XiaoMi-AI文件搜索系统
World File Search System流水线
RISC-V 处理器的物理实现 - Aaltodoc
摘要 开源指令集架构 RISC-V 在首次发布后就引起了人们的关注。该 ISA 提供了一组精简且可扩展的指令，而不会损害典型处理器的任何功能。2020 年，阿尔托大学启动了一个 RISC-V 处理器项目，以在阿尔托大学开展处理器研究并将其用作其他项目的 CPU。在此项目期间，称为“A-core”的处理器已发展成为一个功能强大的内核，可以驱动各种外围设备并运行汇编或 C 程序。本论文的目标是通过开发基于 RISC-V 的自动化开发平台来设计 A-core 的完整物理实现。通过开发物理实现，可以在实际物理约束下验证和确认处理器。此外，物理实现允许更广泛地开发软件，将处理器用作教学和驱动其他芯片的一部分。在这项工作期间开发的基于 RISC-V 的自动化开发环境提供了设计和研究物理实现的工具。该环境还提供了验证和确认工具，以便能够以最小的缺陷制造实现。因此，A-core 的物理实现包括在设计过程中添加的所有功能，例如加速器、流水线和微小的结构变化，并使用自动化开发环境工具验证了设计。该设计最终被送去制造。从制造商那里到达后，必须通过测量来验证设计，之后才能说它完全可以正常工作，并且可以在阿尔托大学未来的工作中使用。
具有串联双线性的节能 delta-sigma ADC ...
Delta-sigma (ΔΣ) ADC 广泛用于信号采集和处理应用。因此，这种类型的 ADC 被用作编解码器和助听器，这些设备需要信号路径具有较大的动态范围 [1-4]。与奈奎斯特速率转换器相比，ΔΣ ADC 更易于设计，因为它们不需要具有严格参数的模拟组件。过采样转换器对输入信号带宽进行采样，因此无需使用抗混叠滤波器。通过中等过采样率和增加的采样率，可以设计高分辨率 ADC。这可以有效降低整个功耗，同时保持所需的分辨率 [5]。电压缩放适用于数字电路设计，以降低散热量，同时牺牲速度。已报道了几种解决该问题的技术，例如体驱动电路、SAR 操作、亚阈值操作 [6-9] 和过零电路 [10, 11]，但这些电路的性能非常低。delta-sigma ADC 是一种非常高效的结构，具有过采样和噪声整形特性。连续 ΔΣADC 的工艺缩放因子和带宽得到了改善。高性能模拟电路包括无运算放大器流水线 ADC [12, 13]、节能逐次逼近寄存器 (SAR) ADC [14, 15] 和数字校准技术 [16, 17]。为了在时域中处理信号，压控振荡器 (VCO) 起着重要作用 [18-24]。当触发器同步时，VCO 输出会在 VCO 中引入量化误差。
设计多核大小 μBrains 以实现节能...
摘要 — 随着基于脉冲的深度学习推理应用在嵌入式系统中的增多，这些系统倾向于集成神经形态加速器（如 µ Brain）以提高能源效率。我们提出了一种基于 µ Brain 的可扩展多核神经形态硬件设计，以加速脉冲深度卷积神经网络 (SDCNN) 的计算。为了提高能源效率，内核在神经元和突触容量方面设计为异构的（即大核与小核），并且它们使用并行分段总线互连，与传统的基于网格的片上网络 (NoC) 相比，这可以降低延迟和能耗。我们提出了一个名为 SentryOS 的系统软件框架，将 SDCNN 推理应用程序映射到所提出的设计中。SentryOS 由一个编译器和一个运行时管理器组成。编译器利用大和小 µ Brain 内核的内部架构将 SDCNN 应用程序编译成子网络。运行时管理器将这些子网络调度到内核上并流水线执行以提高吞吐量。我们用五个常用的 SDCNN 推理应用程序评估了所提出的大多核神经形态设计和系统软件框架，并表明所提出的解决方案可降低能耗（37% 至 98%）、降低延迟（9% 至 25%）并提高应用程序吞吐量（20% 至 36%）。我们还表明 SentryOS 可以轻松扩展到其他脉冲神经形态加速器，例如 Loihi 和 DYNAP。索引术语 — 神经形态计算、脉冲深度卷积神经网络、多核、嵌入式系统、µ Brain
MPSM-DTI：基于化学结构和蛋白质序列通过机器学习预测药物-靶标相互作用
卷积神经网络13证明了蛋白质序列可以在DTI预测中提供有用的信息。Mahmud等人开发了iDTi-CSsmoteB网络服务器，使用XGBoost和过采样技术，基于PubChem指纹和各种蛋白质序列特征预测DTI。14然而，上述方法的数据质量并不令人满意，因为阴性数据是任意选择的。其他几项研究也这样做了。15-17其中一些使用随机非阳性DTI作为阴性样本。然而，非阳性DTI并不一定是阴性的，因为它们还没有经过验证。其中一些在验证后可能是阳性的。因此，使用高质量数据构建预测模型具有重要意义。在本研究中，我们开发了一个机器学习模型，使用化学结构和蛋白质序列作为特征来预测DTI。采用流水线技术封装特征数据标准化、SMOTE采样过程和机器学习估计器，以避免过度拟合并提高模型泛化能力。整个工作流程如图1所示。简而言之，从各种来源收集了超过40 000个具有解离常数（kd）值的DTI。用PaDEL-Descriptor和RDKit计算五种分子指纹和描述符。通过PSI-Blast和POSSUM工具包提取蛋白质序列特征。用5种机器学习方法和6种特征表示方法建立了30个DTI预测模型，其中Morgan-PSSM-SVM模型（MPSM-DTI）被验证为最佳模型。在案例研究中，MPSM-DTI模型在DTI预测中表现出了令人满意的能力。
使用 Luigi 分析工作流对分布式资源进行分析自动化的设计模式
摘要。在粒子物理学中，工作流管理系统主要用作蒙特卡罗事件生成等专用领域的定制解决方案。然而，执行数据分析的物理学家通常需要手动控制各自的工作流程，这很耗时，而且经常导致特定工作负载之间没有记录的关系。我们介绍了 Luigi Analysis Workflows (Law) Python 包，它基于最初由 Spotify 开发的开源流水线工具 Luigi。它为任意规模和复杂性的分析建立了通用的设计模式，并将重点从执行转移到定义分析逻辑。Law 提供了构建块来无缝集成可互换的远程资源，但并不局限于特定的基础设施选择。特别是，它鼓励并实现了分析算法与运行位置、存储位置和软件环境的分离。为了满足端到端 HEP 分析的复杂需求，Law 支持在 WLCG 基础设施（ARC、gLite）以及本地计算集群（HTCondor、LSF）上执行作业，通过 GFAL2 库通过最常用协议进行远程文件访问，以及支持 Docker 和 Singularity 容器的环境沙盒机制。此外，这种新颖的方法最终旨在实现开箱即用的分析保存。Law 完全独立于实验，并且是开源开发的。它已成功用于 t¯ tH 截面测量，并使用 CMS 实验寻找双希格斯玻色子的产生。
基于深度学习的单目航天器姿态估计研究综述：现状、局限性和前景
估计不合作航天器的姿态是一个重要的计算机视觉问题，它有助于在轨道上部署基于视觉的自动系统，其应用范围从在轨服务到空间碎片清除。随着计算机视觉的总体趋势，越来越多的工作开始关注利用深度学习 (DL) 方法解决这个问题。然而，尽管研究阶段的成果令人鼓舞，但阻碍在实际任务中使用此类方法的主要挑战仍然存在。特别是，这种计算密集型算法的部署仍未得到充分研究，而在合成图像上进行训练和在真实图像上进行测试时的性能下降仍有待缓解。本调查的主要目标是全面描述当前基于 DL 的航天器姿态估计方法。次要目标是帮助确定有效部署基于 DL 的航天器姿态估计解决方案以实现可靠的自主视觉应用的局限性。为此，本调查首先根据两种方法总结了现有算法：混合模块化流水线和直接端到端回归方法。本文不仅从姿势准确性的角度对算法进行了比较，还重点关注了网络架构和模型大小，同时考虑到了潜在的部署。然后，讨论了用于训练和测试这些方法的当前单目航天器姿势估计数据集。还讨论了数据生成方法：模拟器和测试平台、合成生成的图像与实验室/空间收集的图像之间的领域差距和性能下降以及潜在的解决方案。最后，本文提出了该领域的开放研究问题和未来方向，并与其他计算机视觉应用进行了比较。
R22 M.Tech. 先进制造系统
阐述机床自动化的基本概念。 分析各种自动化流水线，解释装配系统和生产线平衡方法。 描述自动化物料搬运和存储系统的重要性。 解释自适应控制系统、自动化检查系统的重要性。 第一单元：自动化简介：生产系统中的自动化——自动化制造系统、计算机化制造支持系统、自动化的原因、自动化原则和策略。制造操作、生产概念和数学模型。制造操作的成本、自动化系统的基本要素、高级自动化功能、自动化水平。 第二单元：物料搬运简介：物料搬运设备概述、物料搬运系统设计中的注意事项、物料搬运的 10 项原则。物料运输系统、自动导引车系统、单轨和其他轨道导引车、输送系统、物料运输系统分析。存储系统、存储系统性能、存储位置策略、传统存储方法和设备、自动存储系统、存储系统的工程分析。自动数据采集 - 自动识别方法、条形码技术、其他 ADC 技术概述。第三单元：手动装配线 - 手动装配线基础知识、替代装配系统、装配设计、单一型号装配线分析、生产线平衡问题、最大候选规则、Kilbridge 和 Wester 方法、排序位置权重法、混合型号装配线、装配线设计中的注意事项。第四单元：传输线、自动生产线基础知识、存储缓冲区和自动生产线的应用。无内部存储的传输线分析、有存储缓冲区的传输线分析。第五单元：
CS 5341/6341：高级计算机架构 CRN
直到最近，计算机系统的性能和功率效率才随着摩尔定律的扩展和 Dennard 缩放的晶体管效率的提高而稳步提高。然而，现在由于物理限制，设备缩放在性能和功率改进方面遇到了限制。为了在后摩尔和后 Dennard 时代继续生产快速且节能的计算机系统，计算机架构师和系统设计师正在朝着令人兴奋的新方向发展。一个方向是转向并行计算机架构和系统，包括多核和众核处理器、并行执行模型以及新的缓存一致性和内存一致性模型。另一个方向是整合异构和专用加速器，包括 GPU、TPU、FPGA、CGRA 和 ASIC。第三个方向是出现全新的硬件和软件系统，包括量子计算、基于 DNA 的计算机系统、神经形态计算和间歇性计算。本课程将首先回顾计算机设计的基本原理和指令集原理，然后研究当今计算机设计的基本原理，包括高级流水线、指令级并行、内存层次设计、存储系统、互连网络和多处理器。我们还将通过阅读和讨论研究论文、听取和发表技术演讲、在真实和模拟硬件上运行实验以及规划和开展学期研究项目来探索上述三个新方向。本课程将帮助学生为涉及高级计算机架构和系统方面的研究做好准备，或者为国家实验室或公司工作，开发或使用高级架构用于高性能计算、大规模数据分析或机器学习的应用。课程先决条件
ECE 636：先进的模拟集成电路（2024 年秋季）...
小型项目和评分复习问题集：将有三个评分小型项目。这些通常涉及电路设计和 CAD 软件的使用。还将有一个评分问题集，旨在复习您的必备知识。学生将单独完成所有小型项目和评分问题集。可能会发布部分问题的解决方案。非评分问题集：将定期提供纸笔式问题集。这些问题集无需提交，也不会评分。可能会发布每组中部分问题的部分解决方案。最终项目：最终项目将由讲师分配，涉及具有各种性能规格的模拟系统（例如，流水线 ADC 的第一级、采样保持放大器等）的晶体管级原理图设计和仿真。学生将单独完成项目。期中考试：学期第 6-8 周（待定）将进行 90 分钟的课堂期中考试。考试将采用闭卷和闭笔记形式。将提供公式表。期末考试：秋季常规考试期间将进行 2.5 小时的期末考试。考试将采用闭卷和闭笔记形式。您将对课程中涵盖的所有内容负责。将提供公式表。 CAD 软件：您将使用 Cadence 的行业标准电路仿真软件（Virtuoso 和 Spectre）来完成小项目和最终项目。无需使用这些 CAD 工具的经验。使用 Linux 的经验很有帮助（因为我们使用的 CAD 工具仅在 Linux 上运行），但这不是必需的。但是，希望您熟悉数学软件，例如 MATLAB 或 Excel。请注意，您可以从信息系统和技术网站（https://uwaterloo.ca/information-systems-technology/）获取 MATLAB、Excel 和其他软件。课程网站：
电子计算机历史：1940-2000
第 1 页 ______________________________________________________________________ 电子计算机历史：1940-2000 C. Piguet CSEM 瑞士电子和微技术中心 SA Maladière 71，2000 瑞士纳沙泰尔 摘要 本文的目的是介绍电子计算机的历史。 第一台电子计算机 ENIAC 于 1945 年问世。它是帕斯卡和巴贝奇提出的真空管电子版计算器。现代计算机组织归功于冯·诺依曼。多台计算机都是根据冯·诺依曼架构设计的，例如第一台商用机器 UNIVAC，随后是 IBM 701 和 702。下一步是用更可靠、更小、更快的晶体管取代真空管。提供了编程语言，例如 FORTRAN 和 COBOL。下一代计算机（如 IBM 360 系列）的基本架构和语言不会发生重大变化。只是实现方式完全不同，它基于使用集成电路的微程序和流水线架构。 1. 简介 六十年的电子计算机提供了一个非常有趣的故事。计算机的引入彻底改变了我们的生活方式。今天，每个工作场所都有一台计算机。每个家庭每天都会使用几台个人计算机。每笔财务交易都由计算机完成。 故事始于 1945 年第一台电子计算机。40 年代末，艾肯认为英国将需要 2 到 3 台计算机 [1] ！三十年后，即 1975 年，第一批微处理器可用于个人计算机。今天，个人计算机网络能够通过互联网进行通信，以访问存储在数据库中的大量知识。迈向计算机的第一步是设计机械自动机，