XiaoMi-AI文件搜索系统
World File Search System硬件加速
基于Web3D的露天矿山监控系统开发
大型露天矿是获取自然资源的重要基础设施。然而，这种类型的矿山在运营期间可能会遇到环境和安全问题，因此需要持续监测。在本研究中，利用地理空间信息开放平台和开源地理空间信息软件构建了一个基于 Web 三维 (3D) 的监测系统，该系统针对韩国江原道的露天矿。目的是开发一个露天矿监测系统，使任何人都可以监测矿山运营引起的地形和环境变化，并开发和恢复该地区的生态。露天矿被分为活跃矿山和非活跃矿山，并为每种类型的矿山制定了监测项目和方法。选择基于 WebGL 的开源平台 Cesium，因为它支持与运行时间相关的动态数据可视化和硬件加速图形，这是监测中的重要因素。露天矿监测系统是基于包含矿井监测所需信息的地理空间数据库，通过开发开源系统软件而开发的。监测地理空间信息数据库由数字图像和地形数据组成，还包括矢量数据和恢复计划数据。监测中使用的基本地理空间信息包括高分辨率正射影像（GSD 0.5 m 或以上），用于
注意
力导向算法在过去 50 年中得到了发展，并用于许多应用领域，包括信息可视化、生物网络可视化、传感器网络、路由算法、调度、图形绘制等。我们的调查提供了发展情况的全面总结，并为示意图绘制和布局方面最先进的力导向算法提供了完整的路线图。我们将力导向算法的模型分为经典和混合。经典力导向算法进一步分为以下几类：(a) 累积力模型，(b) 能量函数最小化模型，和 (c) 组合优化模型。混合力导向算法分为以下几类：(a) 并行和硬件加速模型，(b) 多级力导向模型，和 (c) 多维缩放力导向算法。还总结了采用力导向算法进行原理图绘制和放置的五类应用领域：（a）一般网络的美学绘制，（b）超大规模集成电路（VLSI）设计高级综合中的组件放置和调度，（c）信息可视化，（d）生物网络可视化，以及（e）传感器网络的节点放置和定位。
在 Myriad 和 Snapdragon 处理器上对用于太空应用的深度学习模型进行基准测试
未来的太空任务可以从机载图像处理中受益，以检测科学事件、产生见解并自主响应。这一任务概念面临的挑战之一是传统的太空飞行计算能力有限，因为它是从更古老的计算中衍生出来的，以确保在太空的极端环境下（特别是辐射）的可靠性能。现代商用现货处理器，如 Movidius Myriad X 和 Qualcomm Snapdragon，在小尺寸、重量和功率封装方面有显著改进；它们为深度神经网络提供直接硬件加速，尽管这些处理器没有经过辐射加固。我们在国际空间站 (ISS) 上的惠普企业星载计算机-2 托管的这些处理器上部署了神经网络模型。我们发现，Myriad 和 Snapdragon 数字信号处理器 (DSP)/人工智能处理器 (AIP) 在所有情况下都比 Snapdragon CPU 速度更快，单像素网络除外（DSP/AIP 通常快 10 倍以上）。此外，通过量化和移植我们的喷气推进实验室模型而引入的差异通常非常低（不到 5%）。模型运行多次，并部署了内存检查器来测试辐射效应。到目前为止，我们发现地面和 ISS 运行之间的输出没有差异，也没有内存检查器错误。
边缘视觉变压器：对模型压缩和加速策略的全面调查
近年来，视觉变形金刚（VIT）已成为计算机视觉任务（例如图像分类，对象检测和分割）的强大而有前途的技术。与依赖层次特征提取的卷积神经网络（CNN）不同，VIT将图像视为斑块和杠杆自我发项机制的序列。但是，它们的高计算复杂性和内存要求对资源受限的边缘设备部署构成重大挑战。为了解决这些局限性，广泛的研究集中在模型压缩技术和硬件感知加速策略上。尽管如此，一项全面的审查系统地将这些技术及其在精确，效率和硬件适应性方面进行了对边缘部署的适应性的权衡。这项调查通过提供模型压缩技术的结构化分析，用于推理边缘的软件工具以及VIT的硬件加速策略来弥合此差距。我们讨论了它们对准确性，效率和硬件适应性的影响，突出了关键的挑战和新兴的研究方案，以推动Edge平台上的VIT部署，包括图形处理单元（GPU），张量处理单元（TPU）（TPU）和现场编程的门阵列（FPGAS）。目标是通过当代指南，以优化VIT，以在边缘设备上进行有效部署，以激发进一步的研究。
马拉加微电子公司 (PERTE-Chip 主席)
博士前合同的关键活动：合同 CI-24-271： - 设计一个带有传感器的嵌入式系统，用于地面车辆的稳定性控制。 - 利用人工智能开发算法和稳定性控制软件。 - 针对应用范围优化系统软件。 - 对开发的原型进行验证和评估。合同 CI-24-272：- 土工膜的传感化，用于环境的安全控制。 - 设计嵌入土工膜的用于处理传感器信号的系统。 - 嵌入式系统监控系统的开发。 - 对所开发的解决方案进行验证和评估。合同 CI-24-276： - 在老年人家庭护理背景下的智能虚拟助手研究。 - 结合处理传感器信号和理解/生成自然语音的能力（LLM）。 - 在性能和消耗限制下为虚拟助手设计嵌入式系统。 - 分析添加联合 ML 训练的嵌入式设备分布式系统。 - 对所开发的解决方案进行验证和评估。合同 CI-24-277： - 计算机视觉和时间序列分析模型的人工智能模型分析。 - 研究处理分析模型的 RISC-V 标准。 - 基于RISC-V架构的模型硬件加速技术的设计。 - 对所开发的解决方案进行验证和评估。合同 CI-24-278： - 用于应用领域的多传感器嵌入式系统的智能处理。
边缘视觉变压器：对模型压缩和加速策略的全面调查
近年来，视觉变形金刚（VIT）已成为计算机视觉任务（例如图像分类，对象检测和分割）的强大而有前途的技术。与依赖层次特征提取的卷积神经网络（CNN）不同，VIT将图像视为斑块和杠杆自我发项机制的序列。但是，它们的高计算复杂性和内存要求对资源受限的边缘设备部署构成重大挑战。为了解决这些局限性，广泛的研究集中在模型压缩技术和硬件感知加速策略上。尽管如此，一项全面的审查系统地将这些技术及其在精确，效率和硬件适应性方面进行了对边缘部署的适应性的权衡。这项调查通过提供模型压缩技术的结构化分析，用于推理边缘的软件工具以及VIT的硬件加速策略来弥合此差距。我们讨论了它们对准确性，效率和硬件适应性的影响，突出了关键的挑战和新兴的研究方案，以推动Edge平台上的VIT部署，包括图形处理单元（GPU），张量处理单元（TPU）（TPU）和现场编程的门阵列（FPGAS）。目标是通过当代指南，以优化VIT，以在边缘设备上进行有效部署，以激发进一步的研究。
在多...
I n多名强化学习，搜索者通常会面临一个具有挑战性的权衡：使用需要基础计算资源的复杂环境，或者更简单的dy-namics进行加急执行，尽管以可转让的成本来实现更现实的任务。该媒介会挖掘可矢量环境的潜力，从而使平行环境推出并完全利用现代GPU的平行化能力。我们提出了各种RL环境库的比较，高点其功能和限制，以端到端硬件加速培训管道。我们观察到，最常用的RL算法库尚未完全包含最终到端硬件的训练管道，以及用于硬件加速的框架与机器学习中的框架之间的有限交叉兼容：Pytorch，Pytorch，Tensorflow，Tensorflow，Tensorflow，tensorflow和Jax，jax，jax，limits for Mix and Matchers for Mix and Matchers and and rar rar rar rar rar rar rar rar rar rar rar rar rar rar rar rar rar rar rar rar and rar rar rar and rar rar rar rar rar rar rar rar rar rar and rar rar。
AI@EDGE：安全且可重复使用的人工智能...
摘要 —人工智能（AI）已成为第四次工业革命的主要创新力量和主要支柱。欧盟委员会已经承认了这一趋势，并指出高性能、智能和安全的网络对于多业务下一代互联网（NGI）的发展至关重要。虽然AI平台在准确性和性能方面已经取得了巨大进步，但它们与自主决策和关键系统的集成需要端到端的质量保证。AI@EDGE利用“可重用、安全和值得信赖的网络自动化AI”的概念解决了这些挑战。为此，AI@EDGE的目标是在两个领域取得重大突破：（i）用于闭环网络自动化的通用框架，该框架能够支持灵活和可编程的管道，以创建、利用和调整安全、可重用和值得信赖的AI / ML模型；以及 (ii) 融合的连接计算平台，用于创建和管理弹性、有弹性和安全的端到端切片，支持各种支持 AI 的网络应用。车载网络的协同感知、工业物联网的安全、多利益相关方 AI、空中基础设施检查和机上娱乐是 AI@EDGE 针对的用例，以最大限度地发挥其商业、社会和环境影响。索引术语 —AI、5G、MEC、自动化、分解式 RAN、基于 ML 的安全性、硬件加速、无服务器平台
HPMA-NTRU：NTRU
摘要 - 在大规模量子计算机的快速发展中，Quantum加密术（PQC）最近引起了研究社区的显着关注，因为这证明现有的公共键密码系统很容易受到量子攻击的影响。同时，PQC领域的最新趋势已逐渐切换到硬件加速方面。遵循这一趋势，这项工作介绍了NTRU（HPMA-NTRU）的高性能多项式乘法硬件加速器的新颖实现，这是不同的参数设置，这是基于晶格的PQC算法之一，该算法当前是由国家标准和技术（NIST和技术）PQC标准化过程所考虑的。总共我们进行了三层努力来获得拟议的工作。首先，我们提出了一种新的学科算法策略，以得出NTRU的所需多项式乘法算法。然后，我们已经映射了算法以构建高性能多项式硬件加速器，并通过正确调整将此硬件加速器扩展到不同的参数设置。最后，通过一系列基于基于的复杂性分析和基于实现的比较，我们表明，所提出的硬件加速器获得的区域时间复杂性比最先进的一个更好。这项工作的结果很重要，并且会影响正在进行的NIST PQC标准化过程，并可以进一步部署以构建有效的NTRU隐秘处理器。索引术语 - 高性能，NTRU，多项式乘以硬件加速器，Quantum加密后（PQC）
OpenHD：基于 GPU 的超维计算框架
摘要 — 超维计算 (HDC) 已成为深度神经网络的替代轻量级学习解决方案。HDC 的一个关键特性是高度并行，可以促进硬件加速。然而，以前的 HDC 硬件实现很少关注 GPU 设计，这也导致效率低下，部分原因是在 GPU 上加速 HDC 的复杂性。在本文中，我们提出了 OpenHD，这是一个灵活且高性能的 GPU 驱动框架，用于自动将包括分类和聚类在内的一般 HDC 应用程序映射到 GPU。OpenHD 利用专门针对 HDC 的内存优化策略，最大限度地缩短对不同内存子系统的访问时间，并消除冗余操作。我们还提出了一种新颖的训练方法，以实现 HDC 训练中的数据并行性。我们的评估结果表明，所提出的训练方法可以快速达到目标准确率，将所需的训练周期减少了 4 × 。借助 OpenHD，用户无需领域专家知识即可部署 GPU 加速的 HDC 应用程序。与最先进的 GPU 驱动的 HDC 实现相比，我们在 NVIDIA Jetson TX2 上的评估表明，OpenHD 在基于 HDC 的分类和聚类方面分别快了 10.5 倍和 314 倍。与 GPU 上的非 HDC 分类和聚类相比，由 OpenHD 驱动的 HDC 在准确度相当的情况下快了 11.7 倍和 53 倍。