XiaoMi-AI文件搜索系统
World File Search System编码方案
尖峰还是不钉？ SNN和CNN FPGA实现的定量比较
卷积神经网络（CNN）被广泛用于解决各种问题，例如图像分类。由于其计算和数据密集型性质，CNN加速器已被开发为ASIC或FPGA。应用程序的复杂性增加导致这些加速器的资源成本和能源需求增长。尖峰神经网络（SNN）是CNN实施的新兴替代品，有望提高资源和能源效率。本文解决的主要研究问题是，与CNN等效物相比，SNN加速器是否真正满足了能源需求减少的期望。为此，我们分析了多个SNN硬件加速器的FPGA，以涉及性能和能源效率。我们提出了一种新颖的尖峰事件队列编码方案和一种新型的记忆组织技术，以进一步提高SNN能源效率。这两种技术都已经融入了最先进的SNN体系结构，并对MNIST，SVHN和CIFAR-10数据集进行了评估，以及两个不同尺寸的现代FPGA平台上的相应网络体系结构。对于小型基准（例如MNEST），SNN设计与相应的CNN实施相比，没有相当或很少的延迟和能源效率优势。对于更复杂的基准测试，例如SVHN和CIFAR-10，趋势逆转。
军事标准
4.综合了两个领域的标准符号体系已成为成功实施“战士” (FIW) 概念的指挥、控制、通信、计算机和情报 (C41) 的越来越重要的组成部分。联合作战加强了 C41 系统社区对快速交换信息的要求，并扩展到武器控制或交战领域。在最近在西南亚和索马里的军事行动中，人们认识到了 C41 符号体系标准化的必要性。1993 年 8 月 30 日，军事通信电子委员会 (MCEB) 会议承认了所有要求，包括需要开发一系列符号体系标准来支持 C41FTW。该符号标准系列包括通用作战符号 MIL-STD（版本 1）、国防部符号数据存储库开发规范、符号构造（自动化）标准以及一些特殊符号集（如天气和制图）。该 MIL-STD（版本 1）旨在为国防部提供标准解决方案，该解决方案提供基本符号框架形状、一组 C41 符号、符号自动化编码方案、信息层次结构以及其应用的基本角色集。与任何临时 MIIATD 一样，它旨在被支持 C41FTW 的通用符号替换，影响最小。该版本将提供更明确、更全面的一套
军用标准 - http://quicksearch.dla.mil
4.综合了两个领域的标准符号体系已成为成功实施“战士” (FIW) 概念的指挥、控制、通信、计算机和情报 (C41) 的越来越重要的组成部分。联合作战加强了 C41 系统社区对快速交换信息的要求，并扩展到武器控制或交战领域。在最近在西南亚和索马里的军事行动中，人们认识到了 C41 符号体系标准化的必要性。1993 年 8 月 30 日，军事通信电子委员会 (MCEB) 会议承认了所有要求，包括需要开发一系列符号体系标准来支持 C41FTW。该符号标准系列包括通用作战符号 MIL-STD（版本 1）、国防部符号数据存储库开发规范、符号构造（自动化）标准以及一些特殊符号集（如天气和制图）。该 MIL-STD（版本 1）旨在为国防部提供标准解决方案，该解决方案提供基本符号框架形状、一组 C41 符号、符号自动化编码方案、信息层次结构以及其应用的基本角色集。与任何临时 MIIATD 一样，它旨在被支持 C41FTW 的通用符号替换，影响最小。该版本将提供更明确、更全面的一套
量子数据编码模式及其后果
使用量子处理单元 (QPU) 有望加快解决计算问题的速度，尤其是离散优化问题。虽然已知一些突破性的算法方法可以证明其性能优于传统计算机，但我们观察到构建高效量子算法的编程抽象很少。解决与数据库管理相关的具体问题的文献中，很大一部分集中于将它们转化为二次无约束二进制优化问题 (QUBO)，然后可以在基于门的机器（使用量子近似优化算法）或量子退火器上处理这些问题。影响这两种方法的效率和可扩展性的关键方面是如何将经典数据加载到量子位中，以及如何将问题编码为 QUBO 表示。众所周知，编码的有效性对于量子计算机至关重要，特别是在嘈杂的中型量子计算机时代，可用的量子比特数量受到严重限制。在本文中，我们介绍了三种编码模式，讨论了它们对可扩展性的影响以及它们的易用性。我们以娱乐性（但计算挑战性）数独问题及其简化为图形着色为例，讨论它们各自的优点和缺点。我们的目标是使数据库研究人员能够为他们的目的选择合适的编码方案，而无需深入了解量子特性，从而简化在数据管理系统上应用量子加速的途径。
MIL-STD-2525C - 美国宇航局世界风
前言 1. 本标准已获准供国防部 (DOD) 的所有部门和机构使用。该标准采用人因工程研究，旨在消除各种符号集之间的冲突，并将一组核心的通用作战符号纳入一个国防部标准。 MIL-STD-2525 旨在为国防部提供一套标准解决方案，该解决方案提供指挥和控制 (C2) 符号集、符号自动化和信息传输的编码方案以及支持系统的技术细节。该标准通过互操作性和用户输入提供支持，这对于确保标准继续满足作战人员的要求至关重要。 MIL-STD-2525 是国防部用于标准化作战符号的主要指令。 2. 联合标准符号是从陆基、航海和航空作战领域综合而来的，是成功实施作战人员 C2 的一个越来越重要的因素。联合作战加强了对指挥与控制系统社区快速交换信息的要求，并扩展到武器控制或交战领域。 3. 此次修订导致标准发生许多变化，但最重要的是： a. 增加了附录 F，“伪三维显示中作战符号的使用”。 b. 增加了附录 G，“应急管理符号”。 c. 将“非战争军事行动 (MOOTW)”更改为“稳定行动
MSAGPT：神经提示通过MSA生成预培训预测蛋白质结构
多个序列比对（MSA）在揭示蛋白质家族的进化轨迹方面起着关键作用。对于缺乏足够同源信息来构建高质量MSA的蛋白质序列通常会损害蛋白质结构预测的准确性。尽管已经提出了在这些条件下生成虚拟MSA的各种方法，但它们在全面捕获MSA中的复杂共同进化模式或需要外部Oracle模型的指导方面缺乏。在这里，我们介绍了MSAGPT，这是一种通过低MSA制度中MSA生成预训练提示蛋白质结构预测的新型方法。MSAGPT采用一种简单而有效的2D进化位置编码方案来对复杂的进化模式进行建模。在此赋予其灵活的1D MSA解码框架中，有助于零或几次学习。更重要的是，我们证明了利用AlphaFold2的反馈可以通过拒绝微调（RFT）和AF2反馈（RLAF）的增强学习来进一步增强模型的能力。广泛的实验证实了MSAGPT在生成忠实的虚拟MSA增强结构预测准确性方面的功效（在几乎没有射击的情况下高达 +8.5％TM得分）。转移学习能力还突出了其促进其他蛋白质任务的巨大潜力。
EventHD：稳健而高效的超维学习......
在稳健性和能源效率方面，受大脑启发的计算模型已显示出超越当今深度学习解决方案的巨大潜力。特别是，超维计算 (HDC) 在实现高效和稳健的认知学习方面显示出了良好的效果。在这项工作中，我们利用 HDC 作为一种替代计算模型，模仿重要的大脑功能，实现高效和耐噪的神经形态计算。我们提出了 EventHD，这是一个基于 HDC 的端到端学习框架，用于从神经形态传感器进行稳健、高效的学习。我们首先引入一种空间和时间编码方案，将基于事件的神经形态数据映射到高维空间。然后，我们利用 HDC 数学来支持对编码数据的学习和认知任务，例如信息关联和记忆。EventHD 还为每个预测提供了置信度概念，从而能够从未标记的数据中进行自我学习。我们评估了 EventHD 对从动态视觉传感器 (DVS) 收集的数据的效率。我们的结果表明，EventHD 可以在原始 DVS 数据上进行操作时提供在线学习和认知支持，而无需使用昂贵的预处理步骤。在效率方面，EventHD 比最先进的学习算法快 14.2 倍，能效高 19.8 倍，同时将计算稳健性提高了 5.9 倍。
一种生物学上可信的脉冲神经网络，用于解码海马和运动前皮层的运动学
摘要 — 本研究提出了一种脉冲神经网络，用于根据神经数据预测运动学，从而实现准确且节能的脑机接口。脑机接口是一种解释神经信号的技术系统，可让运动障碍患者控制假肢。脉冲神经网络具有低功耗和与生物神经结构非常相似的特点，因此有可能改进脑机接口技术。本研究中的 SNN 使用泄漏积分和激发模型来模拟神经元的行为，并使用局部学习方法进行学习，该方法使用替代梯度来学习网络参数。该网络实现了一种新颖的连续时间输出编码方案，允许基于回归的学习。SNN 是在从灵长类动物运动前皮层和大鼠海马记录的神经和运动数据上进行离线训练和测试的。该模型通过寻找预测运动数据与真实运动数据之间的相关性来评估，运动前皮层记录的峰值皮尔逊相关系数达到 0.77，海马体记录的峰值皮尔逊相关系数达到 0.80。该模型的准确性与卡尔曼滤波解码器和 LSTM 网络以及使用反向传播训练的脉冲神经网络进行了对比，以比较局部学习的效果。
量子信道的密集编码容量
密集编码，也称为超密集编码，是量子纠缠如何推动信息和通信技术的首批示例之一 [1]。量子纠缠目前被公认为量子通信和信息处理的重要资源 [2-5]，它描述了经典领域之外的相关性，是实现许多方法的核心，包括量子隐形传态[6，7]、量子密码学[8-10]、玻色子采样[11，12]和随机电路采样[13，14]。密集编码协议允许双方在共享纠缠的帮助下传输在量子系统上编码的经典信息。通过使用二分纠缠态，可以在 ad 维系统中编码 2 log 2 d 比特的经典信息，从而克服了无辅助经典容量的上限 log 2 d。在理想条件下，密集编码方案利用 Alice 和 Bob 之间的无噪声量子信道。通过此量子信道，Alice 将二分纠缠态 σ AB 的部分 B 发送给 Bob。Bob 收到系统 B 后，系统 B 以概率 P x 服从泡利算子 U x 。通过无噪声量子信道的第二次使用，将编码系统发送回 Alice。在输出端，Alice 对 A 和 B 实施联合量子测量以检索经典信息。在这种情况下，容量 C ( σ AB ) 为 [ 15 , 16 ]
量子数据编码模式及其后果
使用量子处理单元 (QPU) 有望加快解决计算问题的速度，尤其是离散优化。虽然已知有几种突破性的算法方法可以证明其性能优于传统计算机，但我们发现构建高效量子算法的编程抽象非常稀缺。解决与数据库管理相关的具体问题的文献中，很大一部分集中于将它们转化为二次无约束二进制优化问题 (QUBO)，然后可以在基于门的机器（使用量子近似优化算法）或量子退火器上处理这些问题。影响这两种方法的效率和可扩展性的关键方面是如何将经典数据加载到量子位中，以及如何将问题编码为 QUBO 表示。众所周知，编码的有效性对量子计算机至关重要，尤其是在嘈杂的中型量子计算机时代，可用的量子位数受到极大限制。在本文中，我们介绍了三种编码模式，讨论了它们对可扩展性的影响以及它们的易用性。我们以娱乐性（但计算挑战性）数独问题及其简化为图形着色作为说明性示例，讨论它们各自的优点和缺点。我们的目标是使数据库研究人员能够为他们的目的选择合适的编码方案，而无需深入了解量子特性，从而简化在数据管理系统上应用量子加速的途径。