XiaoMi-AI文件搜索系统
World File Search System硬件的
开放科学硬件的开发与共享
作为开放科学的一个分支，开放硬件的前景是研究仪器向更公开记录和许可的设计的可持续变化。方法、代码和数据已经受到期刊编辑和同行评审的重视，以判断研究结果是否可以通过手稿中提供的信息复制。开放硬件运动旨在将实验室工具和研究仪器纳入同一类别。开放硬件设备的可用性和可访问性将使专业实验室工作和实地研究民主化，并增强方法向公民科学环境的可转移性。在这里，我们报告了维基媒体“自由知识”计划前五年的四个案例研究，该计划是由德国维基媒体及其合作伙伴资助的开放科学奖学金。项目开发人员讨论和评估与开放硬件通常归因于的关键方面相关的影响：成本、可用性、适应性、社区和教育价值。本评论涵盖的开放硬件项目涵盖自然科学、生命科学和教育。
论量子软件与硬件的协同设计
量子计算系统自然由两部分组成，即软件系统和硬件系统。量子应用程序使用量子软件进行编程，然后在量子硬件上执行。然而，现有量子计算系统的性能仍然有限。在量子计算机上解决超出传统计算机能力的实际问题尚未得到证实。在本文中，我们指出，量子软件和硬件系统应协同设计，以充分利用量子计算的潜力。我们首先回顾了三项相关工作，包括一个硬件感知的量子编译器优化、一个应用感知的量子硬件架构设计流程和一个针对新兴量子计算化学的协同设计方法。然后我们讨论了一些遵循协同设计原则的潜在未来方向。
神经发动机：基于硬件的事件驱动模拟...
大脑启发的计算旨在了解大脑的机制，并重现其计算能力，以推动计算机科学领域的各个领域。深度学习是一个成功的例子，可以通过利用简化的人工神经网络（ANN）来大大改善模式识别和分类的领域。为了进一步利用大脑的计算能力，因此取得了更大的进步，各种研究都取决于尖峰神经网络（SNN），这些神经网络（SNN）紧密地模仿了大脑的计算[2，10，12，14]。snns通过采用神经元模型来实现大脑样的计算，这些神经元模型在传入的尖峰和时间方面改变了内部状态。特别是，各种研究表明了神经元模型的丰富时间动力学，其内部状态逐渐变化为显着的计算性状[8，11]。因此，新兴研究积极投资基于此类复杂模型的SNN的潜在收益。例如，史密斯（Smith）的研究提出了一种基于复杂神经元模型的新组合范式[12，13]。同时，Ponulak等。重现大脑的导航功能[9]，其他作品采用SNN进行特征推断[16]或满意度问题[4]。为了部署新兴的SNN工作负载，研究人员依赖SNN模拟系统模拟复杂的神经动力学。不幸的是，现有的SNN模拟系统遭受了高计算开销的困扰，因此，设计一个能够快速且能富有能力的SNN模拟的系统，高度要求。
欧洲开斋节技术的基于硬件的信任锚
用例 /过程（此处：EID）：1。< / div>下载und安装应用程序服务提供商（ASP）的应用程序中的rich-os。2。评估（通过应用程序）如果平台和EUICC符合资格（可用性，版本，存储空间等）。3。如果为正：在ASP和EUICC的SAM-SD中注册。4。将适当的eid-applet安装到SAM-SD中。将权利转移到ASP。5。使用用户数据个性化开斋节（使用例如物理eid卡）。6。安全使用EID功能。
定义基于硬件的自适应系统 - Amazon AWS
当今的安全环境要求美国做好防御各种对手的准备。2018 年国防战略 (NDS) 强调，我国的繁荣和安全都受到诸多因素的挑战，例如长期战略竞争的重新出现、二战后国际秩序的韧性和弱化，以及破坏国际安全关键地区稳定的流氓政权和非国家行为者。1 对手正在以新的创新方式采用和部署技术，挑战美国快速应对和适应各种威胁。国防部 (DOD) 必须重新审视其行动的几乎每个方面，以评估有效应对这些新威胁所需的变化。作为这项工作的一部分，采购系统被正确地视为需要改革的核心要素。
AI 硬件的可测试性和可靠性：调查、趋势……
摘要 — 近年来，尽管物理设备扩展速度放缓，但计算机架构大胆而激进的创新趋势日益明显，旨在继续提高计算性能。该领域的一个新前沿是人工智能 (AI) 硬件。虽然 AI 硬件的功能性仍然是主要关注点，但在主流采用之前，需要解决这些新架构的可测试性和可靠性问题。本综述论文涵盖了 AI 硬件可靠性和可测试性解决方案的最新研究和开发，包括用于加速器和神经形态设计的人工神经网络 (ANN) 和脉冲神经网络 (SNN) 的数字或模拟实现。本文还讨论了趋势、挑战和观点。
数字硬件的高效储层计算
摘要 — 我们提出了一种回声状态网络 (ESN) 的近似方法，该方法可以基于超维计算数学在数字硬件上有效实现。所提出的整数 ESN (intESN) 的储存器是一个仅包含 n 位整数的向量（其中 n < 8 通常足以获得令人满意的性能）。循环矩阵乘法被高效的循环移位运算取代。所提出的 intESN 方法已通过储存器计算中的典型任务进行验证：记忆输入序列、对时间序列进行分类以及学习动态过程。这种架构可显著提高内存占用和计算效率，同时将性能损失降至最低。在现场可编程门阵列上的实验证实，所提出的 intESN 方法比传统 ESN 更节能。
通用人工智能实现的未来社会及对硬件的期待
1. J. Evol。 A，R。ICHISE：日本人工智能学会的第28届年度会议，2C4-OS-22A-1（2014年）。心灵：秘密人类思维的揭秘 (Viking Adult, 2012)。9) Adams, S., Aler, I., Bach, J., Kupro, R., Goetzelben, H., Hall, J., Stores, S., Samsonovich, A., Schoitz, M., Schlesinger, M., Shapiro, Stuart, and Seo, W.；由 Shinoda, K., Ichise, R., Jepkarafau, A., Terao, A., Funakoshi, K., Matsushima, H., and Yamakawa, H. 翻译：人工智能 29, 241 (2014)。10) R. O'Reilly 和 Y. Munakata：认知神经科学的计算探索 (Bradford, 2000)。11) N. Kriegeskorte 和 PK Douglas：自然神经科学 21, 1148 （2018 年）。12）D. Hassabis、D. Kumaran、C. Summerfield 和 M. Botvinick：Neuron 95，245（2017 年）。13）https://www.kindaikagaku.co.jp/information/kd0604.htm 14）H. Yamakawa、Y. Matsuo、K. Takahashi 和 N. Arakawa：JNNS-2018，S2-1（2018 年）。15）M. Osawa、K. Mizuta、H. Yamakawa、Y. Hayashi 和 M. Imai：JNNS-2018，S2-3（2018 年）。16）R. Scott 和 N. De Freitas：arXiv:1511.06279（2015 年）。17）J. Von Neumann：自再生自动机理论（北卡罗莱纳大学伊利诺伊出版社，1967 年）。（2019 年 11 月 5 日接受）
机密计算：基于硬件的应用程序和数据可信执行
对存储在 blob 存储、数据库等中的非活动数据进行加密。对在不受信任的公共或私有网络之间流动的数据进行加密。对在 RAM 中和计算过程中正在使用的数据进行保护/加密。