XiaoMi-AI文件搜索系统
World File Search System自适应性
用于机器人的神经形态计算硬件和神经架构
引言 在以人为中心的非结构化环境中使机器人和自主系统更加智能是机器人技术的关键目标之一，这也使其成为最具活力的技术发展领域之一。这种智能的关键因素是能够良好且快速地理解复杂而动态的环境，以可靠地支持其他功能，如运动规划和控制；与人类、物体和其他智能体的安全交互；以及从经验中自主学习。神经网络和数据驱动的训练算法为理解环境打开了两个重要窗口：图像和声音处理 (1)。这些算法在大量数据集上实现了最先进的性能，通常甚至超过人类的表现，是实现机器人智能感知和行为的主要候选者 (2)。然而，机器人用例对人工智能 (AI) 算法的功耗、延迟、自适应性和数据效率提出了尤为严格的要求 (3、4)。如今，尽管基于神经网络的算法与之前手工制作的人工智能解决方案相比具有优势（5、6），但我们仍然缺乏真正智能、敏捷的机器人，能够在日常生活中安全、顺畅地与物体、彼此和人类互动。这与即使是简单的动物也能产生智能行为并在复杂的现实环境中互动形成了鲜明的对比。动物可以快速
英语教学中的人工智能（AI）解决方案：
摘要 这篇文献研究文章探讨了教师和学生对英语教学中人工智能 (AI) 解决方案的看法和经验。随着人工智能技术的快速发展，人们对利用这些工具来增强语言学习体验的兴趣日益浓厚。了解教师和学生的观点对于成功实施和利用人工智能在英语教育领域的潜在优势至关重要。该研究采用混合方法研究方法，结合了定量和定性方法。进行了一项调查，以收集有关参与者对人工智能整合的态度、信念和经验的定量数据。此外，还进行了深入访谈和焦点小组讨论，以获得定性见解并深入了解参与者的看法和挑战。研究结果显示，参与者对英语教学中的人工智能解决方案持积极态度，参与者强调人工智能技术在提高语言技能和提供个性化教学方面的有效性。人工智能工具的自适应性因其满足个人需求和提供即时反馈的能力而受到重视。然而，人们对技术准备情况以及有效利用人工智能解决方案的培训和支持需求表示担忧。这些发现对教育工作者、政策制定者和课程开发者具有重要意义，强调了在有效实施人工智能解决方案时需要技术准备、教师培训和支持。通过利用人工智能的潜力同时保留人为因素，英语教学可以从个性化和自适应的学习体验中受益。关键词：人工智能 (AI)；英语语言；感知；经验
选择神经尖峰检测的有效幅度阈值
脑机接口正在利用细胞外记录中的神经尖峰波形或尖峰时间实现重要的新功能 [1]，[2]。尖峰检测是从记录中提取神经尖峰的重要步骤。它不仅可以提取用于神经活动解码的信息，还可以将数据带宽减少数百甚至数千倍，从而实现无线传输并实现完全植入神经接口而无需经皮导线突破皮肤。尖峰检测性能对于保存神经信息和避免解码精度下降至关重要。阈值是尖峰检测的最常用方法，超过阈值的值被视为尖峰。面对不断变化的大脑环境，自适应且稳健的阈值至关重要。文献中提出了许多用于定义阈值的算法。一种方法是使用计算算法 [3]，[4]，例如短时傅立叶变换、小波变换和模板匹配。还有一些算法方法，例如反馈控制阈值 [5]。最常见的方法是根据信号统计数据设置阈值。噪声统计数据被广泛用于设置阈值。还提出了一种硬件高效估计方法，使用乘数将平均值/中位数/标准差/均方根值设置为阈值 [6]。其他人选择使用稳健统计估计来设置阈值 [7]。将阈值设置为 T = αN ，其中 N 是噪声统计数据，α 是用户定义的参数，这是设置阈值的常用方法 [8]。由于其简单性，这种方法在植入体实施中尤其受欢迎 [9]。然而，这种算法的自适应性
人工智能驱动的自主光网络
摘要 随着先进相干技术的部署，光网络中的动态性、复杂性和异构性急剧增加，光交叉连接技术和多样化的网络基础设施对网络运营商的光网络管理和维护提出了巨大挑战。在本文中，我们提出了一种人工智能驱动的自主光网络的“3S”架构，该架构可以帮助光网络“自我感知”网络状态、“自适应”网络控制和“自我管理”网络操作。为了支持这些功能，已经研究了许多人工智能 (AI) 驱动的技术来提高从设备方面到网络方面的灵活性和可靠性。自适应掺铒光纤放大器 (EDFA) 控制是设备方面的一个例子，它根据网络状况提供功率自适应能力。从链路方面，开发了自适应光纤非线性补偿、光监控性能和传输质量估计，以自动监控和缓解与链路相关的信号损伤。从网络方面来看，流量预测和网络状态分析方法提供了自我意识，而人工智能驱动的自动资源分配和网络故障管理则增强了自适应性和自我管理能力。得益于充足的网络管理数据、强大的数据挖掘能力和成熟的计算单元，这些人工智能技术具有巨大的潜力为光网络提供自主功能，包括网络资源调度和网络定制。
仅供同行评审 - ePrints Soton
摘要 共生模拟系统 (S3)，有时也称为“数字孪生”，可实现物理系统与其计算模型表示之间的交互。为了支持运营决策，S3 使用通过传感器收集的物理系统的实时数据。这些实时数据还保存在企业数据存储系统 (EDSS) 中，因此可以用作未来使用的历史数据。然后，实时数据和历史数据都用作 S3 不同组件的输入，S3 通常包含几个模块：数据采集、模拟、优化、机器学习和“执行器”。当 S3 和系统之间没有人工代理时，需要后者。考虑到当今智能系统生成的数据量，S3 需要与 EDSS 结合使用。此外，S3 可能会产生大量需要存储的输出数据，因为这些数据可能会被机器学习模块重复使用，使 S3 在动态场景中具有自适应性。为了支持实时运营决策（特别是在工业 4.0 应用中，例如智能城市、智能工厂、智能交通系统和数字供应链），本文提出了 S3 的通用系统架构，并讨论了其在 EDSS 中的集成。此外，本文回顾了 S3 的最新进展，并分析了这些系统如何与 EDSS 交互以使实时决策成为现实。最后，本文还指出了 S3 中的几个研究挑战。
人类在人工智能教育中的角色 - unipub
人工智能的最新进展使其在教育领域的应用更加可能。事实上，现有的学习系统已经利用它来支持学生的学习或教师的判断。在这篇观点文章中，我们想详细阐述人类在教育人工智能设计和实施过程中的决策作用。因此，我们提出，人工智能支持的教育系统可以看作是一个闭环系统，其中包括（i）数据记录、（ii）模式检测和（iii）自适应性等步骤。除了设计过程之外，我们还考虑了用户在教育环境中的决策方面的关键作用：虽然人工智能的一些实现可能会自行做出决定，但我们特别强调了争取混合解决方案的巨大潜力，在这种解决方案中，不同的用户（即学习者或教师）可以透明地获得来自人工智能的信息，以供他们自己做出决定。鉴于人工智能系统和用户的决策准确性并不完美，我们主张平衡人类和人工智能驱动的决策过程，并相互监督这些决策。因此，通过兼顾双方，可以改善决策过程。此外，我们强调了将决策置于情境中的重要性。机器或人类可能做出的错误决策可能会产生截然不同的后果。总之，人类在设计和使用人工智能进行教育的过程中的许多阶段都发挥着至关重要的作用。
使用头脑风暴优化动态神经网络
动态神经网络 (NN) 可以在推理过程中使稀疏激活的子网络适应输入，与静态神经网络相比，它在准确性、计算效率和自适应性方面表现出了明显的优势。然而，现有的深度学习框架和编译器主要侧重于优化具有确定性执行的静态 NN，而错过了动态 NN 中激活分布不均匀所带来的优化机会。优化动态 NN 的关键在于跟踪数据在推理过程中如何动态地分派到不同路径。这种动态性通常发生在子张量级别（例如，张量的条件分派标记），因此由于表达粒度不一致，现有的以张量为中心的框架很难跟踪。在本文中，我们提出了 Brainstorm，一个用于优化动态 NN 的深度学习框架，它通过统一动态性的表达方式来弥补这一差距。 Brainstorm 提出（1）Cell，这是关键的数据抽象，可让模型开发人员表达存在动态的数据粒度；（2）Router，这是一个统一的接口，可让模型开发人员表达如何动态调度Cell。Brainstorm 处理路由操作的有效执行。这种设计使 Brainstorm 能够以正确的粒度收集细粒度数据流的配置文件。可追溯性进一步为动态 NN 开辟了新的动态优化空间，使其执行专门针对运行时动态分布。广泛的评估表明，通过提出的动态优化，Brainstorm 将流行的动态神经网络的加速提高了 11.7 倍（平均为 3.29 倍），或内存消耗减少了 42%。
虚拟惯性单元在现代电力系统中的作用
现代电力系统正在从基于同步发电机的系统发展到高渗透率的可再生能源 (RES) 系统，例如光伏 (PV) 和风力发电机组，它们通过逆变器连接到电网。RES 机组将在不久的将来占据发电量的很大一部分；因此，将它们集成到电网中的传统方法可能会导致频率不稳定。许多研究人员建议使用具有虚拟惯性控制方法的逆变器作为电网中的同步发电机，并维持和提高频率稳定性。本文全面概述了虚拟惯性策略和电流控制策略，并在描述它们的特性的同时进行了全面的比较。然后，研究了所提出方法中的不同类型的稳定性分析，并给出了每种方法的示例。作为对该领域进行的回顾性研究的延续，本文仔细研究了旨在改进虚拟惯性控制的方法，并根据所用资源的数量、参数的自适应性、优化方法的使用、多种资源之间的协调问题和通信网络的类型研究了它们的特性。此外，还全面回顾了多虚拟同步发电机 (VSG) 方法，以开发和实施弱电网中的虚拟惯性概念。最后，讨论了挑战和研究方向，特别是指出了系统级多个虚拟惯性单元的集成。© 2017 Elsevier Inc. 保留所有权利。关键词：微电网；虚拟惯性；稳定性分析；虚拟同步发电机；协调；电力共享
生物物理神经网络的分布式在线估计
随着神经记录技术的进步，我们很快就能同时监测活体大脑中数百个相互连接的神经元的膜电位 [1]。这种高分辨率数据为开发实时闭环干预措施开辟了新的可能性，这些干预措施旨在治疗癫痫和帕金森氏症等神经兴奋性疾病 [2]。有效监测和控制脉冲系统的能力也影响着新兴的神经形态工程领域 [3]。良好的闭环控制设计通常需要可靠的模型估计，因此任何旨在控制神经活动的方法都必然涉及神经元模型的估计，这是一项不简单的任务。已经提出了许多用于批处理模式或离线估计神经元动力学的技术，例如 [4]、[5]、[6]、[7]。然而，活体大脑系统具有自适应性 [8]，因此在线估计方法是必要的，尤其是涉及实时应用时。为了满足这一需求，[9] 中最近提出了一种基于自适应观测器的电导型神经网络在线估计方法。自适应观测器的灵感来自 [10] 和 [11]，它以我们熟悉的递归最小二乘 (RLS) 算法 [12] 为基础，可以近似地跟踪缓慢变化的时变参数。基于 RLS 的自适应观测器的一个限制是观测器状态相对于参数数量迅速增加。更多的观测器状态需要更多的计算能力，这在尝试对包含数千个参数的大型神经网络模型进行在线估计时可能变得至关重要。在本文中，我们提出了一个分布式版本的线性参数估计
小鼠全脑血管的机器学习分析
脑血管结构的变化是许多脑部疾病的关键指标。原发性血管病、血管危险因素（例如糖尿病）、创伤性脑损伤、血管闭塞和中风均会影响脑血管网络的功能 1 – 3 。阿尔茨海默病的典型症状，包括 tau 蛋白病和淀粉样变性，也会导致血管异常重塑 1、4 ，从而使毛细血管稀疏可用作血管损伤的标志 5 。因此，对整个脑血管进行定量分析对于更好地了解生理和病理状态下的脑功能至关重要。然而，量化脑血管网络的微米级变化一直很困难，主要有两个原因。首先，尚未实现对小鼠完整脑血管直至最小血管的标记和成像。磁共振成像 (MRI)、微型计算机断层扫描 (micro-CT) 和光学相干断层扫描的分辨率不足以捕捉大块组织中的毛细血管 6 – 8 。荧光显微镜提供更高的分辨率，但通常只能应用于厚度不超过 200 μ m 的组织切片 9 。组织透明化方面的最新进展可以克服这个问题 10 ，但到目前为止，还没有对整个大脑中所有尺寸的所有血管进行三维 (3D) 的系统描述。第二个挑战涉及对大型 3D 成像数据集的自动分析，这些数据集在不同深度的信号强度和信噪比 (SNR) 存在很大差异。简单的基于强度和形状的滤波方法，例如 Frangi 的血管滤波器以及具有局部空间自适应性的更先进的图像处理方法，无法可靠地将血管与