XiaoMi-AI文件搜索系统
World File Search System性能比较
采用硼基陶瓷材料的微通道热沉性能比较
摘要：微通道热沉在从不同电子设备的小表面积上去除大量热流方面起着至关重要的作用。近年来，电子设备的快速发展要求这些热沉得到更大程度的改进。在这方面，选择合适的热沉基板材料至关重要。本文采用数值方法比较了三种硼基超高温陶瓷材料（ZrB 2 、TiB 2 和 HfB 2 ）作为微通道热沉基板材料的效果。利用有限体积法分析了流体流动和传热。结果表明，对于任何材料，在 3.6MWm -2 时热源的最高温度不超过 355K。结果还表明，HfB 2 和 TiB 2 比 ZrB 2 更适合用作基板材料。通过在热源处施加 3.6 MWm -2 热通量，在具有基底材料 HfB 2 的散热器中获得的最大表面传热系数为 175.2 KWm -2 K -1。
IBM Quantum Experience 上量子增强和经典机器学习算法的性能比较
摘要 . 机器学习现在几乎无处不在，主要用于预测。从最广泛的意义上讲，机器学习目标可以概括为近似问题，而各种训练方法所解决的问题可以归结为寻找未知函数的最优值或恢复函数。目前，我们只有基于经典量子逻辑的量子计算机实验样本，使用量子门代替普通逻辑门，使用概率量子比特代替确定性比特。也就是说，概率性质的问题可以从大量可能的状态中确定某个最优状态，量子计算机可以在这些状态下实现“量子霸权”——解决任务所需的时间大大减少（减少了几个数量级）。这项工作的主要思想是确定在量子计算机上解决机器学习问题时实现量子优势的可能性，即使不是量子霸权。
Decawave DW1000 与 DW3000 在低功率双边测距应用中的性能比较
摘要 — 室内定位和情境感知正成为各种应用的两项关键技术。最近，通过采用超宽带 (UWB) 技术，人们已经实现了厘米级精度和低功耗的实时定位系统。自 2015 年以来，Decawave 已生产出商用 UWB 集成电路，利用飞行时间测量技术来估计两个代理之间的距离。这项工作介绍了两台 Decawave 收发器（DW1000 和 2020 年发布的新款 DW3000）之间的性能研究。测试空间包括视距内区域和由 UWB 无线电信号反射到各种障碍物而引起的各种非视距条件。最后，我们分析了不同配置下的功耗，并对两台设备进行了比较。结果表明，两者在 1 米以上的测量范围内具有相似的精度，而考虑到较短的距离，DW3000 的平均性能要好 33.2%。此外，新收发器在实时测量过程中的功耗降低了近 50%，平均值达到 55 mW。索引术语 — 超宽带技术、超宽带通信、物联网、室内定位、功耗
使用 DEAP 进行 SVM 分类器特征提取的 DWT 与 PSD 性能比较
信号由在不同情况下组合的多个频率组成。离散小波变换 (DWT) 用于使用一系列高通/低通滤波器将信号分解为不同的频带。或者，使用功率谱密度 (PSD) 来获取频谱以及每个频率的功率分布。统计特征来自 DWT 和 PSD。然后，PCA 用于降维，并且在 SVM 分类器的情况下仅将得到的数据用于情绪分类，因为我们需要尽可能多的数据来进行深度学习。所有这些都是为了从分类器中提取最大性能并最小化所需的计算资源，然后将信号分解为组成频率并得出表征整个信号的相关统计特征。
用于重建NGS的聚类模型之间的性能比较来自技术重复
为了提高单个DNA测序结果的性能，研究人员经常使用同一个人和各种统计聚类模型的重复来重建高性能呼叫仪。在这里，考虑了基因组Na12878的三个技术重复，并比较了五个模型类型（共识，潜在类，高斯混合物，kamila - 适应性的K-均值和随机森林），涉及四个性能指标：敏感性，精度，精度，准确性和F1评分。与不使用组合模型相比，i）共识模型提高了精度0.1％； ii）潜在类模型带来了1％的精度改善（97％ - 98％），而不会损害灵敏度（= 98.9％）； iii）高斯混合模型和随机森林提供了更高精确度（> 99％）但敏感性较低的呼叫； iv）卡米拉提高了精度（> 99％），并保持高灵敏度（98.8％）；它显示出最好的总体表现。根据精确和F1得分指标，比较了组合多个呼叫的非监督聚类模型能够改善测序性能与先前使用的监督模型。在比较模型中，高斯混合模型和卡米拉提供了不可忽略的精度和F1得分的改进。因此，可能建议将这些模型用于呼叫集重建（来自生物或技术重复），以进行诊断或精确医学目的。
用于重建NGS的聚类模型之间的性能比较来自技术重复
为了提高单个DNA测序结果的性能，研究人员经常使用同一个人和各种统计聚类模型的重复来重建高性能呼叫仪。在这里，考虑了基因组Na12878的三个技术重复，并比较了五个模型类型（共识，潜在类，高斯混合物，kamila - 适应性的K-均值和随机森林），涉及四个性能指标：敏感性，精度，精度，准确性和F1评分。与不使用组合模型相比，i）共识模型提高了精度0.1％； ii）潜在类模型带来了1％的精度改善（97％ - 98％），而不会损害灵敏度（= 98.9％）； iii）高斯混合模型和随机森林提供了更高精确度（> 99％）但敏感性较低的呼叫； iv）卡米拉提高了精度（> 99％），并保持高灵敏度（98.8％）；它显示出最好的总体表现。根据精确和F1得分指标，比较了组合多个呼叫的非监督聚类模型能够改善测序性能与先前使用的监督模型。在比较模型中，高斯混合模型和卡米拉提供了不可忽略的精度和F1得分的改进。因此，可能建议将这些模型用于呼叫集重建（来自生物或技术重复），以进行诊断或精确医学目的。
使用 LENS 和 EBAM 方法增材制造 NiTi 合金的微观结构、老化效应和形状记忆性能比较
对采用各种增材制造方法制备的样品的结构、织构、转变温度和超弹性能进行了比较。采用激光工程净成型 (LENS) 方法制备的样品的织构与 <001> 构建方向有几度偏差，但成分接近初始粉末成分，从而具有超弹性效应。电子束增材制造 (EBAM) 样品在室温下表现出马氏体结构，这是因为转变温度转移到了更高的范围。这种转变是由于不同的加工条件导致的 Ni 含量较低。然而，EBAM 方法在构建方向上产生了更清晰的 <001> 织构，并且可以在室温以上获得良好的超弹性效应。使用 EDS 和电子衍射分析将尺寸为 0.5-2 毫米的金属间化合物颗粒鉴定为 Ti 2 Ni 相。该相通常形成在晶界处。与 LENS 方法相反，EBAM 制备的样品表现出富含 Ni 的初级颗粒，这是由不同的加工条件引起的，这些加工条件降低了固溶体中的 Ni 含量，从而提高了马氏体转变温度。在 500°C 下老化可使 LENS 和 EBAM 样品的马氏体转变温度转移到更高的范围。这是由于形成了富含 Ni 的连贯沉淀物。在用这两种方法制备并在 500°C 下老化的样品中，主要在 {011} B19' 平面上观察到马氏体 B19' 孪晶的存在。关键词：增材制造；形状记忆合金；NiTi；TEM 研究
药物流行病学中的人工智能系统评价。第 2 部分 - 人工智能与传统药物流行病学技术的性能比较
结果：通过 Ovid MEDLINE 共查明 72 篇原创文章和 5 篇综述，其中 19 篇（26.4%）将人工智能技术与传统药物流行病学方法的性能进行了比较。总共对 44 篇文章进行了比较，旨在 1）根据患者特征预测所需剂量（31.8%），2）预测药物治疗后的临床反应（29.5%），3）预测药物不良反应的发生/严重程度（20.5%），4）预测倾向评分（9.1%），5）识别更有可能出现药物无效风险的亚群（4.5%），6）预测药物消耗量（2.3%），7）预测药物引起的住院时间（2.3%）。在 44 项比较中的 22 项（50.0%）中，人工智能的表现优于传统药物流行病学技术。在大多数比较中，随机森林（11 项比较中的 7 项；63.6%）和人工神经网络（10 项比较中的 6 项；60.0%）的表现优于传统药物流行病学方法。
使用人工智能模型的马外科手术和生存预测：原始，估算，平衡和特征的性能比较
人工智能（AI）技术虽然不如人类医学先进，但在兽医学领域的潜力很大。该技术提供了一系列基本好处，例如疾病诊断，治疗计划，疾病控制和整体动物健康改善。基于临床数据，本研究使用15个AI模型来预测手术的必要性和显示出急性腹痛症状（绞痛）的马中生存的可能性。通过比较原始，估算的缺失值和平衡数据集的手术和生存预测，我们根据15个AI模型的平均准确性确定了最有效的数据集。此外，我们还通过计算特征的重要性得分和生存预测来探索了提高准确性的潜力。我们的结果表明，平衡的数据集可实现预测手术和生存的最高平均精度，分别为80.76％和77.96％。随机森林（RF）模型的表现优于其他手术的最准确模型（准确性= 85.83，曲线下的面积[AUC] = 0.906）和存活预测（准确性= 80.75，AUC = 0.888）。可以观察到，将数据集中的特征数量减少56％，导致手术预测准确性提高到86.38％。同样，当特征数量减少24％以进行生存预测时，预测性能提高到83.75％。这项研究强调了在兽医医学中精确实施人工智能技术的重要性，这可以显着增强模型性能。
nvidia omniverse
预计的性能可能会更改令牌到token的延迟（TTL）= 50毫秒（MS）实时GPT-3 175B：第一个令牌延迟（FTL）2s；输入序列长度= 2,048，输出序列长度= 128，4 HGX H100气冷400GB IB网络与2 GB200 SuperChips液体冷却NVLink；根据GPU性能比较，GPT-MOE-1.8T：FTL = 5s;输入序列长度= 32,768，输出序列长度= 1,024，8 HGX H100气冷400GB IB网络vs 18 GB200 SuperChips液体冷却NVL36;每GPU性能比较