XiaoMi-AI文件搜索系统
World File Search System计算效率
EdgeCortix-Sakura-I-数据表-2023 年 8 月-ENG-A4-v2-Web
EdgeCortix SAKURA-I 是台积电 (TSMC) 的 12nm FinFET 协处理器（加速器），为边缘人工智能 (AI) 推理提供一流的计算效率和延迟。它由每秒 40 万亿次操作 (TOPS) 的单核动态神经加速器® (DNA) 知识产权 (IP) 提供支持，这是 EdgeCortix 的专有神经处理引擎，具有内置运行时可重构数据路径，将所有计算引擎连接在一起。DNA 使新的 SAKURA-I AI 协处理器能够以超低延迟同时运行多个深度神经网络模型，同时保持出色的 TOPS 利用率。这一独特属性是提高片上系统的处理速度、能源效率和寿命的关键，可提供卓越的总体拥有成本优势。DNA IP 专门针对流式传输和高分辨率数据推理进行了优化。
![arXiv:2303.05798v2 [cs.LG] 2023 年 5 月 24 日](/simg/g:\will\search\icon\source\8\8f356a446106fa426e26fa37e843b7b04dfdbeb3.webp)
arXiv:2303.05798v2 [cs.LG] 2023 年 5 月 24 日
在处理脑电图或脑磁图记录时，许多监督预测任务是通过使用协方差矩阵来汇总信号来解决的。使用这些矩阵进行学习需要使用黎曼几何来解释它们的结构。在本文中，我们提出了一种处理协方差矩阵分布的新方法，并证明了其在 M/EEG 多元时间序列上的计算效率。更具体地说，我们定义了对称正定矩阵测度之间的 Sliced-Wasserstein 距离，该距离具有强大的理论保证。然后，我们利用它的属性和核方法将此距离应用于从 MEG 数据进行大脑年龄预测，并将其与基于黎曼几何的最新算法进行比较。最后，我们表明它是脑机接口应用领域自适应中 Wasserstein 距离的有效替代品。
LIDAR逆传感器建模用于占用网格...
作为结论，这项研究通过表明点云处理和逆传感器建模的战略改进可以显着提高过渡网格图（TGM）的性能，从而为研究问题提供了答案。该研究通过参数确定性能和计算负载之间的适当平衡，例如0.5 m的网络分辨率和8 Hz的执行率，对于在城市环境中有效的实时导航至关重要。此外，还显示了高级3D点云数据的集成，并通过精制的预处理管道提供了精度和计算效率之间的最佳平衡，这证实了在动态设置中提出的模型的鲁棒性和适应性。这些结果不仅证实了所提出的方法的效率，而且还为未来的研究奠定了基础，旨在将这些模型扩展到更复杂的环境，最终有助于更安全地利用技术用于自动驾驶。
使用机器学习对陨石反射光谱进行分类。 S. Saha 1，T。H。Burbine 2,3和M. D. Dyar 2,3，1计算机科学系
模型结构：我们的方法利用火箭（随机卷积内核变换）算法[4]从陨石光谱中提取数值特征。虽然火箭在时间序列分类中的有效性被广泛认可，但其能力与本研究中光谱分类的挑战非常吻合。反射光谱虽然不是传统的时间序列，但在与时间序列数据具有相似性的波长跨波长中显示顺序模式。火箭的计算效率和对噪声的鲁棒性使其成为此任务的理想选择，在这种任务中，捕获微妙的光谱模式至关重要。它将大量随机初始化的卷积内核应用于光谱，每个卷积内核都有随机参数，例如长度，扩张，偏置和填充物。这种随机化使火箭列出了数据的局部和全局特征，这对于区分光谱模式至关重要。
手写签名识别的 LBP、HOG 和 SIFT 技术的比较分析
摘要——手写签名识别是生物特征认证的关键组成部分，需要稳健高效的特征提取技术才能获得最佳性能。本研究对三种主要的特征提取方法进行了比较分析：局部二值模式 (LBP)、方向梯度直方图 (HOG) 和尺度不变特征变换 (SIFT)。我们使用一个包含 2,000 个签名的精选数据集（包括真实实例和熟练的伪造签名），评估了每种技术在准确性、计算效率和稳健性方面的有效性。我们的研究结果表明，虽然 HOG 表现出卓越的准确性，但 LBP 在计算速度方面表现出色，而 SIFT 则展示了处理各种捕获场景的潜力。这项研究为开发先进的签名识别系统提供了宝贵的见解，强调了定制特征提取对增强生物特征认证的重要性。
适用于脑撞击建模的有效粘塑性软化模型
摘要：本文讨论了脑组织机械行为的非线性粘塑性模型的数值方面和实现，以模拟与可能导致创伤的冲击载荷相关的动态响应。在现有的各种粘弹性模型中，我们特意考虑修改诺顿-霍夫模型，以引入非典型的粘塑性软化行为，模拟快速撞击后仅几毫秒的大脑反应。我们描述了模型的离散化和三维实现，目的是在合理的计算时间内获得准确的数值结果。由于问题的规模大、复杂性，采用了时空有限元法的并行计算技术来提高计算效率。事实证明，经过校准后，引入的粘塑性软化模型比常用的粘弹性模型更适合模拟快速冲击载荷特定情况下的脑组织行为。
文章 基于量子期望值的语言模型及其在问答中的应用
摘要：量子语言模型由于其透明性和可解释性而被引入信息检索。尽管取得了令人振奋的进展，但当前的研究主要研究语义希尔伯特空间的差异句子子空间的密度矩阵之间的关系。整个希尔伯特空间具有唯一的密度矩阵，但还缺乏探索。在本文中，我们提出了一种基于量子期望值的语言模型（QEV-LM）。为语义希尔伯特空间构建了一个唯一的共享密度矩阵。在这个量子模型中，单词和句子被视为不同的可观测量。在此背景下，描述问答对之间相似度的匹配分数自然地被解释为联合问答可观测量的量子期望值。除了理论合理性之外，在 TREC-QA 和 WIKIQA 数据集上的实验结果证明了我们提出的模型具有出色的计算效率和较低的时间消耗。
强化学习控制可重构平面电缆驱动的平行操纵器*
摘要 - 由于电缆的固有灵活性和弹性，电缆驱动的并行机器人（CDPR）通常对模型和动态控制具有挑战性。将在线几何可重新配置性的附加包含在CDPR上导致具有高度非线性动力学的复杂不确定的系统。必要的（数值）冗余分辨率需要多个优化的层，以使其对实时控制的应用程序计算效率过高。在这里，深厚的强化学习方法可以提供一个无模型的框架来克服这些挑战，并可以提供实时的动态控制。本研究讨论了动态轨迹跟踪中无模型DRL实现的三个设置：（i）具有固定工作空间的标准非冗余CDPR； （ii）在可重构CDPR上具有冗余分辨率的端到端设置中； （iii）在一种脱钩的方法中，分别解决运动学和驱动裁员。
通过深钢筋学习用软机器人手臂推动
和投掷。[14]但是，由于收集和标记代表性交互数据集，广泛的优化和过度拟合的挑战，数据驱动的前向模型对于交互任务不合适。与未经检测环境相互作用的CSM的有希望的方法是连续机械模型。这些模型以物理术语表征了软机器人的变形，并用作物理相互作用的有价值的模拟器。经典的有限元方法可以准确代表复杂的3D几何形状。[15]这种准确性以高计算成本而使控制问题复杂化，尽管最近的模型订单减少技术使这些方法更实惠。[16,17]其他合适的方法采用了降低的机械模型，例如哥塞拉特杆，它们有效地描述了经历了大型专制的细长身体，平衡了复杂力学和计算效率的准确表示。
学习目标：课程内容
ISBN：9788120351424。 实际作业清单：1。 在带有和不进行引导的情况下，实现BJT Darlington发射器追随者，并确定增益，输入和输出阻抗。 2。 使用有或没有反馈的电压分隔线偏置设计并设置BJT公共发射极放大器，并根据其频率响应确定增益带宽产品。 3。 绘制JFET的转移和排水特性，并计算其漏极性，相互电导和扩增因子。 4。 设计，设置和绘制常见源JFET/MOSFET放大器的频率响应并获得带宽。 5。 绘制N通道MOSFET的转移和排水特性，并计算其参数，即；排水阻力，相互电导和扩增因子。 6。 设置和研究互补对称性B类推动功率放大器的工作并计算效率。 7。 使用FET设计和设置RC相移振荡器，并计算输出波形的频率。 8。 使用BJT设计和设置以下调谐振荡器电路，并确定振荡的频率。 （a）哈特利振荡器（b）colpitts振荡器9。 设计和设置晶体振荡器并确定振荡的频率ISBN：9788120351424。实际作业清单：1。在带有和不进行引导的情况下，实现BJT Darlington发射器追随者，并确定增益，输入和输出阻抗。2。使用有或没有反馈的电压分隔线偏置设计并设置BJT公共发射极放大器，并根据其频率响应确定增益带宽产品。3。绘制JFET的转移和排水特性，并计算其漏极性，相互电导和扩增因子。4。设计，设置和绘制常见源JFET/MOSFET放大器的频率响应并获得带宽。5。绘制N通道MOSFET的转移和排水特性，并计算其参数，即；排水阻力，相互电导和扩增因子。6。设置和研究互补对称性B类推动功率放大器的工作并计算效率。7。使用FET设计和设置RC相移振荡器，并计算输出波形的频率。8。使用BJT设计和设置以下调谐振荡器电路，并确定振荡的频率。（a）哈特利振荡器（b）colpitts振荡器9。设计和设置晶体振荡器并确定振荡的频率