XiaoMi-AI文件搜索系统
World File Search System空间布局
布鲁斯·安德森的太阳能和庇护所设计
最终被这种建筑环境所吞噬，我们应该清楚地了解我们融入这种建筑环境的机械系统设备的含义，就其制造过程中的自然资源消耗和污染产生而言，就其功能维护而言，就我们与自然环境的关系而言 - 技术欠发达的文化使用各种方法来承认他们对自然的依赖，祈求仪式，欢乐，服从，崇拜，装饰品，珠宝，文物，建筑环境 - 独栋房屋，大金字塔，建筑群的空间布局 - 在许多文化中，人们在不同程度上承认太阳的力量，它不仅为寒冷的天气带来温暖的缓解，而且当温暖变成难以忍受的高温时，它会消耗掉身体的能量。它不仅使庄稼长得又高又绿，而且会把它们烤焦成无用的火绒 - 随着人类技术的发展，科学力量的增强，他越来越渴望控制自然。至于阳光，他想要阳光的时候，温度适宜，他想要雨水的时候，他却自己制造了雨水。他常常不理解庇护所的意义，含糊地同时躲避所有自然元素，一味地封闭自己。他意识到
中国数字经济发展对人口影响的理论框架与研究展望
在社会数字化、网络化、智能化发展的背景下，我国数字经济与区域要素的关联日益紧密。本研究从产业、居民收入、城市人居环境、基础设施、实体经济、政府管理水平六个视角，系统梳理了数字经济、区域要素、人口的相关参考文献，探讨数字经济对区域要素以及区域要素对人口的影响。研究结果表明：1）数字经济对人口具有双向影响，数字经济既可以吸引人口，也可以通过相关区域要素导致人口流出。2）数字经济可以通过赋予区域要素数字化内涵，间接影响人口属性的空间布局。分析中国数字经济发展对人口的影响，构建数字经济对人口影响的研究框架，提出数字经济对人口影响的研究展望，旨在为数字经济地理与人口研究提供新的研究视角，为引导人口合理流动、缩小数字鸿沟提供重要参考。
数字孪生城市：框架与全球实践 | Weforum
数字孪生城市追求三大愿景：1）更加集约高效的城市生产运行、2）宜居便捷的城市生活空间、3）可持续的城市生态环境。在城市生产方面，利用数字孪生技术对人流、物流、能源流、信息流等复杂场景进行智能分析，如优化城市空间布局、缓解复杂路口交通拥堵、模拟演练应对自然灾害、科学制定应急疏散预案等，洞察城市运行规律，降低治理成本，改善市民生活质量。在城市生活方面，利用数字孪生技术监测城市组件性能，预测故障和规避风险，保障居民安全，利用数字孪生技术可以实现虚实交互、个性化定制的医院、教室、社区等服务。在减排方面，数字孪生城市可以帮助城市管理者和专家：1）评估和优化生态特征； 2）对各项碳排放实施政策进行综合诊断并选择最优解决方案；3）促进能源设施高效运行维护和碳轨迹追踪，助力城市实现碳中和。
人文地理、自然地理和空间问题
1 人文地理学和自然地理学显然都是“地理学”。它们都关注地球表面的差异。对空间布局的关注是两者的基础，尽管更具体的概念各不相同：气候学中的大陆性和风暴轨迹、地貌学中的流域和离群值以及人文地理学中的中心地带和腹地。在自然地理学中，我们还可以注意到空间概念中更强的垂直成分：空气从山上上升，水从山下流下等等；但这对于下文并不重要。因为无论如何，即使空间关系是自然地理学家工作的核心和他们认为重要的内容，他们也不会像人文地理学家那样痴迷于它并撰写有关它的书籍（Gregory，Urry，1985；Harvey，1982；Massey，2005）。它绝不会被边缘化。比较布莱克威尔的两本词典，即《人文地理词典》和《物理地理百科全书》，你会发现其中的地图非常多，而人文地理词典中的地图却非常少。此外，为了补充其对空间垂直方面的关注，词典中还包含大量框图。空间关系只是假定的，不值得单独研究。探究为什么会出现这种情况，将有助于理解为什么这两个子领域会分化到如此程度。
量化建筑环境维持 BDNF 的能力
摘要：与啮齿类动物的丰富环境不同，人类建造的环境通常会通过久坐的生活方式阻碍神经可塑性，损害认知和心理健康。本文引入了“身体活动的环境可供性”，以量化空间布局设计刺激活动和维持神经可塑性（主要是海马神经发生）的潜力。一个新颖的框架将城市和建筑变化的代谢当量 (MET) 与脑源性神经营养因子 (BDNF) 联系起来，后者是一种促进和维持成人海马神经发生和长期增强 (LTP) 的生物标志物。通过短暂暴露于建筑环境 20-35 分钟后可测量的 BDNF 变化，开发了方程式来评估神经可持续性潜力，因为有证据表明，通过低强度到中等强度的身体活动可以引起 BDNF 释放。该模型提供了一种可行的评估工具，将设计和神经科学连接起来。通过维持神经发生，环境对身体活动的承受能力有望通过海马神经发生的可持续性来改善心理健康并防止认知能力下降。
使用 Rowhammer 观察 DRAM 功耗
内存单元尺寸的不断减小提高了内存密度并降低了功耗，但也影响了其可靠性。Rowhammer 攻击利用这种降低的可靠性来诱导内存中的位翻转，而无需直接访问这些位。大多数 Rowhammer 攻击都以软件完整性为目标，但最近的一些攻击表明它可用于破坏机密性。延续这一趋势，我们在本文中观察到 Rowhammer 攻击与内存瞬时功耗密切相关。我们利用这一观察结果设计了 HammerScope，这是一种基于 Rowhammer 的攻击技术，用于测量内存单元的功耗。由于功耗与内存的活动水平相关，因此 HammerScope 允许攻击者推断内存活动。为了展示 HammerScope 的攻击能力，我们使用它发起了三次信息泄露攻击。我们首先展示 HammerScope 可用于破坏内核地址空间布局随机化 (KASLR)。我们的第二次攻击使用内存活动作为 Spectre 攻击的隐蔽通道，使我们能够从操作系统内核泄露信息。最后，我们演示了如何使用 HammerScope 进行网站指纹识别，从而危及用户隐私。我们的工作证明了找到 Rowhammer 攻击的系统解决方案的重要性。
使用 Rowhammer 观察 DRAM 功耗
内存单元尺寸的不断减小提高了内存密度并降低了功耗，但也影响了其可靠性。Rowhammer 攻击利用这种降低的可靠性来诱导内存中的位翻转，而无需直接访问这些位。大多数 Rowhammer 攻击都以软件完整性为目标，但最近的一些攻击表明它可用于破坏机密性。延续这一趋势，我们在本文中观察到 Rowhammer 攻击与内存瞬时功耗密切相关。我们利用这一观察结果设计了 HammerScope，这是一种基于 Rowhammer 的攻击技术，用于测量内存单元的功耗。由于功耗与内存的活动水平相关，因此 HammerScope 允许攻击者推断内存活动。为了展示 HammerScope 的攻击能力，我们使用它发起了三次信息泄露攻击。我们首先展示了 HammerScope 可用于破坏内核地址空间布局随机化 (KASLR)。我们的第二次攻击使用内存活动作为 Spectre 攻击的隐蔽通道，使我们能够泄露操作系统内核的信息。最后，我们演示了如何使用 HammerScope 进行网站指纹识别，从而泄露用户隐私。我们的工作证明了找到 Rowhammer 攻击的系统解决方案的重要性。
数字双城市：框架和全球实践
数字双胞胎城市追求三个愿景：1）更密集和有效的城市生产和运营； 2）宜且方便的城市生活空间； 3）可持续的城市生态环境。在城市生产方面，数字双技术用于对人，商品，能源和信息的流量进行智能分析。示例包括优化城市空间布局，缓解复杂交叉路口的交通拥堵，对自然灾害的模拟和排练反应以及科学的紧急撤离计划。目标是产生对城市运营模式，降低治理成本并改善公民生活质量的见解。在城市生活中，数字双技术用于监测城市组件的性能，预测失败并避免风险，并确保居民的安全。可以在数字双技术，医院，课堂和社区服务的帮助下使用虚拟实现的互动和自定义创建。在减少排放方面，数字双城市可以帮助城市经理和专家：1）评估和优化生态特征； 2）对各种碳排放实施政策和精选解决方案进行全面诊断； 3）促进能源设施和碳轨迹跟踪的有效运行和维护。这些措施可以帮助城市实现碳中立性。
HammerScope：使用 Rowhammer 观察 DRAM 功耗
内存单元尺寸的不断减小提高了内存密度并降低了功耗，但也影响了其可靠性。Rowhammer 攻击利用这种降低的可靠性来诱导内存中的位翻转，而无需直接访问这些位。大多数 Rowhammer 攻击都以软件完整性为目标，但最近的一些攻击表明它可用于破坏机密性。延续这一趋势，我们在本文中观察到 Rowhammer 攻击与内存瞬时功耗密切相关。我们利用这一观察结果设计了 HammerScope，这是一种基于 Rowhammer 的攻击技术，用于测量内存单元的功耗。由于功耗与内存的活动水平相关，因此 HammerScope 允许攻击者推断内存活动。为了展示 HammerScope 的攻击能力，我们使用它发起了三次信息泄露攻击。我们首先展示了 HammerScope 可用于破坏内核地址空间布局随机化 (KASLR)。我们的第二次攻击使用内存活动作为 Spectre 攻击的隐蔽通道，使我们能够泄露操作系统内核的信息。最后，我们演示了如何使用 HammerScope 进行网站指纹识别，从而泄露用户隐私。我们的工作证明了找到 Rowhammer 攻击的系统解决方案的重要性。
docllm：用于多模式文档理解的布局感知的生成语言模型
企业文档，例如表格，收据，报告和其他此类记录，通常在文本和规范模式的交集中携带丰富的语义。其复杂布局提供的视觉提示在有效地培养这些文档中起着至关重要的作用。在此过程中，我们提出了Docllm，这是传统大型语言模型（LLMS）的轻量级扩展，以考虑文本语义和空间布局，以通过视觉文档进行推理。我们的模型通过避免昂贵的图像编码器并专注于边界框信息以结合空间外部结构，这与现有的Mul- Timodal llms不同。具体而言，文本和空间方式之间的交叉对齐是通过将经典变压器中的注意机制分解为一组分离的矩阵来捕获的。此外，我们设计了一个学会填充文本段的预训练目标。这种方法使我们能够解决视觉文档中经常遇到的不规则布局和异质内容。使用大规模的指定数据集对预训练的模型进行了微调，涵盖了四个核心文档中的识别任务。我们证明，在所有任务中，在16个数据集中的14个数据集中，我们的解决方案的表现优于Sota LLMS，并概括为5个以前看不见的数据集中的4个。