XiaoMi-AI文件搜索系统
World File Search System计算效率
基于Q学习的深度Q学习优化，用于高精度计算效率的机器人臂中的路径计划和控制
摘要 - 在机器人臂中的路径计划和控制是在各种工业和研究应用中实现高精度和有效运营的关键挑战。这项研究提出了一种利用深Q学习（DQL）来增强机器人臂运动的计算效率和精度的新方法。提出的框架有效地挑战了关键挑战，例如避免碰撞，路径平滑和动态控制，通过将强化学习技术与先进的运动学建模整合在一起。为了验证所提出的方法的有效性，使用6度自由的机器人组开发了模拟环境，在该机器人的手臂上训练和测试了DQL模型。的结果表明，与传统优化方法相比，达到98.76％的平均路径优化精度的显着提高，并将计算机开销降低了22.4％。此外，拟议的方法还达到了实时响应能力，平均决策延迟为0.45秒，以确保其在时间关键时期的情况下的适用性。这项研究突出了深层学习在革新机器人手臂控制方面的潜力，通过结合精度和计算效率。发现机器人路径计划中的桥梁差距为自动机器人技术和工业自动化的未来进步铺平了道路。进一步的研究可以探索这种方法对更复杂和现实世界中环境的可扩展性，从而巩固了其在新兴技术领域中的相关性。
网格注意力：提高大型视力模型的计算效率，而无需微调
Gridattn集成了提出的网格聚类模块，网格分配策略以及将网格恢复模块与常见的MHA相结合，以提高大型视力模型的计算效率并保持其性能，而无需重新训练或对其参数进行微调。我们对最近的高分辨率任务进行了广泛的实验，包括零摄像实例分割（SAM，Expedit-SAM），文本到图像生成（稳定扩散v2.1）和语义segmentation（segformer b0-b5）。实验表明：通过任何训练或微调，Gridattn将GFLOPS降低[4.6％，16.1％]和GPU推断潜伏期的范围[8.2％，21.4％]，同时达到等效性能（绩效偏见比率低于1％）。此外，提出的实验表明，Gridattn也可以从头开始训练，也可以通过微调的微调成本进行微调，从而大大提高了性能效率 - 折衷方案。作为建议，我们鼓励社区直接部署训练有素的变压器，对预先训练的训练训练，或从头开始训练新的变压器时，将社区合并。源代码将在https://github.com/pengyulpy/gridattn中发布。
计算效率高的神经网络分类器，适用于下一代...
摘要 — 本研究探索了神经网络分类器在下一代响应性神经调节系统中实时分类基于场电位的生物标志物的潜在效用。与传统的基于滤波器的分类器相比，神经网络可以轻松调整特定于患者的参数，有望减轻临床医生的编程负担。本文探讨了一种紧凑的前馈神经网络架构，该架构仅由数十个单元组成，用于难治性癫痫的癫痫发作状态分类。所提出的分类器在临床医生标记的数据上提供与滤波器分类器相当的准确度，同时减少检测延迟。作为对传统方法的权衡，本文专注于将架构的复杂性保持在最低水平，以适应可植入脉冲发生器系统的板载计算约束。
用于模拟神经网络在线训练的铁电场效应晶体管 (FET) 计算效率高的紧凑模型
制造了用于存储器和神经形态应用的具有 Hf 0.5 Zr 0.5 O 2 栅极绝缘体的三栅极铁电 FET，并对其进行了多级操作表征。电导和阈值电压表现出高度线性和对称的特性。开发了一种紧凑的分析模型，以准确捕捉 FET 传输特性，包括串联电阻、库仑散射和垂直场相关的迁移率降低效应，以及阈值电压和迁移率随铁电极化切换的变化。该模型涵盖亚阈值和强反转操作。额外的测量证实了铁电切换，而不是基于载流子捕获的存储器操作。紧凑模型在用于深度神经网络在线训练的模拟平台中实现。