XiaoMi-AI文件搜索系统
World File Search System计算技术
J-B HI专题问题“在药物发现和疾病治疗中应用计算技术”
计算技术已成功应用于药物发现和疾病治疗领域。特别是计算机辅助的药物设计，计算药物重新定位，基于异质生物学数据的预测和协同药物组合预测已成为搜索各种疾病的药物和治疗靶点的关键主题。对这些主题的研究不仅是为了更好地理解疾病进展和药物疗法的机制，而且对于新药的发展和治疗的改善也至关重要。众所周知，即使在当今，药物发现和开发的过程仍然很耗时，昂贵且仅限于小规模研究。随着新的实验技术的发展，现在大量数据集经过药物开发和疾病治疗的不同阶段，并且有主要要求从这些数据集中提取知识并利用它们在所有方面改善这些过程。因此，有强大的动力去开发能够有效挖掘这些数据集的强大计算方法，以便为实验科学家提供新的预测，并缩小候选人的范围以加速药物发现。对于具有较高分数的潜在预测结果，可以实施生物学实验以验证。最近，计算技术的适用性已扩展并广泛应用于药物发现和开发工作流程中的几乎每个阶段。潜在的主题包括但不限于拟议的特刊将重点关注药物发现和疾病治疗中的新计算技术。我们将邀请研究人员撰写研究文章和综述，描述了最新发现，这些发现使用计算技术进行药物发现和疾病治疗研究。
K 波段微波 DAC 推动量子计算技术的发展。2023 年 2 月
量子计算有可能比传统计算更快、更有效地解决复杂问题。传统计算能力随着每个集成设备的比特/组件数量的增加而线性增加。量子计算能力随着量子比特数量的增加而呈指数增长 [1]。量子比特是一种双态量子力学谐振器装置，具有量子力学的特性（利用原子和亚原子物质的性质）[5]。在传统计算中，单个比特必须处于 1 或 0 两种状态之一。在量子计算中，量子比特表现出波状、多维特性，必须同时处于两种状态的相干“叠加”（测量 0 的概率等于测量 1 的概率）。相干叠加类似于单一频率的点噪声特性（包含在可能范围内的各种振幅，换句话说，X 概率测量 Y 值）[1] [3]。
通过量子计算技术评估软件安全性：耐久性视角
摘要：本研究的主要目标是在信息技术 (IT) 领域提高软件的安全性和耐用性。基于量子计算的安全算法产生了相当多的对称方法和程序，以确保最佳的软件撤退。准确评估软件的耐用性和安全性是评估、管理和控制安全性以增强安全性的一个动态方面。本文主要强调从软件安全角度对量子计算的划分和描述。目前，不同的基于对称的加密方法或算法被用于保护不同的政府和非政府部门，如银行、医疗保健部门、国防、交通、汽车、导航、天气预报等，以确保软件的耐用性和安全性。然而，当开发出基于量子比特的大型量子计算机时，许多加密方案可能会崩溃。在这种情况下，有必要关注基于量子计算的安全替代方案。目前，软件耐用性的不同因素包括可用性、可靠性、可信度和人类信任。在本研究中，我们还对第二阶段的耐久性进行了分类。评估量子持续时间对安全性的影响的目的是估计和评估软件的安全耐久性。在本研究中，我们采用了模糊层次分析法 (FAHP) 和模糊技术 (按与理想解的相似性排序) 的对称混合技术 (FTOPSIS)。所获得的结果以及本估计中使用的方法将对未来在量子计算机存在下组织软件安全性和耐久性 (SSD) 的研究做出重大贡献。
智能制造中的人工智能和网络安全挑战 Dr.P.KALARANI 计算机技术与信息技术系助理教授 印度泰米尔纳德邦埃罗德 Kongu 艺术与科学学院 邮箱：meet.kalaram@gmail.com 文章历史：收到日期：2020 年 11 月 11 日；接受日期：2020 年 12 月 27 日；在线发表日期：2021 年 4 月 5 日 摘要：智能制造 (SM) 是一种广泛的制造类别，它采用基于计算机的集成制造系统，具有更高端的新适应性和设计结构的快速变化，以及数字化和有效的劳动力培训。有必要在 SM 系统中采用新技术，以适应现有系统的变化。智能工厂通过让客户满意来提高单位产量、质量和一致性维护。更智能的技术有助于在组织中借助计算技术获取信息，通过该信息/数据将定期记录。对环境非常安全的智能制造系统被我们称为绿色制造 (GM)。绿色技术或绿色制造是一个总称，它以某种方式属于同一分支，用于多种技术或科学领域，以生产对环境友好的产品。GM 是最需要的，它可能导致更高水平的发展
智能制造中人工智能与网络安全挑战赋能 Dr.P.KALARANI 计算机技术与信息技术系助理教授 印度泰米尔纳德邦埃罗德 Kongu 艺术与科学学院 邮箱：meet.kalaram@gmail.com 文章历史：收到日期：2020 年 11 月 11 日；接受日期：2020 年 12 月 27 日；在线发表日期：2021 年 4 月 5 日 摘要：SM（智能制造）是一种广泛的制造类别，采用基于计算机的集成制造系统，具有更高的新适应性和设计结构的快速变化，以及数字化和有效的劳动力培训。有必要在 SM 系统中纳入新技术，以适应现有系统的变化。智能工厂通过让客户满意来提高单位产量、质量和一致性维护。更智能的技术有助于在组织中借助计算机技术获取信息，通过计算机技术定期记录信息/数据。对环境非常安全的智能制造系统被我们称为绿色制造 (GM)。绿色技术或绿色制造是一个总称，它以某种方式属于同一分支，用于多种技术或科学领域，以生产对环境友好的产品。GM 是最需要的，它可能导致经济方面更高水平的发展。此外，在网络安全方面，还需要解决信息的机密性以及 SM 系统带来的漏洞。因此，我们提出了一种借助人工智能 (AI) 和网络安全框架在 SM 系统中实现高效绿色制造的方法。所提出的工作采用双阶段 ANN 来寻找工业中 SM 系统的设计配置。然后，为了在通信时保持数据的机密性，使用 3DES 方法对数据进行加密。关键词：智能制造、人工智能、网络安全、机密性、加密。1.介绍
可扩展计算技术趋势和范式的过去、现在和未来：
版权所有 © 2020 ISSR 期刊。这是一篇根据 Creative Commons 署名许可分发的开放获取文章，允许在任何媒体中不受限制地使用、分发和复制，前提是对原始作品进行适当引用。摘要：过去的时代见证了计算、存储和网络技术的显着提升，这导致了工程和科学领域大规模自适应应用的发展。这些复杂、动态和异构的应用程序与相应异构和复杂的分布式和并行计算系统相结合，导致了高效计算基础设施的改进和实施，这些基础设施允许为这些大规模自适应实现提供执行、编程和运行时管理支持。本文介绍了不同类型的计算技术。事实上，所有这些技术都为计算的发展做出了贡献。确定一种特定的技术是最好的技术是非常困难的，因为计算每天都在发展，每一项技术都为新技术铺平了道路。本文全面回顾了可扩展计算技术趋势和范式的过去、现在和未来。首先，介绍了高性能计算技术。本文提出了一种新的高性能计算分类方法，即超级计算和量子计算，其中超级计算分为千万亿次级、百亿亿次级和泽塔级计算。本文讨论了百亿亿次级计算和量子计算面临的主要挑战，并对经典超级计算和量子计算进行了比较。其次，介绍了分布式计算技术，特别是对等计算、集群计算、网格计算和云计算。本文讨论了它们的优缺点，并进行了比较。第三，介绍了后云计算范式，主要是露水、薄雾、边缘和雾计算。第四，介绍了丛林计算。最后，本文强调，百亿亿次级和量子计算是有效实现高性能计算的最新主题，这两种技术都有各自的优点和缺点，因此建议实施一种同时使用这两种技术的混合系统，以便量子计算可以作为现有高性能计算系统的加速器。超级计算机的成本非常高，因此开发了提供高性能、多功能性和成本效益的分布式计算系统。理解并正确利用后云计算技术以及云计算可以帮助解决物联网问题。
NGCT：基于机器学习、人工智能的下一代计算技术
https://www.iaria.org/conferences2020/ICN20.html 2020 年 2 月 23 日至 2020 年 2 月 27 日 - 葡萄牙里斯本 下一代计算技术是从分布式计算、人工智能、机器学习、深度学习、云计算、并行计算、网格计算及其相关应用等新技术和研究领域发展而来的。这些信息技术领域的新兴主题正在定义计算技术的未来。通过使用互联网和中央远程服务，它可以维护数据、应用程序等，通过集中存储、内存、处理和带宽等提供更高效的计算。它还可以集中所有计算资源并通过软件自动管理而无需干预。当前的计算架构、服务模型、平台、问题（即安全性、隐私、可靠性、开放标准等）和类型有几个层。
光谱计算技术在虚拟现实设备色觉测试中的应用
这项工作的目的是研究商业虚拟现实系统在色觉和照明实验室研究任务中的有效性。这种有效性源于我们之前所说的虚拟心理物理学，因为它使用了与光物质相互作用相关的物理定律的模拟。虚拟现实软件平台通过色彩管理系统将这种模拟与比色转换一起进行。具体来说，在虚拟现实环境中实施了 FM100 Hue 测试的虚拟版本，通过将其与该测试的真实版本进行比较来验证其有效性。这种比较基于对同一人口样本的两个版本所获得的结果的分析。对这种特定测试在这种类型的虚拟现实系统上的有效性的研究并不能验证这些系统在与色觉研究相关的所有研究任务中的用途，但如果结果是肯定的，它为未来可能的使用打开了大门，此前验证了它的每一个应用。
客观测量传感器和计算技术......
压力是由不断变化的环境引起的，从而产生三个主要方面 - 输入刺激、处理和评估以及响应 [2]。人们普遍认为，当压力强大到可以克服防御机制时，会对个人的免疫系统和心血管系统产生一系列严重影响。随着压力变成慢性，它会使个人更容易受到感染和无法治愈的疾病，并减慢身体的恢复过程 [3]。此外，压力还会给社会造成经济负担 [4]。有一些组织（例如国际压力管理协会（英国）[5]、支持热线 [6] 和澳大利亚生命线 [7]）帮助个人应对压力，并提高对与压力相关的问题的认识，这是当今世界面临的主要问题。
贝叶斯推理的计算技术
统计计算很大程度上由概率的加权总和或积分组成。贝叶斯推论和频繁统计之间的关键实际差异之一是，在将这些竞争性的方法解决相同问题的情况下出现了巨大不同类型的积分类型（Loredo 1992）。例如，考虑到某些观察到的数据d，估计某些模型的参数m；用θ共同表示参数。在贝叶斯和频繁的积分中出现的关键数量是假设模型为真的数据并假定要知道的参数的概率，p（d |θ，m）。被认为是数据的函数，这称为采样分布；作为参数的函数，它称为可能性函数，它将缩写为l（θ）。该方法之间的基本实际差异是，频繁计算需要在数据维度（样本空间）上进行此数量的积分，而贝叶斯计算需要在参数空间上进行积分。基于通过参数空间进行求和或集成在试图使用样品空间中计算的概率进行推断的概率的概率上的推断。在这里的简短空间中，对这些优势的重要讨论是不可能的。必须提及两个具有巨大实际实用性的积极优势。在贝叶斯推理中，可以直接消除滋扰参数，同时简单地通过在φ上整合（ψ，φ）的关节分布来解决它们的不确定性。首先，在绝大多数的实际应用中，参数空间可以分为两个部分θ=（ψ，φ），其中兴趣集中在ψ上，并且φ由对数据建模但不感兴趣的“滋扰”参数组成（例如，背景强度）。没有完全的SAT-