XiaoMi-AI文件搜索系统
World File Search System用于
用于水库计算的多个读数的集成学习
储存器计算 (RC) [1, 2] 是一种循环神经网络，近年来因其训练成本低、可通过专用电路 [3, 4] 和物理 RC [5, 6] 在硬件上实现而备受关注。RC 由储存器部分和读出部分组成，储存器部分接收时间序列输入并将其非线性转换为高维空间以表示输入的时空模式，读出部分从储存器部分拾取一些模式来分析输入并生成输出。RC 的主要优势是除读出部分之外的权重连接都是固定的。因此，与深度神经网络相比，其训练所需的数据量更少，计算成本更低。因此，RC 适用于计算资源有限且无需云计算即可执行训练的边缘 AI 系统。 RC 的读出大多由线性模型（单层感知器）实现，因此，读出的适应训练数据的能力有限。为了增强 RC 的训练能力，我们提出了一个具有多个读出的 RC 模型，该模型将一个读出的训练分散，以便每个读出可以专注于特定类型的训练数据。该方法可以看作是一种集成学习，用于增强 RC 泛化性能。简单地增加读出的数量对于边缘 AI 系统来说是低效的，因为它会消耗系统中有限的内存资源。本研究引入了一种自组织函数，它能够使用
电力供应下多能枢纽的电气化：用于成本效益的温室气体MITI
住宅供暖和私人迁移率的电力通常被视为对该行业巨大温室气体（GHG）排放问题的解决方案。然而，通常认为相关计划的无限制措施是无限制的。因此，尚不清楚供应如何在有限的供应范围内。因此，我们调查了如何共同计划的DE-/集中资产升级和启用的车辆2型电动汽车可以克服瑞士五种住宅建筑类型的这种限制。，基于能量中心概念对多能系统进行了新的新型优化，该概念扩展了经典的分散能源中心的能源枢纽，以将投资包括在集中资产中，同时选择，设计和操作此类资产和操作，以最大程度地减少生命周期的需求，同时覆盖三分之一的热量，而A涵盖了三个份额，A）的限制，A）有限，c）否（独立的）集中电力。 优化证明了集中式供应限制至关重要，因为可实现的CO 2EQ缓解措施对AV的a）> 60％> 60％以上的b）45％降至仅C）30％。 此外，在冬季，资产的实质性变化和广泛的资产组合非常最佳，可以克服唯一的电能损失瓶颈。 令人惊讶的是，所有部分有限的方案在内，包括核淘汰和额外的跨境电力贸易停止产生相似的结果，这使得在非电信的参考文献中可以减少50％的排放量，而无需额外的年度成本。，基于能量中心概念对多能系统进行了新的新型优化，该概念扩展了经典的分散能源中心的能源枢纽，以将投资包括在集中资产中，同时选择，设计和操作此类资产和操作，以最大程度地减少生命周期的需求，同时覆盖三分之一的热量，而A涵盖了三个份额，A）的限制，A）有限，c）否（独立的）集中电力。优化证明了集中式供应限制至关重要，因为可实现的CO 2EQ缓解措施对AV的a）> 60％> 60％以上的b）45％降至仅C）30％。此外，在冬季，资产的实质性变化和广泛的资产组合非常最佳，可以克服唯一的电能损失瓶颈。令人惊讶的是，所有部分有限的方案在内，包括核淘汰和额外的跨境电力贸易停止产生相似的结果，这使得在非电信的参考文献中可以减少50％的排放量，而无需额外的年度成本。从低成本到低发射溶液，天然气的集中式燃气轮机和与空气源热泵结合的分散的组合热量和发电厂（CHPP）被沼气Chpps，地面源热泵和集中的光伏流离失所，而局部光伏电动机和局部光伏和2-HOMEADS则是构造的。更强的缓解措施证明是昂贵的。总的来说，考虑到有限的供应避免了高估可实现的减轻，低估总成本以及对过于简单的资产组合的识别。
JRDB-Social：一个多方面的机器人数据集，用于理解社会群体内人类互动的上下文和动态
了解人类的社会行为对于综合愿景和机器人技术至关重要。微观的观察（例如，分裂行动）不足，需要采取一种全面的方法来考虑个人行为，组内动态和社会群体层次，以彻底理解。要解决数据集限制，本文引入了JRDB-Social，JRDB的扩展[2]。旨在填补跨室内和室外社会环境的人类理解的空白，JRDB-Social提供了三个层次的注释：个体属性，组内侵入和社会群体环境。该数据集旨在增强我们对机器人应用的人类社会动态的理解。利用最近的尖端多模式大型语言模型，我们评估了我们的基准，以表达其破译社会人类行为的能力。
毫米级、大面积均匀半导体器件分层，用于物理故障分析和质量控制 Pawel Nowakowski*、Mary Ray、P
毫米级、大面积均匀半导体器件分层用于物理故障分析和质量控制 Pawel Nowakowski*、Mary Ray、Paul Fischione EA Fischione Instruments，Export，宾夕法尼亚州，美国* 通讯作者：p_nowakowski@fischione.com 不断发展的微电子设备设计越来越复杂、越来越紧凑和越来越小。这些设计可能包括越来越多的层、三维 (3D) 垂直堆叠、气隙和不同的材料成分。大批量半导体器件制造需要强大的质量控制和故障分析过程。过去几十年来，已经开发出了许多故障分析技术，包括非破坏性和破坏性技术 [1-3]。一种非常流行的技术是器件分层，即从上到下控制地去除器件层。通过这种技术获得的信息可以支持质量控制、故障分析工作、成品和工艺改进数据以及逆向工程。
调查机器学习和自然语言处理技术用于检测饮食失调：系统文献评论
自然语言处理（NLP）和机器学习（ML）领域的最新发展已显示自动文本处理的显着改进。同时，人类语言的表达在发现心理健康问题中起着核心作用。虽然口语在接受患者的访谈中被隐式评估，但书面语言也可以为临床专业人员提供有趣的见解。现有的工作中经常研究心理健康问题，例如抑郁或焦虑。然而，还在研究饮食失调的诊断如何从这些新技术中受益。在本文中，我们介绍了该领域最新研究的系统概述。Our investigation encompasses four key areas: (a) an analysis of the metadata from published papers, (b) an examination of the sizes and speci fi c topics of the datasets employed, (c) a review of the application of machine learning techniques in detecting eating disorders from text, and fi nally (d) an evaluation of the models used, focusing on their performance, limitations, and the potential risks associated with current methodologies.
一种用于稳健拟合的混合量子-经典算法
将几何模型拟合到离群污染数据上是可证明的难点。许多计算机视觉系统依靠随机抽样启发式方法来解决稳健拟合问题，但这种方法不提供最优性保证和误差界限。因此，开发新方法来弥合成本高昂的精确解决方案与无法提供质量保证的快速启发式方法之间的差距至关重要。在本文中，我们提出了一种用于稳健拟合的混合量子经典算法。我们的核心贡献是一种新颖的稳健拟合公式，它可以解决一系列整数程序并以全局解或误差界限终止。组合子问题适合量子退火器，这有助于有效地收紧界限。虽然我们对量子计算的使用并没有克服稳健拟合的根本难点，但通过提供误差界限，我们的算法是对随机启发式算法的实际改进。此外，我们的工作代表了量子计算在计算机视觉中的具体应用。我们展示了使用实际量子计算机（D-Wave Advantage）和通过模拟 1 获得的结果。
用于 Computercom 的紧凑型光学 TX 和 RX 宏单片集成在 45nm CMOS 中
摘要 — 随着光通信的覆盖范围不断缩小，光子学正从机架到机架数据通信链路转向需要不同架构的厘米级计算机内应用 (computercom)。集成光学微环谐振器 (MRR) 正成为满足更严格的面积和效率要求的有吸引力的选择：它们通过波分复用 (WDM) 和高带宽密度提供缩放。在本文中，我们介绍了在 45 nm CMOS 中单片集成的用于 computercom 的紧凑型电光发射 (TX) 和接收 (RX) 宏。它们与 MRR 调制器和光电探测器一起工作，并包括所有必要的电子器件和光学器件，以实现片上数据源和接收器之间的光学链路。通过感测驱动电子器件中的光学设备的偏置电流而不是使用外部工作点感测光学器件，实现了最紧凑的热稳定性实现。使用场效应晶体管作为加热元件（在单片集成平台中是可能的）可进一步减少热控制所需的面积和功率。TX 宏的工作数据速率高达 16 Gb/s，消光比 (ER) 为 5.5 dB，插入损耗 (IL) 为 2.4 dB。RX 宏在 12 Gb/s 时灵敏度为 71 µ A pp，BER ≤ 10 − 10。用宏构建的芯片内链路在 10 Gb/s 时实现 ≤ 2.35 pJ/b 的电气效率和 BER ≤ 10 − 10。两个宏都在 0.0073 mm 2 内实现，每个宏的带宽密度为 1.4 Tb/s/mm 2。
用于医学图像超分辨率的多模态多头卷积注意
超分辨率医学图像可帮助医生提供更准确的诊断。在许多情况下，计算机断层扫描 (CT) 或磁共振成像 (MRI) 技术在一次检查期间会捕获多个扫描 (模式)，这些扫描 (模式) 可以联合使用 (以多模态方式) 来进一步提高超分辨率结果的质量。为此，我们提出了一种新颖的多模态多头卷积注意模块来超分辨率 CT 和 MRI 扫描。我们的注意模块使用卷积运算对多个连接的输入张量执行联合空间通道注意，其中核 (感受野) 大小控制空间注意的减少率，卷积滤波器的数量控制通道注意的减少率。我们引入了多个注意头，每个头具有不同的感受野大小，对应于空间注意的特定减少率。我们将多模态多头卷积注意力 (MMHCA) 集成到两个深度神经架构中以实现超分辨率，并对三个数据集进行了实验。我们的实证结果表明，我们的注意力模块优于超分辨率中使用的最先进的注意力机制。此外，我们进行了一项消融研究，以评估注意力模块中涉及的组件的影响，例如输入的数量或头部的数量。我们的代码可在 https://github.com/lilygeorgescu/MHCA 免费获取。
