XiaoMi-AI文件搜索系统
World File Search System横杆
基于 ADAMS 的电动轮椅人机交互
人机交互 (HMI) 允许人们控制和与设备交互。从获取输入生物信号的基本设备开始，到控制各种应用程序。医疗应用是 HMI 非常重要的应用之一。这些医疗应用之一是帮助完全/部分瘫痪的患者恢复运动或使用外骨骼或电动轮椅自由移动。帮助脊髓损伤或严重神经系统疾病患者恢复运动是该领域大多数研究人员的关键角色目标。在本文中，提出了一种基于 EEG 的 HMI 系统，以帮助四肢瘫痪患者在精神上控制电动轮椅，使他们能够自由独立地移动。记录、过滤来自大脑额叶的 EEG 功率谱 (α、β、δ、θ 和 γ) 并将其无线发送到轮椅以控制方向和发动机状态。使用所提出的系统进行了四个不同的实验以验证性能。实验中使用了两种不同的 GUI 场景（十字形和水平条）。结果表明，横杆方案更方便用户使用，而十字形更适合导航。实施的系统可以配备 GPS、超声波和加速度计等模块和传感器，以提高系统性能和可靠性。
基于高性能神经形态计算的低变差阈值开关设备振荡神经元
摘要：高功率和低变异性人工神经元设备非常需要高性能神经形态综合。在本文中，基于低可变性Ag纳米（NDS）阈值开关（TS）设备的振荡神经元具有低操作电压，较大的ON/OFF/OFF比率和高均匀性。测量结果表明，该神经元的示范在低至1 V的施加电压下表现出自振荡行为。振荡频率随施加的电压脉冲振幅而增加，并且随着载荷电阻而降低。然后，当振荡神经元连接到用于神经形态计算的RRAM Crossbar AR-Ray的输出时，可以准确地评估电阻随机记忆（RRAM）突触权重。同时，模拟结果表明，由于AG NDS TS设备的高开/OFF比（> 10 8），我们的振荡神经元可以通过我们的振荡神经元来支持大的RRAM横杆阵列（> 128×128）。此外，AG NDS TS设备的高均匀性有助于提高输出频率的分布并抑制神经网络识别精度的降解（<1％）。因此，基于AG NDS设备的开发的振荡神经元显示出对未来神经形态计算应用的巨大潜力。
SNN真的能节能吗？ - 硬件透视
摘要 - 迅速的神经网络（SNN）已获得了能源有效的机器学习能力，利用生物启发的激活功能和稀疏的二进制峰值数据表示。虽然最近的SNN算法进步在大规模的计算机视觉任务上达到了高度准确性，但其能源效率主张依赖于某些不切实际的估计指标。这项工作研究了两个硬件基准平台，用于大规模SNN推断，即SATA和Spikesim。SATA是一种稀疏感应的收缩阵列加速器，而Spikesim评估基于内存计算（IMC）的模拟横杆实现的SNN。使用这些工具，我们发现，由于各种硬件瓶颈，最近的SNN算法工作的实际能效提高与它们的估计值有很大差异。我们识别并解决了在硬件上有效的SNN部署的关键障碍，包括在时间段上的重复计算和数据移动，神经元模块开销和SNN易受跨键bar非理想性的脆弱性。
在阶段
具有快速原型和重编程功能的光子综合电路（PIC）有望对众多光子技术产生革命性的影响。我们在低损耗相变材料（PCM）薄膜上报告了直接作用和重写光子电路。完整的端到端图片在一个步骤中直接写入激光写入，并没有其他制造过程，并且可以删除和重写电路的任何部分，从而促进快速设计的修改。我们证明了该技术用于不同应用的多功能性，包括用于可重构网络的光学互连织物，用于光学计算的光子横杆阵列以及用于光学信号处理的可调光滤波器。通过将直接激光写作技术与PCM相结合，我们的技术可以解锁可编程光子网络，计算和信号处理的机会。此外，可重写的光子电路可以以方便且具有成本效益的方式快速进行原型和测试，消除了对纳米化设施的需求，从而促进了更广泛的社区的道学研究和教育的扩散。
探索针对内存计算的密码学的大整数乘法
摘要 - 出现的加密系统，例如完全型号的加密（FHE）和零知识证明（ZKP）是计算和数据密集型的。fhe和ZKP在软件和硬件中的影响很大程度上依赖于von Neumann架构，在数据移动上损失了大量的能量。有希望的计算范式正在内存（CIM）中进行计算，该计算使计算能够直接发生在内存中，从而减少数据运动和能耗。但是，有效地执行大整数乘法（在FHE和ZKP中至关重要）是一个开放的问题，因为现有的CIM方法仅限于小型操作数尺寸。在这项工作中，我们通过探索用于大整数乘法的高级算法方法来解决这个问题，并将Karatsuba算法确定为CIM应用程序最有效的方法。此后，我们设计了第一个用于电阻CIM横杆的Karatsuba乘数。我们的乘数使用三阶段管道来增强吞吐量，此外，还可以平衡内存耐力与有效的数组大小。与现有的CIM乘法方法相比，当比例扩展到ZKP和FHE所需的位宽度时，我们的设计在吞吐量中最多可实现916倍，而面积时间产品的改进则达到281倍。索引术语 - 在内存中计算，大整数乘以，karatuba乘法
神经形态镶嵌：可重新计算内存...
由于其非易失性和多位属性，回忆录已被广泛用作神经形态体系结构中的突触重量元素。但是，它们用于定义和重新编程的用于网络连接性已被忽略。在这里，我们提出，实施和实验证明了Mosaic，Mosaic是基于一系列Memristor横杆的神经形态结构。第一次，我们不仅使用分布式的非易失性备忘录来计算，而且用于路由（即定义网络连接性）。马赛克特别适合实施可重新配置的小世界图形模型，具有密集的局部和稀疏的全局连接性 - 在大脑中广泛发现。我们在数学上表明，随着网络的扩大，马赛克所需的记忆比传统的备忘录方法更少。我们在马赛克上绘制一个尖峰的复发性神经网络，以求解心电图（ECG）异常检测任务。与基于微型控制器和基于地址的代表性处理器相比，在相应的一个和两个数量级降低能量需求的降低中，镶嵌的优势在相等的镶嵌物中的优势是相等或更好的。马赛克有望根据基于记忆和能量较少的图理论原理设计神经形态硬件的新方法。
![arxiv：2301.13241v1 [Quant-ph] 2023年1月30日](/simg/5\5a5055a34d22fff8d45e7d5f1ebca3ed82481e2f.webp)
arxiv：2301.13241v1 [Quant-ph] 2023年1月30日
尽管NISQ设备受到严格限制，但已经开发了硬件和算法 - 感知的量子电路映射技术，以实现成功的算法执行。由于实验设备及其小尺寸的稀缺性，对自旋量子量子处理器的映射和汇编实现没有太多关注。但是，基于它们的高可扩展性潜力和快速进步，及时开始在此类设备上探索解决方案。在这项工作中，我们讨论了具有共享控件的可扩展横文架构的独特映射挑战，并引入Spinq，这是第一个用于可扩展自旋量子体系结构的本机编译框架。Spinq的核心是综合策略，该策略旨在解决横杆的唯一操作约束，同时考虑编译可伸缩性并获得O（n）计算复杂性。为了评估Spinq在这种新颖体系结构上的性能，我们编制了一组明确定义的量子电路，并基于多个指标（例如Gate开销，深度开销和估计的成功概率）进行了深入的分析，这反过来又使我们能够创建独特的映射和建筑洞察力。最后，我们提出了新型的映射技术，这些技术可能会提高该体系结构上的算法成功率，并有可能激发有关其他可扩展自旋量子体系结构的量子电路映射的进一步研究。
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。
等离子表面相互作用：对（航天器）表面的影响
抽象的月亮 - 阿波罗计划期间通过轨道和表面实验观察到血浆相互作用。光子和带电的颗粒为月球表面充电，并形成薄的debye-比例等离子鞘，在日光下和阴影半球上方。此外，电子的平均热速度，导致Debye鞘在航天器周围形成。光电子和等离子体鞘直接在表面上吸收的灰尘谷物，这些粉尘呈凸起，随后充电的尘埃流动呈负电荷，并与降落的航天器的正面表面接触。作为电荷载体，灰尘颗粒被吸引或排斥在带电的航天器上。环境等离子体和高次级排放的低密度也有助于横杆上的表面充电速率高。电荷在航天器和航天器组件上的积累是由航天器与空间等离子体，能量粒子流和太阳光子相互作用而产生的，该太阳光子通常由游离电子和光子驱动。据报道，归因于航天器充电的各种效果是导致许多操作异常的原因，包括操作异常组件故障，伪造命令，物理航天器表面损伤以及航天器表面材料热和电特性的降解。等离子体的研究 - 表面相互作用显示出有希望的结果，用于开发新型的粉尘缓解航天器充电安全管理的策略。关键字：等离子表面相互作用，等离子鞘，（航天器）表面充电本文旨在调查减轻月球尘埃作为等离子表面相互作用的载体的策略，从而导致航天器充电。
类似乐高的可重构人工智能芯片
对实时低功耗传感信息处理能力的需求日益增长。然而，这需要开发和集成从传感器到处理器等不同类型的智能设备。传统的三维 (3D) 异构集成技术基于冯·诺依曼架构，依靠金属线通孔垂直连接传感器、处理器和存储器层 1 。在这样的系统中，这些不同功能层之间的硬连线连接一旦制造出来就固定了。因此，传统的 3D 异构集成技术在边缘智能应用中使用时效率低下，因为在边缘智能应用中，对传感和计算的需求随时间而变。华强吴、林鹏、Jeehwan Kim 和同事在《自然电子学》上撰文，报道了一种可重构异构集成技术，该技术基于可堆叠芯片，芯片中嵌入了光电器件阵列和忆阻横杆 2 。智能传感器和处理器之前已被开发用于图像预处理 3 – 5 和并行识别 6、7 。以前也曾探索过垂直架构的神经形态视觉芯片的概念，即通过线连接将基于范德华异质结构的神经形态传感器和忆阻交叉阵列联网 8 。来自美国、韩国和中国不同研究所的研究人员采用了不同的方法，创造了类似乐高的芯片，允许各种神经形态传感器和处理器通过芯片间光通信连接起来（图 1 ）。在这种 3D 集成技术中，各个芯片是可更换和可堆叠的，光电二极管/发光二极管 (LED) 阵列嵌入在各个独立的芯片层中，以提供相邻层之间的光通信。此外，忆阻交叉阵列可以植入