XiaoMi-AI文件搜索系统
World File Search System网络模拟
60，第 244 号/星期三...
信息技术 高性能全光网络 抗干扰通信链路 下一代信号光网络架构 集成语音和数据 信息安全 (INFOSEC) 语音处理 高性能计算 高性能通信 需求规范和分析 实时计算 无线移动网络 行为检测 机器学习 信息过滤和融合 集成互联网协议 (IP) 和异步传输模式 (ATM) 多播 可靠多播 带定向天线的无线网络 传感器网络 通信网络模拟 带宽管理 (服务质量) 高保证软件 基于分布式网络的战斗管理 支持具有单线程和多线程架构的统一和非统一内存访问的高性能计算 分布式、安全和移动信息基础设施 基于模拟的虚拟现实 高端、渐进式 HDTV 图像处理和分发 防御性信息战 虚拟现实/移动增强现实 3D 多模式交互 用于模拟的模型集成 (物理、环境、生物、心理) 指挥决策支持 数据融合
计算机科学与工程学院
3。计算机编程和数据结构和算法编程在C，面向对象的编程，阵列，堆栈，排队，链接列表，树，搜索排序技术，哈希和图形。渐近最差的情况和空间复杂性。算法设计技术：贪婪，动态编程和分裂和概述。图形搜索，最小跨越树和最短路径。5。操作系统过程，线程，过程间通信，并发和同步。僵局。CPU计划。内存管理和虚拟内存。文件系统。6。数据库ER -MODEL。关系模型：关系代数，元组演算，SQL。完整性约束，正常形式。文件组织，索引（例如B和B+树）。交易和并发控制。6。数据通信和计算机网络模拟和数字信号，信号特征，多路复用技术，通信通道，开关技术。概念分层。LAN Technologies（以太网）。流量和错误控制技术，切换。IPv4/ipv6，路由器和路由算法（距离向量，链接状态）。TCP/UDP和插座，拥塞控制。应用程序层协议（DNS，SMTP，POP，FTP，HTTP）。
使用电阻RAM使用单一感官操作实现三元重量
摘要 - 实施具有新兴记忆（例如电阻随机访问记忆（RRAM））的系统设计的系统是减少人工智能能源消耗的重要铅。为了在此类系统中实现最大的能量效率，应尽可能紧密地集成逻辑和内存。在这项工作中，我们关注三元神经网络的情况，其中突触权重假设三元值。我们提出了一种使用预感的两种晶体管/两抗记忆体系结构，其中可以在单个感觉操作中提取重量值。基于对具有这种感觉放大器的杂交130 nm CMOS/RRAM芯片的实验测量，我们表明该技术在低供应电压下特别适合，并且对于处理，电压和温度变化具有弹性。我们表征了方案中的位错误率。我们基于CIFAR-10图像识别任务的神经网络模拟显示，三元神经网络的使用显着提高了神经网络的性能，而对于二进制二进制，这通常是推理硬件而言是优先的。我们最终证明了神经网络对我们方案中观察到的位误差的类型免疫，因此可以在没有误差校正的情况下使用。
使用电子表格作为神经网络计算机模拟的学习工具
摘要。本文证实了在电子表格环境中开发神经网络计算机模拟训练方法的必要性。系统地回顾了它们在模拟人工神经网络中的应用。作者区分了在电子表格环境中解决网络计算机模拟训练问题的基本方法、电子表格和神经网络模拟工具的联合应用、在电子表格中应用第三方插件、使用电子表格的嵌入式语言开发宏；使用标准电子表格插件进行非线性优化、在电子表格环境中创建没有插件和宏的神经网络。本文考虑了在基于云的电子表格 Google Sheets 中构建神经网络模型的方法。该模型基于 RA Fisher 在“分类问题中使用多种测量”中提供的多维数据分类问题。讨论了 Edgar Anderson 在 1920 年代至 1930 年代收集和准备数据方面的作用以及数据选择的一些特点。本文介绍了 Anderson 开发的以表意文字形式呈现多维数据的方法，该方法被认为是第一种有效的数据可视化方法之一。
并行计算
在研究生物神经网络等复杂动态系统时，模拟是继实验和理论之后的第三大支柱。当代脑规模网络对应于几百万个节点的有向随机图，每个节点的入度和出度为几千条边，其中节点和边分别对应于基本生物单位、神经元和突触。神经元网络中的活动也很稀疏。每个神经元偶尔会通过其传出突触向相应的目标神经元发送一个短暂的信号（称为尖峰）。在分布式计算中，这些目标分散在数千个并行进程中。空间和时间稀疏性代表了传统计算机上模拟的固有瓶颈：不规则的内存访问模式导致缓存利用率低。使用已建立的神经元网络模拟代码作为参考实现，我们研究了恢复缓存性能的常用技术（例如软件诱导预取和软件流水线）如何使实际应用程序受益。算法更改可将模拟时间缩短高达 50%。该研究表明，分配了本质上并行计算问题的多核系统可以缓解传统计算机架构的冯诺依曼瓶颈。
使用张量网络制备量子态制备
抽象的量子状态制备是许多量子算法中的重要常规，包括方程式线性系统，蒙特卡洛模拟，量子采样和机器学习的解决方案。迄今为止，还没有将经典数据编码为基于门的量子设备的既定框架。在这项工作中，我们提出了一种通过将分析函数采样到量子电路中获得的矢量的编码方法，该量子电路具有相对于量子数的多项式运行时，并且提供了> 99。9％的精度，比最先进的两个Quibit Gate Fidelity更好。我们采用硬件有效的变分量子电路，这些电路使用张量网络模拟，以及向量的矩阵乘积状态表示。为了调整变化门，我们利用了融合自动梯度计算的Riemannian优化。此外，我们提出了一种“一次切割，测量两次”方法，该方法使我们在大门更新期间避免了贫瘠的高原，将其基准为100 Qubit的电路。值得注意的是，任何具有低级别结构（不受分析功能的限制）的向量都可以使用呈现的方法编码。我们的方法可以轻松地在现代量子硬件上实现，并有助于使用混合量子计算体系结构。
通过生成对抗网络快速模拟高粒度量热仪
摘要 我们提出了 3DGAN，用于模拟未来高粒度量热仪的三维图像输出。我们证明了生成对抗网络 (GAN) 在生成科学数据方面的有效性，同时在大量输入变量中保持对各种指标的高准确度。我们展示了迁移学习概念的成功应用：我们训练网络模拟来自较小范围的初级能量的电子簇射，然后进一步训练五倍大的范围（模型无法直接训练更大的范围）。同样的概念被扩展到为其他粒子生成簇射，这些粒子的大部分能量都沉积在电磁相互作用中（光子和中性介子）。此外，还探索了带电介子簇射的生成，更准确的努力需要来自其他探测器的额外数据，而这些数据不在当前工作的范围内。我们的进一步贡献是演示了如何使用 GAN 生成的数据进行实际应用。我们使用 GAN 生成的数据训练第三方网络，并证明响应类似于使用蒙特卡罗模拟数据训练的网络。GAN 生成的阵雨对各种物理特征的准确度在蒙特卡罗的 10% 以内，速度提高了三个数量级。通过分布式训练可以进一步提高训练和推理的速度。
能源专业知识 // 智能电网研究与实验室
• 开发系统以协调能够可靠传输数据的多个网络，然后管理 ICT 系统资源以有效提取有用信息来支持智能电网应用 • 具有大规模可再生资源整合的灵活主动配电网的运营规划和优化 • 与海上可再生能源弹射器合作开发新型电力系统规划方法，用于在严重不确定性下规划海上风电输电系统的基础设施 • 多学科多合作伙伴项目，研究实现大规模海上风电整合的措施 • 为电网规模存储应用和电网整合研究建模抽水热电存储系统 • 证明分布式能源资源控制器的自组织网络可以获取网络拓扑信息以做出智能控制决策。该方法包括在闭环运行的网络上运行的控制器硬件，并使用 RTDS 进行实时配电网络模拟。 • 设计智能定价方案以增强需求侧管理功能。它采用多目标优化方法，赋予智能电网中各种市场参与者权力。此外，还解决了消费者的隐私问题。 • 研究网络灵活性对增强网络稳定性和运行安全性的影响 • 评估大规模可再生能源整合对电力系统稳定性和安全性的影响
自动穿透测试的统一建模框架
摘要 - 将人工智能集成到自动渗透测试（AUTOPT）中，由于其成本效益和迅速的反馈功能，强调了训练智能代理的模拟建模的必要性。尽管AUTOPT研究扩散，但在统一建模方法的统一框架中，仍然存在公认的差距。本文介绍了现有技术的系统综述和综合，引入了MDCPM以基于文献目标，网络模拟复杂性，技术和战术操作的依赖性以及方案反馈和变化对研究进行分类。为了弥合统一方法的差距，用于多维和多级仿真建模，动态环境建模以及公共数据集的稀缺性，我们介绍了Autopt-SIM，这是一个基于策略自动化的新型建模框架，并涵盖了所有子维度的组合。Autopt-SIM提供了一种全面的方法，用于建模网络环境，攻击者和捍卫者，超越了静态建模和可容纳不同尺度的网络的约束。我们公开发布生成的标准网络环境数据集和网络生成器代码。通过灵活地集成公开可用的数据集，可以为各种模拟建模级别提供支持，该模型级别着重于MDCPM中的策略自动化，而网络生成器可帮助研究人员通过调整参数或微调网络生成器来输出定制目标网络数据。
网络靶场自动化是人工智能应用的基石
过去几年，网络攻击的速度尤其加快，其复杂性和影响范围不断扩大。2020 年的 Solarwinds 攻击可能是这一趋势的最好例子，据估计，该攻击已渗透到数千个组织，其中包括美国政府系统。从 2020 年初开始，已经可以列举以下主要攻击：Solarwinds、Colonial Pipeline、JBS、Microsoft Exchange Servers。人们越来越认识到在网络安全研究领域需要人工智能应用来应对这些攻击日益增加的复杂性和频率，但与此同时，缺乏良好的生态系统让它们蓬勃发展。当前的网络安全研究过程更多地是手动方法，不太适合人工智能开发。根据欧洲国防局的说法，网络靶场是“一个支持 3 个主要过程的多用途环境：知识开发、保证和传播”，由“三个互补的功能包”组成：网络研究靶场 (CRR)、网络模拟和测试靶场 (CSTR) 和网络训练和演习靶场 (CTER)[ 1 ]。对于想要研究特定攻击或技术的网络安全研究人员来说，一个常见的问题是，最终会意识到建立这样一个网络靶场的过程有多么艰巨。希望开始 AI 开发的网络安全专业人员和希望开发应用程序的 AI 研究人员面临着同样的问题。如果无法访问优质数据集的存储库和使其保持最新的系统，那么开发可用于生产、最新和