XiaoMi-AI文件搜索系统
World File Search System设备组
CEC：集成火控的传感器网络
在过去 12 年中进行了多次测试。1 除了前面提到的 OPEVAL 之外，CEC 还在 2001 年进行了技术评估 (TECHEVAL)。在 TECHEVAL 期间，CEC 满足了所有关键技术性能要求；并且作为 OPEVAL 的结果，作战测试和评估部队 (COTF) 指挥官宣布 CEC 在作战上适用且作战有效。这些结论将支持开始全速生产 CEC 设备组并在所有主要海军空战和两栖攻击指挥舰上部署 CEC 的决定。这些测试最终表明，CEC 通过在紧张环境中持续跟踪困难的空中威胁来满足其系统要求；为所有 CEC 参与者提供强大、一致的轨迹图；并实现舰船之间火控质量轨迹信息的传输，以便那些无法通过本地传感器看到威胁的船只仍然可以使用地对空导弹进行攻击。
安全设备的可靠性数据
摘要 本手册根据现场反馈，为安全仪表系统、海底和钻井设备以及选定的非仪表安全关键设备组件提供可靠性数据。我们付出了巨大努力，确保数据可靠、可追溯、有据可查且合理，符合 IEC 61508 和 IEC 61511 标准中的要求。与 2013 年版手册相比，主要变化包括： 数据基础大大扩展，包括全面且更新的运行经验。 增加了新的设备组。 对于多个传感器和最终元件，故障率根据相关属性（例如尺寸、测量原理、过程服务等）进行区分。 更新了共同原因因子（𝛽 因子）、诊断覆盖率 (DC) 和随机硬件分数 (RHF) 的值。 提高数据可追溯性并更详细地评估数据不确定性。
IPS要求文档1C 零信任体系结构（ZTA） 会议概述 AWS上的生成AI 对IT收购工作的安全和隐私要求... 确保移动申请和设备 - [cio-it- ...
▪ Multi-factor Authentication for Privileged and User-Level Access - IA-2 (1) and IA-2 (2) ▪ Remediation of Critical and High Vulnerabilities – SI-2 ▪ Remote Code Execution Vulnerabilities – SI-2 ▪ Usage of End-of-Life Software – SA-22 ▪ System Architecture Review – PL-8, SA-8 ▪ Encryption of Sensitive Data (PII, PCI, Authenticators)无处不在 - SC-8，SC-8（1），SC-28，SC-28（1）▪与GSA的安全堆栈集成（内部系统）•SSPP第13节中的控制实现详细信息必须在安全授权边界内的资产/设备组之间提供详细的实施描述。•根据GSA IT安全程序指南06-30，“管理企业网络安全风险”，首席信息安全官（OCISO）办公室将审查SSPP，以确定其是否完整，一致，并满足信息系统的安全要求。根据审查的结果，SSPP可能需要进一步更新，也可能需要获得批准。
云计算的新高度 - AVEVA
设备在发生故障前几天、几周甚至几个月内即可恢复。这有助于 PETRONAS 等资产密集型组织减少设备停机时间、提高可靠性、提高性能和安全性，并降低运营和维护费用。PETRONAS 在选定的上游设施和下游工厂进行了为期六个月的概念验证 (POC) 项目的 Microsoft Azure 中试用了 AVEVA Predictive Analytics。该项目的重点是评估该解决方案在检测和提供机械问题早期预警方面的有效性。在成功进行 POC 后，PETRONAS 在四个上游平台和两个下游工厂进行了试点。系统集成商 Trisystem Engineering (TSE) 被聘请在各个站点部署该解决方案。TSE 与 PETRONAS 密切合作，通过敏捷方法通过冲刺规划实施了该解决方案，将执行类似功能的设备组合在一起。每个冲刺通常包括七到十台设备。由于 AVEVA Predictive Analytics 配备了专门为能源行业定制的人工智能，
hetarch：超导量子系统的异质微结构
本文通过引入Hetarch（用于设计异质量子系统的工具箱）来实现异质FTQC设计的挑战，并使用它来探索异性设计方案。使用分层方法，我们可以将量子算法分解为较小的操作（类似于经典应用程序内核），从而大大简化了设计空间和所得的权衡。专门针对超导系统，我们设计了由多种超导设备组成的优化异质硬件，将物理约束抽象成设计规则，使设备能够将设备组装到针对特定操作的标准单元中。最后，我们提供了一个异质的设计空间探索框架，该框架将模拟负担减少了10个或更多倍，并使我们能够将最佳的设计点提高。我们使用这些技术来设计用于纠缠蒸馏，误差校正和代码传送的超导量子模块，将错误率降低2。6×，10。7×和3。0×与均质系统相比。
社交物联网系统的自动服务发现
摘要 — 在本文中，我们建议设计一个自动化的服务发现流程，以允许移动众包任务请求者从大规模物联网 (IoT) 网络中选择一小组设备来执行他们的任务。为此，我们将大规模物联网网络划分为几个虚拟社区，这些社区的成员之间有着强大的社会物联网关系。研究了两种社区检测算法，即 Louvain 和顺序统计局部方法 (OSLOM) 算法，并将其应用于现实世界的物联网数据集，以形成不重叠和重叠的物联网设备组。之后，执行基于自然语言处理 (NLP) 的方法来处理众包文本请求，并相应地找到能够有效完成任务的物联网设备列表。这是通过将 NLP 输出（例如应用程序类型、位置、所需的可信度级别）与不同的检测到的社区进行匹配来执行的。所提出的方法有效地帮助自动化和减少移动众包应用程序的服务发现程序和招聘流程。
多功能纤维可以调节猕猴认知行为期间的皮质和深脑活动
图1：制造多功能基于纤维的探针。 a，将纤维预成型放在热图烤箱中，将其加热至320°C。Capstan在速度v Capstan处的预形式向下拉动，而在v downfeed处的预形成型则进一步降低了烤箱。 所产生的纤维的横截面区域，纤维=（v Capstan /v Downfeed）×A预成型。 钨（W）微管通过收敛（方法）掺入纤维中。 b，由此产生的纤维（D纤维=187。 1±2。 5 µm）具有与预形式相同的横截面几何形状（d Preform = 7。 5毫米）。 e，每个设备都有用于电气接口的电极连接器，一个不锈钢液体连接器（ID = 304 µm，OD = 457 µm），不锈钢支撑管（ID = 432 µM，OD = 635 µM）和纤维（D Fiber = 187。 1±2。 5 µm）。 我们使用了7个纤维长度。 0±0。 在这项研究中， 3 cm，但从0-2 m开始的长度是可行的。 d，纤维的横截面，被嵌入环氧树脂包围。 纤维的外径用虚线的白线表示。 e，纤维尖端的侧视图。 f，将设备组装在带有商业微训练的皮质网格中。 皮层网格组件包括用于硬脑膜穿透G的导管，所得纤维中电极的阻抗光谱表明，电极在10 2至10 5 Hz上具有特征性的1/F阻抗曲线。 插图显示600-1600 Hz之间的阻抗。 阻抗为1000 kHz = 223。 9±36。 7±22。图1：制造多功能基于纤维的探针。a，将纤维预成型放在热图烤箱中，将其加热至320°C。Capstan在速度v Capstan处的预形式向下拉动，而在v downfeed处的预形成型则进一步降低了烤箱。所产生的纤维的横截面区域，纤维=（v Capstan /v Downfeed）×A预成型。钨（W）微管通过收敛（方法）掺入纤维中。b，由此产生的纤维（D纤维=187。1±2。5 µm）具有与预形式相同的横截面几何形状（d Preform = 7。5毫米）。e，每个设备都有用于电气接口的电极连接器，一个不锈钢液体连接器（ID = 304 µm，OD = 457 µm），不锈钢支撑管（ID = 432 µM，OD = 635 µM）和纤维（D Fiber = 187。1±2。5 µm）。 我们使用了7个纤维长度。 0±0。 在这项研究中， 3 cm，但从0-2 m开始的长度是可行的。 d，纤维的横截面，被嵌入环氧树脂包围。 纤维的外径用虚线的白线表示。 e，纤维尖端的侧视图。 f，将设备组装在带有商业微训练的皮质网格中。 皮层网格组件包括用于硬脑膜穿透G的导管，所得纤维中电极的阻抗光谱表明，电极在10 2至10 5 Hz上具有特征性的1/F阻抗曲线。 插图显示600-1600 Hz之间的阻抗。 阻抗为1000 kHz = 223。 9±36。 7±22。5 µm）。我们使用了7个纤维长度。0±0。3 cm，但从0-2 m开始的长度是可行的。d，纤维的横截面，被嵌入环氧树脂包围。纤维的外径用虚线的白线表示。e，纤维尖端的侧视图。f，将设备组装在带有商业微训练的皮质网格中。皮层网格组件包括用于硬脑膜穿透G的导管，所得纤维中电极的阻抗光谱表明，电极在10 2至10 5 Hz上具有特征性的1/F阻抗曲线。插图显示600-1600 Hz之间的阻抗。阻抗为1000 kHz = 223。9±36。7±22。分别以蓝色和黄色显示了高压灭菌前后的平均阻抗±标准误差。在高压灭菌和206之前6kΩ。9kΩh，探针微流体的流体特性的表征表明，探针能够以10-100 nl/min的速度准确注射。每个点显示了测得的输注率和95％的置信区间；左上角插图显示在50 nl/min时的输注率误差。右下角插图显示了处于稳态状态下的输注曲线 - 数量以接近恒定的速率流动，而设定体积和测量体积之间的平均绝对误差（MAE）为1.77 nl。i，动态材料分析表明，纤维（n = 3）比不锈钢毛细管（ID = 51 µm，OD = 203 µM OD）刚性较硬。
用于神经形态计算的互补金属氧化物半导体和忆阻硬件
数字计算机不断增长的处理能力需求不可能无限期地得到满足，除非计算领域出现范式转变。神经形态计算从大脑的高度并行、低功耗、高速和抗噪声计算能力中汲取灵感，可能带来这样的转变。来自学术界和工业界的许多研究人员一直在研究材料、设备、电路和系统，以实现神经元和突触网络的一些功能，从而开发神经形态计算平台。这些平台采用各种硬件技术设计，包括成熟的互补金属氧化物半导体 (CMOS) 和新兴的忆阻技术，如基于 SiO x 的忆阻器。本文重点介绍了用于神经形态系统的 CMOS、基于 SiO x 的忆阻器和混合 CMOS-忆阻硬件的最新进展。本文提供了各种设备的新成果和已发表成果，这些设备旨在复制神经元、突触和简单脉冲网络的选定功能。结果表明，CMOS 和忆阻设备组装在不同的神经形态学习平台中，以执行简单的认知任务，例如对基于脉冲速率的模式或手写数字进行分类。本文设想，所展示的内容将对非常规计算研究界有用，因为它可以深入了解神经形态硬件技术的进步。
安全仪表系统中的常见原因故障 - 报告
执行摘要 本报告总结了石油和天然气行业安全仪表系统 (SIS) 常见故障 (CCF) 现场研究的结果。此前，核工业等其他行业也采取了类似的举措，但迄今为止，石油和天然气行业收集的有关 CCF 的现场数据非常有限。CCF 包括导致多个组件故障的事件，在有限的时间间隔内影响一个或多个 SIS。在运营审查期间使用了以下 CCF 定义：同一组件组中由于同一根本原因在指定时间内发生故障的组件/项目。本研究的目的是更深入地了解 CCF 发生的原因和频率。提高对 CCF 的了解对于运营公司以及系统设计人员和集成商来说都很重要，这样才能满足石油和天然气行业 SIS 的高可靠性要求以及挪威石油安全局规定的“足够独立”的要求。项目团队已审查了大约 12,000 份通知，涉及六个不同的安装。根据故障描述和与操作人员的讨论，每个故障都被分为独立故障和从属故障，以确定所有组件故障中由共同原因导致的故障的比例。这项研究的一个重要基础是 beta 因子模型。这是一个广泛使用的 CCF 可靠性模型，引入了希腊字母 β 作为模型参数。在这个模型中，组件 (λ) 的故障率由于共同原因被分为独立部分 (1-β)λ 和从属部分 (βλ)。贝塔系数 (β) 定义为导致共同原因故障的组件故障的比例。研究的主要成果包括： • SIS 主要设备组的通用贝塔系数值 • 用于评估可能的 CCF 原因和防御措施的 CCF 检查表。检查表可用于确定 SIS 的安装特定贝塔系数值。通用贝塔系数值 CCF 事件的数量和新建议的通用贝塔系数值总结如下，适用于 SIS 的主要设备组。“总人口”是所有六个安装中的组件标签数量，N DU 是未自动检测到的危险故障总数，但通常在功能测试或实际需求（DU 故障）期间显示，N DU , CCF 是受 CCF 事件影响的 DU 故障总数。记录的 CCF 事件在各个装置之间差异很大。在某些装置中，某些组件组未观察到 CCF 事件，而在其他装置中观察到过多的 CCF 比例。研究结果表明，运行期间经历的 CCF 比例高于可靠性计算中通常假设的比例。这是一个重要的结果，因为它表明先前对冗余 SIS 的可靠性预测可能过于乐观，并且组件之间的独立性可能低于传统假设。因此，结果应鼓励石油行业在设计和运行过程中更加努力地分析和避免 CCF。定期进行操作审查（参考第 4.1 节），特别关注系统故障和 CCF，可能是在运行期间跟踪此类故障的一种实用方法。
用于神经形态计算的互补金属氧化物半导体和忆阻硬件
除非计算领域出现范式转变，否则数字计算机不断增长的处理能力需求不可能无限期地得到满足。神经形态计算从大脑的高度并行、低功耗、高速和抗噪声计算能力中汲取灵感，可能带来这样的转变。来自学术界和工业界的许多研究人员一直在研究材料、设备、电路和系统，以实现神经元和突触网络的一些功能，从而开发神经形态计算平台。这些平台采用各种硬件技术设计，包括成熟的互补金属氧化物半导体 (CMOS) 和新兴的忆阻技术，如基于 SiO x 的忆阻器。本文重点介绍了用于神经形态系统的 CMOS、基于 SiO x 的忆阻器和混合 CMOS-忆阻硬件的最新进展。本文提供了各种设备的新成果和已发表成果，这些设备是为了复制神经元、突触和简单脉冲网络的选定功能而开发的。结果表明，CMOS 和忆阻设备组装在不同的神经形态学习平台中，以执行简单的认知任务，例如对基于脉冲速率的模式或手写数字进行分类。本文设想，所展示的内容将对非常规计算研究界有用，因为它可以深入了解神经形态硬件技术的进步。