XiaoMi-AI文件搜索系统
World File Search System硬件开发
综述文章 脑机接口中的主题识别...
这篇总体评论旨在了解脑机接口 (BCI) 研究主题的转变，并确定研究主题从关注医学进步和系统开发转向包括教育、营销、游戏、安全和保障在内的应用。本评论的背景研究了 BCI 分类、神经成像方法、脑控制信号分类、应用和伦理等方面。未研究 BCI 软件和硬件开发的特定领域。使用 One Search 进行了搜索，并选出了 92 篇 BCI 评论。出版物人口统计数据表明，所考虑的评论论文的平均作者人数为 4.2 ± 1.8。结果还表明，自 2003 年以来，BCI 评论的数量迅速增加，而在此之前只有三篇评论，其中两篇发表于 1972 年，一篇发表于 1996 年。虽然早期评论中的 BCI 作者主要是欧美人，但这种趋势已转变为更加全球化的作者群体，到 2020-2022 年，中国将占据主导地位。评论显示，与 BCI 系统相关的学科有六个：生命科学和生物医学 (n = 42)、神经科学和神经病学 (n = 35) 和康复 (n = 20)；(2) 第二个领域以功能性为主题：计算机科学 (n = 20)、工程学 (n = 28) 和技术 (n = 38)。研究主题从理解大脑功能和 BCI 系统接口模式转向了更具应用性的研究，研究确定了围绕人工智能的新领域，包括机器学习、预处理和深度学习。随着 BCI 系统在“正常”个体生活中的侵入性越来越强，预计研究重点和主题将重新转向增加对伦理问题的研究以及 BCI 应用的法律监督需求。
自主分子设计的人工智能
摘要：近年来，领域感知人工智能越来越多地被采用，以加速各种应用中的分子设计，包括药物设计和发现。物理信息机器学习和推理、软件工程、高端硬件开发和计算基础设施等领域的最新进展为构建可扩展且可解释的人工智能分子发现系统提供了机会。这可以通过反馈分析、数据集成来改进设计假设，从而为引入端到端自动化化合物发现和优化提供基础，并实现更智能的化学空间搜索。几种最先进的机器学习架构主要独立用于预测小分子的性质、它们的高通量合成和筛选，迭代识别和优化主要治疗候选药物。然而，这种深度学习和机器学习方法也带来了相当大的概念、技术、可扩展性和端到端误差量化挑战，以及对当前人工智能炒作构建自动化工具的怀疑。为此，在闭环中协同智能地使用这些单个组件以及基于量子物理的强大分子表示和数据生成工具，对于加速治疗设计以批判性地分析其更广泛应用的机遇和挑战具有巨大的希望。本文旨在确定每个组件所取得的最新技术和突破，并讨论如何整合这种自主的人工智能和机器学习工作流程，从根本上加速可以通过实验迭代验证的蛋白质靶标或基于疾病模型的探针设计。总之，这可以显著缩短任何新型人畜共患传播事件发生后端到端治疗发现和优化的时间。我们的文章为医学、计算化学和生物学、分析化学和机器学习社区在精准医疗和药物发现中实践自主分子设计提供了指南。
193 Madrasah Ibtidaiyah 教育的 Digilin-T 创新
摘要 小学对敏捷性的测量往往观察得不够彻底或不够仔细，因此被测量的孩子可能会获得优势，甚至处于劣势。敏捷性是运动体能要素的测试、测量和评估领域之一，它确实需要一点信息技术来帮助克服和解决这些发展中出现的问题，其中之一就是计算机软件和硬件的发展。随着敏捷性测试、测量和评估的存在，希望获得的敏捷性分数能够更加客观，因为它们可以避免测试人员的测量错误。基于这些问题，作者提出了以下问题：1）PTKIN 学生的运动敏捷性规范范围是多少？；2）基于红外光电二极管传感器的 PTKIN 学生数字敏捷性-T [Digilin-T] 评估测试的软件和硬件开发模型是什么？； 3) 基于红外光电二极管传感器的 PTKIN 学生敏捷性-T [Digilin-T] 产品对提高 PTKIN 学生的运动敏捷性有多有效？本研究设计采用研究与开发设计。开发研究中必须遵循的流程要经过几个阶段，包括 (1) 初步需求分析（需求评估）和收集信息；(2) 规划；(3) 产品开发；(4) 小组试验准备；(5) 第一次产品修订；(6) 现场试验；(7) 第二次产品修订；(8) 现场试验；(9) 第三次产品修订；(10) 传播和实施。小组试验中，使用 DigilinT 进行敏捷性测试和测量的能力的敏捷性结果为 60.00%。因为操作方法还不够用户友好，还有许多命令令人困惑。Digilin-T 在大组试验中的使用有所改善。DigilinT 软件和硬件在大组试验中的使用已显示出越来越好的能力。总体来看，操作 DigilinT 的能力水平非常高。受访者组装的难易程度达到 77.10%，打开和操作 DigilinT 的部件达到 93.13%。因此，Digilin-T 作为
轨道礁
在本世纪下半叶，一个商业开发、拥有和运营的空间站将开始作为混合用途商业园区运营，为所有人提供直接的访问。轨道礁将在倾角适中的 500 公里轨道上飞越人类大部分地区。现在任何人都可以租用太空环境 - 失重和高真空 - 并体验我们家园星球的壮丽景色，每天有 32 次充满活力的日出和日落。无论您的业务是科学研究、探索系统开发、新独特产品的发明和制造、媒体和广告还是异国情调的款待，您都可以在这里找到一个泊位。世界一流的技术设施、具有鼓舞人心、实用和安全的服务和设施的未来主义空间建筑以及开放、可扩展的系统架构允许任何国家、机构、文化或客户加入。我们提供端到端服务：运输和物流、用于任何目的的租赁空间、系统硬件开发协助、机器人和机组人员操作和服务以及居住设施。经验丰富的客户只需通过标准接口连接自己的模块即可。新手客户可以通过 Reef Starter 孵化器获得所需的任何级别的帮助。空间站基础设施（住宿、公用设施、泊位和车辆港口）可随着市场需求的扩大而无限增长。在 Orbital Reef 商业园区，共享基础设施可满足不同租户和访客的专有需求。这种商业模式（在地球上是传统的，但在太空中是前所未有的）降低了所有客户的门槛，并促进了太空应用的竞争性发展。基线配置具有独立的科学区和居住区，可在 830 立方米的体积内容纳 10 人（几乎与国际空间站一样大），配有大窗户的大模块。
社论：脉冲神经网络学习、基准测试、编程和执行
脉冲神经网络 (SNN) 是一种受大脑启发的神经网络，它模仿生物大脑，具体来说，模仿大脑的神经代码、神经动力学和电路。由于 SNN 在人类认知的生物现实建模和节能、事件驱动的机器学习硬件开发方面具有巨大潜力，因此引起了人工智能 (AI) 和神经科学界的极大兴趣 (Pei et al., 2019; Roy et al., 2019)。在图像处理、语音识别和机器翻译等广泛的 AI 领域都取得了重大进展。它们在很大程度上受到人工神经网络 (ANN) 在系统学习理论方面的进步、具有各种任务和数据集的明确基准、友好的编程工具[例如 TensorFlow (Abadi 等，2016) 和 Pytorch (Paszke 等，2019) 机器学习工具]和高效的处理平台[例如图形处理单元 (GPU) 和张量处理单元 (TPU) (Jouppi 等，2017)] 的推动。相比之下，SNN 在这些方面仍处于早期阶段。为了进一步发挥 SNN 的优势并吸引更多研究人员为该领域做出贡献，我们提出了神经科学前沿的研究主题，讨论 SNN 的主要挑战和未来前景，重点关注其“学习算法、基准测试、编程和执行”。我们相信，通过算法-硬件协同设计，SNN 将在节能机器学习设备的开发中发挥关键作用。该研究主题汇集了不同学科的研究人员，以展示他们在 SNN 方面的最新工作。我们收到了来自世界各地的 22 份投稿，并接受了 15 篇论文。接受的论文范围涵盖学习算法、模型效率、编程工具和神经形态硬件。
增材制造 NASA HR-1 液体燃料的工艺开发和热火测试
增材制造 (AM) 提供了新的设计和制造机会，可以降低成本和缩短工期、整合零件并优化性能。正在评估的一项技术是激光粉末定向能量沉积 (LP-DED)，与激光粉末床熔合 (L-PBF) 相比，该技术可显著提高规模。NASA 和行业合作伙伴一直在开发 LP-DED 工艺，以展示用于液体火箭发动机通道冷却喷嘴的内部通道几何形状和开发组件。优化液体火箭发动机在极端高压和氢环境中的材料仍然是一项关键挑战。NASA 已经开发出一种名为 NASA HR-1（耐氢 -1）的辅助材料作为使用 AM 技术的解决方案。NASA HR-1 是一种高强度 Fe-Ni 高温合金，旨在抵抗高压、氢环境脆化、氧化和腐蚀。NASA HR-1 满足液体火箭发动机部件的材料要求，包括良好的耐氢性、高导电性、良好的低周疲劳性能以及高热通量环境中部件的高伸长率和强度。除了供应链的进步之外，高密度薄壁材料的材料特性和工艺特性已经完成。NASA 还在 LP-DED NASA HR-1 中完成了几个缩比和全尺寸通道壁喷嘴的制造，并完成了热火测试。这包括改进工艺以生产薄壁和各种通道几何形状，以满足通道壁喷嘴应用的要求。本文将概述 LP-DED 工艺开发、材料特性和特性、组件制造和热火测试。使用液氧 (LOX)/甲烷对着陆器级 7K-lbf 推力室完成了热火测试。除了硬件开发之外，还将介绍热火测试的设计概述和结果，以供未来在 2K-lbf 和 35k-lbf 推力室和大型制造技术演示器上进行测试。
测量隔室
大脑白质微结构的各向异性在各种MRI对比的方向依赖性中表现出来，如果忽略，可能会导致显着的量化偏差。了解这种取向依赖性的起源可以增强对发育，衰老和疾病中MRI信号变化的解释，并最终改善临床诊断。使用新型的实验设置，研究了辅助内和轴外水的限制，以依赖最临床研究的参数之一，显然是横向松弛𝑇2。特别是，可倾斜的接收线圈与超强梯度MRI扫描仪连接，以获取具有前所未有的采集参数范围的多维MRI数据。使用此设置，可以根据不同的动态差异的差异来分离室𝑇2，并且其方向依赖性通过将头部重新定位相对于主磁性field⃗𝐵0，进一步阐明了其方向依赖性。（隔室）𝑇2的依赖性在纤维方向W.R.T.⃗𝐵0，并使用特征表达式进行进一步量化，以实现敏感性和魔法角效应。在白质中，各向异性效应以轴外水信号为主，而轴内水信号衰减的差异较小，而纤毛方向则差。此外，结果表明，较强的轴外𝑇2取向依赖性由磁易感性效应（大概是髓鞘）主导，而较弱的轴内𝑇2方向依赖性可能由微观结构ecects的组合驱动。即使目前可倾斜线圈的设计仅具有适度的角度，结果也证明了倾斜的总体影响，并作为概念验证的证明，激励了进一步的硬件开发，以促进探索原性各向异性的实验。这些观察结果有可能导致对疾病的隔室敏感性提高的白质微观结构模型，并且可能会对纵向和小组𝑇2-和分支-MRI数据分析产生直接的后果，其中通常会忽略扫描仪中头部方向的影响。
NeuroImage -orca -Cardiff University
大脑白质微结构的各向异性在各种MRI对比的方向依赖性中表现出来，如果忽略，可能会导致显着的量化偏差。了解这种取向依赖性的起源可以增强对发育，衰老和疾病中MRI信号变化的解释，并最终改善临床诊断。使用新型的实验设置，研究了辅助内和轴外水的限制，以依赖最临床研究的参数之一，显然是横向松弛𝑇2。特别是，可倾斜的接收线圈与超强梯度MRI扫描仪连接，以获取具有前所未有的采集参数范围的多维MRI数据。使用此设置，可以根据不同的动态差异的差异来分离室𝑇2，并且其方向依赖性通过将头部重新定位相对于主磁性field⃗𝐵0，进一步阐明了其方向依赖性。（隔室）𝑇2的依赖性在纤维方向W.R.T.⃗𝐵0，并使用特征表达式进行进一步量化，以实现敏感性和魔法角效应。在白质中，各向异性效应以轴外水信号为主，而轴内水信号衰减的差异较小，而纤毛方向则差。此外，结果表明，较强的轴外𝑇2取向依赖性由磁易感性效应（大概是髓鞘）主导，而较弱的轴内𝑇2方向依赖性可能由微观结构ecects的组合驱动。即使目前可倾斜线圈的设计仅具有适度的角度，结果也证明了倾斜的总体影响，并作为概念验证的证明，激励了进一步的硬件开发，以促进探索原性各向异性的实验。这些观察结果有可能导致对疾病的隔室敏感性提高的白质微观结构模型，并且可能会对纵向和小组𝑇2-和分支-MRI数据分析产生直接的后果，其中通常会忽略扫描仪中头部方向的影响。
安全关键嵌入式系统的可靠性分析
摘要 IEC 61508 是国际电工委员会发布的一项适用于工业领域的国际标准。其标题为《电气/电子/可编程电子安全相关系统（E/E/PE 或 E/E/PES）的功能安全》。它是一个适用于所有行业的基本功能安全标准。它将功能安全定义为：“与 EUC（受控设备）和 EUC 控制系统相关的整体安全的一部分，它依赖于 E/E/PE 安全相关系统、其他技术安全相关系统和外部风险降低设施的正确运行。”然而，IEC 61508 并不太适合汽车开发，而且经常受到不同的解释。而且很难将其与传统的汽车工程 V 方法保持一致。ISO 26262 是专门针对汽车行业的国际标准。它适用于与安全相关的道路车辆电子和电气 (E/E) 系统，并解决因故障而导致的危害。危害分析和风险评估确定 ASIL 和安全目标。考虑危害分析和 ASIL 分类，我们得到软件和硬件的要求。功能测试用于制造结束测试、进货检验、现场（或现场）测试。现场测试对于安全关键系统尤其重要。基于软件的自测试 (SBST) 是一种针对处理器和片上系统 (SoC) 的特殊功能测试。ISO 26262 中有一些可靠性工程方法：故障模式和影响分析 (FMEA)、硬件架构指标。故障模式和影响分析 (FMEA) 是一种旨在识别问题的系统技术。这是一种自下而上的方法，用于识别潜在故障。用于分析中使用的材料和方法。瑞萨 TB-S5D5 目标板应用于汽车案例研究。从系统级角度来看，有两种方法可以检查嵌入式系统的硬件设计：手工和自动 FMEA 结果比较。硬件设计的验证应用于 Simulink 环境中。这里考虑使用微控制器来构建整个系统。ISO26262 硬件开发包含硬件评估、硬件架构指标。分析完指标后，可以轻松获得目标 ASIL。故障注入技术也被广泛用于评估系统对故障的敏感性。
优化的脉冲神经元可以通过两个脉冲的时间编码对图像进行高精度分类
目前，人们正在研究使用脉冲神经网络 (SNN) 来解决现代 AI 在边缘设备中得到更广泛应用的一个主要障碍：由深度学习产生的大型先进人工神经网络 (ANN) 的能耗。这尤其适用于常用于图像分类的卷积神经网络 (CNN)，但也适用于其他应用领域。这些 ANN 必须很大才能实现最佳性能，因为它们需要具有足够多的参数才能从它们所训练的庞大数据集（例如 ImageNet2012 数据集的 120 万张图像）中吸收足够的信息。使用这些大型 ANN 的标准硬件实现进行推理本质上非常耗电 1 。脉冲神经元一直是人工智能计算硬件开发的重点，其能量预算大幅降低，部分原因是大脑的巨型 SNN（由大约 1000 亿个神经元组成）仅消耗 20 W（参考文献 2）。脉冲神经元输出一串称为脉冲的典型脉冲。因此，它们的输出与 ANN 神经元输出的连续数非常不同。大多数考虑在神经形态硬件中实现的脉冲神经元模型都受到大脑中脉冲神经元的简单模型的启发。然而，这些简单的神经元模型并没有捕捉到生物神经元通过不同的时间脉冲模式（而不仅仅是通过它们的发放率）编码不同输入的能力（参见图 1 中的示例）。虽然大型 ANN 经过越来越复杂的深度学习算法在巨型数据集上训练，在多个智能类别中接近甚至超过人类的表现，但当前一代基于脉冲的神经形态硬件的性能却落后了。人们希望在循环脉冲神经网络的情况下可以弥补这一差距，因为可以直接训练这些神经网络来实现循环 ANN 的大部分性能 3 。但是，对于前馈网络来说，生成具有与 ANN 类似的性能且脉冲较少的 SNN 的问题仍然存在。实现真正良好图像分类的前馈 CNN