从而允许将图案化粘合材料用于 TB/DB 型应用。关键词临时晶圆粘合、双层系统、光图案化、热塑性材料和热固性材料
人工智能能力
过去几年来，人工智能 (AI) 已成为各大企业的首要技术重点，这主要得益于大数据的出现以及先进技术和基础设施的出现 [1]。Gartner 最新报告显示，实施 AI 的企业数量在过去四年中增长了 270%，去年增长了两倍 [2]。尽管 AI 能够带来的潜在商业价值令人兴奋，但开始采用 AI 解决方案的组织仍面临着众多挑战，阻碍它们实现绩效提升 [3,4]。在《麻省理工学院斯隆管理评论》上发表的一项 2019 年全球高管研究中，有七成公司报告称，AI 迄今为止对业务的影响微乎其微甚至没有 [5]。尽管 AI 技术具有巨大潜力，但 Brynjolfsson 等人 [6] 强调，我们正面临着现代生产力悖论。据作者称，人工智能尚未取得预期成果的主要原因之一是实施和重组滞后。因此，组织需要投资互补资源，以便能够利用其人工智能投资。了解需要开发哪些互补资源并实施这些资源对于实现人工智能的性能提升至关重要。换句话说，现在是时候研究组织如何构建人工智能能力了。
CMDA：基于 LiDAR 的 3D 物体检测的跨模态和领域对抗自适应
最近基于激光雷达的 3D 物体检测 (3DOD) 方法显示出良好的效果，但它们通常不能很好地推广到源（或训练）数据分布之外的目标域。为了减少这种领域差距，从而使 3DOD 模型更具泛化能力，我们引入了一种新颖的无监督领域自适应 (UDA) 方法，称为 CMDA，它 (i) 利用来自图像模态（即相机图像）的视觉语义线索作为有效的语义桥梁，以缩小跨模态鸟瞰图 (BEV) 表示中的领域差距。此外，(ii) 我们还引入了一种基于自训练的学习策略，其中模型经过对抗性训练以生成领域不变特征，这会破坏对特征实例是来自源域还是看不见的目标域的区分。总的来说，我们的 CMDA 框架指导 3DOD 模型为新颖的数据分布生成高度信息丰富且领域自适应的特征。在我们对 nuScenes、Waymo 和 KITTI 等大规模基准进行的大量实验中，上述内容为 UDA 任务提供了显著的性能提升，实现了最先进的性能。
磁控铜线对
扉页 磁控表面粗糙度与弹性模量对磁流变弹性体—铜副滑动摩擦特性影响研究 李睿，1975年生，重庆大学博士研究生，现任重庆邮电大学教授，主要研究方向为智能检测技术、摩擦控制、智能机械结构系统。 电话：+86-135-94078659；邮箱：lirui_cqu@163.com 王迪，1996年生，重庆邮电大学自动化学院硕士研究生，邮箱：812996901@qq.com 李欣燕，1995年生，重庆邮电大学自动化学院硕士研究生。 E-mail：459148593@qq.com 杨平安，1989年生，重庆大学博士研究生，现职为重庆邮电大学讲师，主要研究方向为智能仿生复合材料、柔性传感器、电磁屏蔽材料与结构设计。 电话：+86-151-23254645；E-mail：yangpa@cqupt.edu.cn 阮海波，1984年生，重庆大学博士研究生，主要研究方向为柔性纳米线复合透明电极的构建及其性能提升。 电话：+86-136-47619849；E-mail：rhbcqu@aliyun.com 寿梦杰，1993年生，重庆大学博士研究生，主要研究方向为智能检测技术、摩擦控制、智能机械结构系统。 E-mail: shoumj@cqupt.edu.cn 通讯作者 ： 杨平安 E-mail ： yangpa@cqupt.edu.cn
即将发布的融资机会合作伙伴名单公告：
和材料科学美国高级研究计划局能源部（ARPA-E）正在考虑发布一项资助机会公告（FOA）来支持旨在加速能源创新的量子计算技术的开发。这个潜在的 FOA 将专注于量子计算在化学和材料领域的进步，这将大大解决 ARPA-E 的任务领域，例如提高能源效率和减少能源相关排放，包括温室气体排放。此公告的目的是促进新项目团队的组建，以响应潜在的未来 FOA。未来发布的任何 FOA 都将提供具体的计划目标、技术指标和选择标准。FOA 条款将具有控制性。该计划的预期目标包括开发用于化学和材料模拟的可扩展量子算法。该计划预计将在三年的绩效期内结束，从而产生变革性的量子应用，与传统计算相比，其在速度或准确性等指标上具有颠覆性的性能提升。预计 FOA 将要求在量子硬件上验证性能，要么超越经典的最先进技术，要么以可扩展的方式展示出实现这一目标的清晰途径。以下领域的专业知识可能有助于应对潜在的 FOA：
用于脑肿瘤分割的无监督黑盒模型域自适应
无监督域自适应 (UDA) 是一种新兴技术，它能够将从标记源域中学到的领域知识转移到未标记的目标域中，从而提供一种应对新域中标记困难的方法。大多数先前的工作都依赖于源域和目标域数据进行自适应。然而，由于担心患者数据中包含的敏感信息可能泄露，因此在跨中心协作中共享源域中的数据和标签以及训练的模型参数通常具有挑战性。为了解决这个问题，我们提出了一个实用的 UDA 框架，该框架具有仅在源域中训练的黑盒分割模型，而不依赖于源数据或可访问网络参数的白盒源模型。特别是，我们提出了一种知识蒸馏方案来逐步学习特定于目标的表示。此外，我们通过无监督熵最小化来规范目标域中标签的置信度，从而比没有熵最小化的 UDA 获得性能提升。我们在一些数据集和深度学习主干上对我们的框架进行了广泛的验证，证明了我们的框架在具有挑战性但又现实的临床环境中应用的潜力。
通过基于脑电图的人类意图预测和警觉控制来协调人机协作
在共享工作空间的人机协作场景中，人们非常希望获得的性能提升被对人类安全的高要求所抵消，机器人驱动器的速度和扭矩被限制在不会伤害人体的水平。特别是对于具有灵活人类行为的复杂任务，保持安全的工作距离和有效协调任务变得至关重要。在这方面，一种既定的方法是响应当前人体姿势的反应伺服。然而，这种方法没有利用对人类行为的预期，因此无法及时对快速的人体动作做出反应。为了尽快调整机器人的行为，尽早预测人类的意图成为一个至关重要但难以实现的因素。在这里，我们采用了一种最近开发的脑机接口 (BCI)，它可以检测人类明显注意力的焦点作为即将发生的动作的预测指标。与其他类型的 BCI 相比，将刺激直接投射到工作空间有助于无缝集成到工作流程中。此外，我们还展示了如何利用大脑反应的信噪比来调整机器人运动速度以适应人类的警觉或警觉水平。通过在物理机器人实验中分析该自适应系统的性能和安全裕度，我们发现所提出的方法可以提高协作效率和安全距离。
神经网络自适应迁移学习用于脑电图运动...
近年来，深度学习已成为开发脑机接口 (BCI) 系统的有力工具。然而，对于完全基于特定个体的数据训练的深度学习模型，由于特定受试者的数据有限，性能提升幅度很小。为了解决这个问题，提出了许多基于迁移的方法，其中使用来自其他受试者的现有数据训练深度网络，并在新的目标受试者上进行评估。然而，这种迁移学习模式面临着脑数据存在大量受试者间差异的挑战。为了解决这个问题，我们在本文中提出了 5 种方案，用于适应基于深度卷积神经网络 (CNN) 的脑电图 (EEG)-BCI 系统以解码手部运动想象 (MI)。每个方案都会微调经过广泛训练的预训练模型，并对其进行调整以提高对目标受试者的评估性能。我们报告了最高的受试者独立性能，两类运动想象的平均（N = 54）准确率为 84.19% (± 9 . 98%)，而文献中该数据集的最佳准确率为 74.15% (± 15 . 83%)。此外，与基线受试者独立模型相比，我们使用所提出的自适应方案在分类方面获得了统计学上显着的改进（p = 0 . 005）。© 2020 Elsevier Ltd. 保留所有权利。
使用潜在向量表示的晶圆图缺陷模式半监督分类
摘要 —随着半导体设计和制造工艺的全球化，集成电路制造阶段的缺陷检测需求变得越来越重要，在提高半导体产品的产量方面发挥着重要作用。传统的晶圆图缺陷模式检测方法涉及使用电子显微镜进行手动检查以收集样本图像，然后由专家评估缺陷。这种方法劳动密集且效率低下。因此，迫切需要开发一种能够自动检测缺陷的模型来替代手动操作。在本文中，我们提出了一种方法，该方法首先采用预先训练的 VAE 模型来获取晶圆图的故障分布信息。该信息作为指导，结合原始图像集进行半监督模型训练。在半监督训练期间，我们利用师生网络进行迭代学习。本文提出的模型在基准数据集 WM-811K 晶圆数据集上进行了验证。实验结果表明，与最先进的模型相比，该模型具有更高的分类精度和检测性能，满足了工业应用的要求。与原始架构相比，我们取得了显着的性能提升。索引术语——缺陷检测；半监督学习；无监督学习；变异自动编码器