XiaoMi-AI文件搜索系统
World File Search System目标平台
FPGA SoC 平台上深度神经网络的时间可预测加速
摘要 — 本研究重点研究了在 FPGA 片上系统 (SoC) 上加速的深度神经网络 (DNN) 的时间可预测执行。本文考虑了 Xilinx 的现代 DPU 加速器。针对 Zynq Ultrascale+ 平台进行了广泛的分析活动，以研究 DPU 在加速一组用于高级驾驶辅助系统 (ADAS) 的最先进的 DNN 时的执行行为。基于分析，提出了一个执行模型，然后用于得出响应时间分析。还提出了一个名为 DICTAT 的定制 FPGA 模块，以提高 DNN 加速的可预测性并收紧分析界限。最后，基于分析界限和目标平台的测量结果，提供了一组丰富的实验结果，以评估所提出的方法在 ADAS 应用上的有效性和性能。
基于管子的模型预测控制自动铰接式车辆的路径跟踪
摘要：本文介绍了基于管子的模型预测控制（MPC），用于自主铰接式车辆的路径和速度跟踪。这项研究的目标平台是具有不可轴轴的自主铰接式车辆。因此，铰接角和车轮扭矩输入由基于管的MPC确定。所提出的MPC旨在实现两个目标：最大程度地减少跟踪误差并增强对干扰的鲁棒性。此外，自动铰接式车辆的横向稳定性被认为反映了其动态特性。使用局部线性化制定了MPC的车辆模型，以最大程度地减少建模误差。参考状态是使用基于线性二次调节器的虚拟控制器确定的，以提供MPC求解器的最佳参考。通过在噪声注入传感器信号的基础算法的模拟研究中评估了所提出的算法。仿真结果表明，与基础算法相比，所提出的算法达到了最小的路径跟踪误差。此外，提出的算法对多个信号表现出对外部噪声的鲁棒性。
非侵入式故障注入攻击综合综述
摘要 — 非侵入式故障注入攻击已成为从商品设备到高端定制处理器等一系列微电子系统的重大威胁。与侵入式攻击不同，这些攻击更便宜，并且可以在不物理改变硬件的情况下利用系统漏洞。此外，某些非侵入式故障注入策略允许远程利用漏洞而无需物理接近。然而，现有研究缺乏对这些攻击在不同目标平台、威胁模型、新兴攻击策略、评估框架和缓解方法上的广泛调查。在本文中，我们全面概述了当代非侵入式故障注入攻击的研究。我们的目标是整合和审查研究界提出的各种技术、方法、易受攻击的目标系统以及现有的缓解机制。此外，我们根据几个方面对攻击策略进行分类，对各个类别进行详细比较，并强调研究挑战和未来方向。通过强调和讨论尖端、非侵入式故障注入的前景，我们希望更多的研究人员、设计人员和安全专家进一步研究这些攻击，并在制定有效的对策时考虑到这些威胁。
光子晶体耦合增强的转向发射
在低丰度生物标志物的癌症和传染病的情况下，利用荧光记者使用荧光记者的诊断测定方法可以通过有效收集发射的光子进入光学传感器来达到检测的下限。在这项工作中，我们介绍了一维光子晶体（PC）光栅界面的合理设计，制造和应用，以实现无棱镜的无棱镜，无金属和客观的无目标平台来增强荧光发射收集效率。PC的引导模式共振（GMR）具有互联状态，可与辐射偶极子的激光激发（532 nm）和发射最大（580 nm）匹配，以在优化的条件下到达。使用银纳米颗粒的光质量杂交纳米工程>> 110倍的转向荧光增强功能，使样品放置在兴奋源和探测器之间，这是直线的。根据实验和仿真，我们根据辐射等离子体模型仔细检查杂交底物的极化发射特性，提出了一个辐射的GMR模型。在这里使用简单检测仪器实现的增强荧光强度提供了亚纳米摩尔灵敏度，以提供通往护理点场景的路径。
新型药物目标发现的时间趋势揭示了人类遗传数据的重要性
涉及新型行动机理目标的药物批准目前约占新型FDA批准的药物的五分之一。开发新目标的疗法带来了增加的风险，但它们可以显着解决未满足医疗需求或当前治疗限制的领域。开放目标平台是一个有价值的，定期更新的开放资源，用于识别和优先考虑治疗目标，将各种数据源与用户友好的界面集成在一起。但是，它缺乏对目标新颖性的评估，并且时间戳最少。为了回应，我们实施了数百万个生物医学数据点的全面时间戳，并引入了一个指标，以总结疾病背景下目标的新颖性，以发现开放靶标生态系统中的新药物目标。自2000年以来，对新型药物靶标批准的回顾性分析表明，临床进展的遗传证据越来越早于管道中的较早考虑，突出了在时间背景下评估关联证据的好处。
基于计算机视觉的检测系统
Internet和无线宽带基础架构正在为下一代视频监视增加额外的优势。除了增强提高安全性的能力外，还将有助于提高生产率，客户满意度和业务的监管合规性。使用ARM 9单板计算机作为开发平台成功开发了一种非侵入性视频监视系统。硬件包括友好的ARM MINI2440 SBC，定制的IR敏感相机Wi-Fi模块。软件实现基于Linux内核和QT框架，其跨编译OPENCV和GUI库的移植。由于使用开源技术并选择嵌入的Linux作为开发平台，因此开发成本大大降低。本文使用的嵌入式系统目标平台是基于ARM9嵌入处理器核心的三星S3C2440。发布版本的Linux不适合嵌入式系统的硬件，因此需要跨开发环境来自定义Linux操作系统。它描述了基于S3C2440处理器将嵌入的Linux移植到目标板的方法和进展库，开发了运动检测应用程序。
回顾 AI 系统工程——关键挑战和经验教训 †
许多现实世界的任务都具有不确定性和概率数据的特点，这些数据对于人类来说很难理解和处理。机器学习 (ML) 和知识提取 [ 1 ] 有助于将这些数据转化为有用的信息，以实现广泛的应用，例如图像识别、场景理解、决策支持系统等，从而在广泛的领域中实现新的用例。各种机器学习方法，特别是深度神经网络 (DNN)，在解决计算机视觉和模式识别等难题方面取得了成功，导致了人工智能 (AI) 领域的寒武纪大爆发。在许多应用领域，人工智能研究人员已将深度学习作为首选解决方案 [ 2 , 3 ]。这一发展的一个特点是过去十年人工智能进步的加速，这导致人工智能系统强大到足以引发严重的伦理和社会接受问题。这一发展的另一个特点是此类系统的工程方式。最重要的是，数据分析、模型构建和软件工程等传统上独立的学科之间的相互联系日益紧密。如图 1 所示，AI 系统工程涵盖了构建 AI 系统的所有步骤，从问题理解、问题规范、AI 模型选择、数据采集和数据调节到在目标平台和应用环境中的部署。
通过硬件/软件共同设计在开源硅平台上核心后加密量的加速
摘要。Quantum加密（PQC）算法目前正在标准化，并且它们的早期实施效率不如成熟的公共密钥密码学（PKC）算法，这些算法从数十年的优化中受益。我们报告了加速数量理论变换（NTT）的努力，这是Kyber（ML-KEM）（ML-KEM）和二硫思军（ML-DSA）PQC算法中最昂贵的原始原始性。我们的目标平台是Opentitan Big Number Accelerator（OTBN），这是第一个开源硅芯片芯片的一部分。我们仅使用现有说明在OTBN组装中实现了Kyber NTT，并确定了其瓶颈。然后，我们对代码进行了重组，以利用Parlelism，并为开源协作处理器定义了其他汇编指令，以实现我们的矢量插入。我们的硬件/软件共同设计方法产生了重大的性能：NTT的运行速度比仅使用OTBN现有说明的基线实现快21.1倍。我们的方法充分利用了并行性的潜力，并最大程度地说明了OTBN的现有能力。我们的一些优化是相当笼统的，可能会成功地应用于其他上下文，包括在其他平台上加速其他算法。
LIT-OTAR框架用于从文献中提取生物学证据
通过欧洲PMC与开放目标之间的合作开发的Lit-Otar框架，通过从科学文献中提取证据来彻底改变药物靶向识别和有效性，以深入了解药物发现。这个新颖的框架将命名的实体识别（NER）结合在一起，用于识别科学文本中的基因/蛋白质，疾病，生物和化学/药物，以及实体正常情况，以将这些实体映射到诸如Ensembl，Exifore Fimical因素（EFO）（EFO）和Chembl等数据库中。持续运营，它处理了超过3900万个摘要和4个。迄今为止有500万个全文文章和预印本，有超过48个。500万个独特的关联，有助于加速药物发现过程和科学研究（>29。9 m不同的目标疾病，11。8 m dist-tint Target-Prug和8。3 m不同的疾病 - 药物关系）。可以通过开放目标平台（https://platform.opentargets.org/）以及欧洲PMC网站（Scilite Web应用程序）和注释API（https://europepepepmc.org/annotationsapi）以及欧洲PMC网站（Scilite Web App）以及欧洲PMC网站（SCILITE WEB应用程序）以及欧洲PMC网站（SCILITE WEB应用程序）以及欧洲PMC网站（SCILITE WEB APP）以及。