XiaoMi-AI文件搜索系统
World File Search System计算电路
采用混合 CMOS-RRAM 集成的混合信号神经形态计算电路
随着深度神经网络 (DNN) 在嵌入式设备上的广泛应用，硬件的能效和尺寸成为关注焦点。例如，最近基于 Arduino 的 MAIXDuino 套件集成了用于卷积神经网络 (CNN) 的 K210 神经网络处理器，旨在开发嵌入式人工智能 (AI) 和物联网 (IoT) 解决方案 [1]，[2]。在这种 Edge-AI 加速器专用集成电路 (ASIC) 中，DNN 模型在图形处理单元 (GPU) 上使用基于梯度下降的反向传播或 Backprop 算法 [3]–[5] 进行离线训练，然后“传输”到“推理”ASIC。反向传播是计算密集型的，由于冯诺依曼瓶颈，大量数据在内存和 CNN 加速器之间不断穿梭，因此会消耗大量能量。人们越来越重视创新“非冯·诺依曼”架构，即在内存内部执行计算。此类架构有望利用超越摩尔或后 CMOS 非易失性存储器 (NVM) 技术 [6]。这需要对整个设备、电路和算法层次结构中的非冯·诺依曼计算架构进行跨层研究。神经启发或神经形态片上系统 (NeuSoC) 架构将内存计算与基于稀疏尖峰的计算和通信相结合，以实现接近生物大脑能效的超低功耗运行 [7]。基于 NVM 的计算架构采用 1R 或 1T1R 交叉开关或交叉点架构，其中 DNN 权重存储在 NVM 单元的状态中，神经元驻留在
用于计算和人工智能的集成光子学
基于直接逻辑的电子-光子计算架构利用电子学和光子学的优点，在光学数字计算中得到广泛探索。一个典型的例子是提出的电子-光子算术逻辑单元 (EPALU)，其中包括 20 Gb/s 光学全加器的实验演示 [1]。EPALU 中的其他逻辑电路，如数字比较器 [3] 和解码器 [4]，也经过设计，具有高速 (20 Gb/s) 实验演示。这些集成光子数字计算电路具有可扩展性，能够处理更大位宽的输入，例如 64 或 128 位数据。此外，EPALU 的构建模块结合了波分复用 (WDM)，以提高光学数字计算电路的面积效率。性能分析表明，EPALU 可以以超过 20 Gb/s 的速度运行，能源效率比基于晶体管的电气对应物高出一到两个数量级。
量子电路酉矩阵生成扩展方法
摘要：本文对量子电路酉矩阵的自动生成进行了研究。我们认为量子电路分为六种类型，并给出了每一种类型的酉算子表达式。在此基础上，提出了一种计算电路酉矩阵的详细算法。然后，对于由量子逻辑门组成的量子逻辑电路，引入一种利用真值表计算量子电路酉矩阵的快速方法作为补充。最后，我们将所提算法应用于基于NCT库（包括非门、受控非门、Toffoli门）和广义Toffoli（GT）库的不同可逆基准电路并给出实验结果。关键词：量子电路，酉矩阵，量子逻辑门，可逆电路，真值表。
研究基于信号流程图模型的多芯片SIC MOSFET电路的寄生振荡
本研究提出了一种通过技术计算机辅助设计（TCAD）模拟评估振荡条件的新方法，并基于使用TCAD仿真结果计算的信号流图模型和散射参数（S-参数）。使用所提出的方法研究了短路时，碳化硅（SIC）金属氧化物 - 氧化物 - 氧化物 - 氧化物 - 氧化型晶体管效应晶体管（MOSFET）。使用该技术计算电路的振荡条件，并与TCAD瞬态模拟计算的振荡条件进行了比较。这些方法之间的栅极电阻抑制振荡。此外，该方法还应用于估计由相反连接的SIC MOSFET组成的电路的稳定性。考虑了两种振荡模式。我们证明，可以使用简单的计算来计算抑制寄生振荡所需的电路参数。
工学学士（微电子工程）（12240192）
集成电路 (IC) 或“芯片”是当今电子革命的发动机。电子学的影响日益扩大，主要由大规模 IC（如处理器和内存芯片）推动。只有通过研究针对 CMOS、双极和 BiCMOS 工艺制造集成电路设计的经典模拟电子学，才能深入了解这些芯片中使用的电子电路技术。此外，模拟电路技术在“现实世界”和数字系统之间的接口中起着至关重要的作用。例如：电压基准、放大器、滤波器、电平转换器、缓冲器。这方面的重要主题是专门用于电子电路的反馈和稳定性理论。本课程包括：IC 制造技术、IC 晶体管模型、晶体管电流源和放大器、输出级、运算放大器、反馈放大器的频率响应和稳定性、非线性和计算电路。
交换量子电路的表达能力
摘要 本研究探讨了交换量子电路的框架势和表现力。基于这些电路的傅里叶级数表示，我们将量子期望和成对保真度表示为随机变量的特征函数，将表现力表示为格子上随机游走的复发概率。我们工作的一个核心成果包括用于近似任何交换量子电路的框架势和表现力的公式，以概率论中的收敛定理为基础。我们将随机游走的格体积确定为基于电路架构近似表现力的手段。在涉及 Pauli-Z 旋转的交换电路的特定情况下，我们提供了与表现力和电路结构相关的理论结果。我们的概率表示还提供了通过采样方法限制和近似计算电路框架势的方法。
量子状态，Qubits，逻辑门和算法
在本讲座中，我们将研究量子计算电路模型的基础。这引入了量子位，量子门和其他组件与经典计算中的概念密切相似，并为我们提供了开始研究量子计算机是否可以超越经典计算机的工具。对于这些讲义，我们部分依赖参考文献的材料。[Nielsen和Chuang，2000年，Aaronson，2018年，Kockum和Nori，2019年]。该讲座已从2019年的Chalmers Technology课程中的“量子计算”课程中的首次讲座改编为博士课程（请参阅课程中的完整讲座以及这些讲座的视频），并在2020年和2021年作为大师级课程（请参阅此YouTube Playlist for the YouTube Playlist for the YouTube Playlist for the YouTube playlist for the 2021 lect of 2021 in the YouTube playlist of 2021 for the Youtube playlist of the Lect playlist。
超节能可逆量子点细胞自动机 8:1 多路复用器电路
摘要：在设计用于超大规模集成 (VLSI) 系统的数字电路时，降低功耗方面的能效考虑是一个重要问题。量子点细胞自动机 (QCA) 是一种新兴的超低功耗方法，不同于传统的互补金属氧化物半导体 (CMOS) 技术，用于构建数字计算电路。开发完全可逆的 QCA 电路有可能显著降低能量耗散。多路复用器是构建有用数字电路的基本元素。本文介绍了一种具有超低能耗的新型多层完全可逆 QCA 8:1 多路复用器电路。使用 QCADesigner-E 2.2 版工具模拟了所提出的多路复用器的功耗，描述了 QCA 操作背后的微观物理机制。结果表明，所提出的可逆 QCA 8:1 多路复用器的能耗比文献中之前介绍的最节能的 8:1 多路复用器电路低 89%。
大脑中的通用量子计算机制
在本文中，作者扩展了 [1]，并提供了更多关于大脑如何像量子计算机一样运作的细节。具体而言，我们将两个轴突上的电压差假设为离子在空间叠加时的环境，认为在存在度量扰动的情况下的演化将不同于不存在这些波的情况下的演化。由于节点处离子的量子态与“控制”电位的相互作用，这种差异状态演化将对束正在处理的信息进行编码。在退相干（相当于测量）后，离子的最终空间状态被决定，并且它也会在下一个脉冲起始时间重置。在同步下，几个束同步经历这样的过程，因此量子计算电路的图像是完整的。在这个模型下，仅根据胼胝体轴突的数量，我们估计每秒在这个白质束中可能准备和演化出多达 5000 万个量子态，远远超过任何现有量子计算机所能完成的处理能力。关键词