XiaoMi-AI文件搜索系统
World File Search System设计空间
FireLink：一种面向Chiplet 设计空间探索的评估框架
设计体系结构说明类DesignConfig（new Constellation（Nocparams（topology =（），ChannelParamgen =（），RoutingRelation =（））…）++ new Rockettile（）++ new L2Banks（）
从流量引导的纳米级定位的设计空间探索
纳米式设备为人类血液中的流动引导定位提供了引物。这种本地化允许将感知事件的位置分配给事件本身，从而沿着早期和精确的诊断方面提供益处，并降低了成本和侵入性。流引导的定位仍处于基本阶段，只有少数针对问题的作品。尽管如此，对解决方案的性能评估已经是以一种非标准化的方式进行的，通常是按单个性能指标进行的，并且忽略了在这样的规模（例如Nanodevices的Lim-Is-Ised Energy）中相关的各个方面，并且对于这种挑战性的环境（例如，在B-Body Thz peragation In-Body Thz Propagation中极端衰减）。因此，这些评估的现实主义水平较低，不能客观地进行比较。为了解决这个问题，我们说明了情景的环境和规模相关的特点，并评估了沿一系列异构性能指标（例如本地化的准确性和可靠性）沿着一组异构性能指标的两种最先进的流动定位方法的性能。
开发在航空航天应用程序中连接的不同材料的设计空间
摘要本研究论文介绍了集成过程和产品设计（IPPD）方法的应用，以选择在早期产品设计阶段连接的最佳关节配置。所提出的方法将多标准决策（MCDM）方法与质量功能部署（QFD）集成在一起，以确定关节选择的关键标准，包括携带负载能力，规模，每个关节成本，易于制造，制造业，时间消耗和变形。考虑三种不同的材料配置，考虑了三种类型的接头（铆钉，焊缝和粘合剂）和两个混合接头（粘合焊接和粘合剂 - 杆子）：碳纤维炉造型的塑料（CFRP）铝，CFRP钢和铝钢。QFD用于将工作需求转换为设计标准，在第二阶段，采用与理想解决方案相似的订单偏好技术（TOPSIS）用于选择基于上一阶段获得的加权标准的最佳关节配置。然后通过实验研究来验证选定的关节构型。发现的发现，使用QFD-TOPSIS技术的提出的IPPD方法对于在早期设计阶段选择具有不同材料的机械接头具有高度有效的作用。该研究得出结论，粘合铆钉杂交关节是所有替代方案之间的最佳解决方案。提出的方法最终可以提高产品可靠性和性能，并减少开发时间和成本。
智能交互式写作助手的设计空间
在我们这个技术飞速发展的时代，写作助手的研究领域在各个研究社区中变得越来越分散。我们试图通过提出一个设计空间来应对这一挑战，作为一种结构化的方式来检查和探索智能和交互式写作助手的多维空间。通过大型社区合作，我们探索了写作助手的五个方面：任务、用户、技术、交互和生态系统。在每个方面，我们通过系统地重新审查 115 篇论文来定义维度（即一个方面的基本组成部分）和代码（即每个维度的潜在选项）。我们的设计空间旨在为研究人员和设计师提供一个实用的工具来导航、理解和比较写作助手的各种可能性，并帮助他们设想和设计新的写作助手。
RapidChiplet：用于快速探索 Chiplet 架构设计空间的工具链
提高处理器和加速器的性能成本比以往更具挑战性，这导致摩尔定律的减速 [22]。减速的原因在于过渡到更先进的技术节点时设计和制造成本呈指数级增长 [19]，同时由于 I/O 驱动器、模拟电路以及最近的静态随机存取存储器 (SRAM) 的扩展限制，这种过渡的收益不断递减。2.5D 集成是解决这些挑战的一个有前途的解决方案，其中将多个称为小芯片的硅片集成到同一封装中。单个小芯片设计可用于多种产品，这降低了每个芯片的设计成本。此外，由于 2.5D 集成允许将采用不同技术构建的异构小芯片集成到同一封装中，因此只有能够充分利用技术扩展的组件才会采用先进且昂贵的技术节点制造。已经达到扩展极限的组件则采用成熟的低成本技术制造。由于其经济效益，2.5D 集成已应用于行业领先公司的产品中，例如 NVIDIA 的 P100 GPU [ 17 ]（仅适用于高带宽内存 (HBM)）和 AMD 的 EPYC 和 Ryzen CPU [23]。2.5D 堆叠芯片的设计空间巨大。人们可以在不同的封装选项[18、21、27、29]、芯片数量和尺寸[9]、芯片放置位置[13]、芯片到芯片 (D2D) 链路实现[7、24]和协议[1、3]、芯片间互连 (ICI) 拓扑[4、14、16、25、26]以及其他许多因素之间进行选择。此外，还有许多不同的相关指标，例如芯片的面积要求、功耗、热性能和制造成本，或 ICI 的延迟和吞吐量。
RapidChiplet：用于快速设计空间探索chiplet体系结构的工具链
提高处理器和加速器的每成本绩效比以往任何时候都变得更具挑战性，导致摩尔定律的减慢[22]。这种慢速下降的原因是过渡到更先进的技术节点[19]时的设计和制造成本，以及由于IO驱动器，模拟电路的缩放限制以及最近的静态随机访问记忆（SRAM）而导致此过渡的重新转换。针对这些挑战的有前途的解决方案是2.5D集成，其中多个称为chiplets的硅死模被整合到同一软件包中。可以将单个芯片设计重复使用以降低每芯片的设计成本的事实。此外，由于2.5D集成允许将不同技术内置的异质芯片集成到同一包装中，因此只有可以充分利用技术扩展的组件才能以高级和昂贵的技术节点制造。达到缩放限制的组件是成熟的低成本技术制造的。由于其经济利益，2.5D整合将其进入行业领先的公司的产品，例如NVIDIA的P100 GPU [17]（仅用于高频带宽度内存（HBM））和AMD的EPYC和Ryzen CPU [23]。2.5D堆叠芯片的设计空间很大。One can decide between different packaging options [ 18 , 21 , 27 , 29 ], chiplet counts and sizes [ 9 ], chiplet placements [ 13 ], die-to-die (D2D) link imple- mentations [ 7 , 24 ] and protocols [ 1 , 3 ], inter-chiplet interconnect (ICI) topologies [ 4 , 14 , 16 , 25 , 26 ], and many more factors.更重要的是，有许多感兴趣的指标，例如面积要求，功耗，热能性能以及芯片的制造成本，或ICI的潜伏期和吞吐量。
使用电路合成探索量子设计空间
NISQ和FT的量子“汇编”基础架构：•跨门集（NISQ和FT）的便携式，QPU架构•支持更高的维度抽象（多Qubit Gates，Qutrits等）•在多个参数化和具体编码中操纵电路•提供错误缓解
带有 GNN 的电路图，用于探索最佳设计空间
模拟电路的设计自动化在设计空间大、电路规范之间复杂的相互依赖关系以及资源密集型模拟方面提出了重大挑战。为了应对这些挑战，本文提出了一个创新框架，称为电路图探索器 (GCX)。利用图结构学习和图神经网络，GCX 能够创建一个代理模型，该模型有助于在半监督学习框架内有效探索最佳设计空间，从而减少对大型标记数据集的需求。所提出的方法包括三个关键阶段。首先，我们学习电路的几何表示并用技术信息丰富它以创建一个综合特征向量。随后，将基于特征的图学习与少样本和零样本学习相结合，增强了对未见电路预测的普遍性。最后，我们介绍了两种算法，即 EASCO 和 ASTROG，它们与 GCX 集成后可优化可用样本以产生符合设计者标准的最佳电路配置。通过使用 180 nm CMOS 技术中导出的参数对各种电路进行模拟性能评估，证明了所提方法的有效性。此外，该方法的通用性扩展到高阶拓扑和不同的技术节点，例如 65 nm 和 45 nm CMOS 工艺节点。
回顾：Aladdin：一款预 RTL、高性能加速器模拟器，支持定制架构的大型设计空间探索
Aladdin [1] 是一个预 RTL 功耗/性能模拟器，旨在实现以加速器为中心的系统的快速设计空间搜索。该框架将算法的高级语言描述作为输入（C 或 C++），并使用动态数据依赖图 (DDDG) 作为加速器的表示，而无需生成 RTL。从无约束程序 DDDG（对应于加速器硬件的初始表示）开始，Aladdin 对图形应用优化和约束，以创建加速器活动的真实模型。我们针对一系列应用，通过手写 Verilog 和商用高级综合 (HLS) 工具对加速器的 RTL 实现验证了 Aladdin。我们的结果表明，与传统 RTL 流程生成的加速器设计相比，Aladdin 可以高精度地模拟功耗、性能和面积，误差在 10% 以内，同时以更少的设计工作量和时间提供这些估算。 Aladdin 可以捕捉加速器设计的权衡，从而为异构系统（包括加速器、通用核心和共享内存层次结构，例如在移动 SoC 中看到的）提供新的架构研究方向。特别是，Aladdin 允许用户在异构环境中探索加速器的定制和共享内存层次结构。例如，在使用 GEMM 基准的案例研究中，Aladdin 通过评估整个系统的更广泛设计空间发现了重要的高级设计权衡。我们设想 Aladdin 既可以用作加速器模拟器，也可以用作未来多加速器系统的设计空间探索工具。
绘制人机文本共同创作任务中交互的设计空间
大型语言模型 (LLM)，例如生成式预训练 Transformer 3 (GPT-3) [ 3 ]，因其生成文本内容的能力而引起了研究人员和从业人员的极大关注。ChatGPT 1 的迅速成功——推出仅两个月后月活跃用户就达到 1 亿，创下了历史上增长最快的消费者应用记录 2——不仅凸显了生成式 AI 在生成精确和个性化文本内容方面的潜力和能力，而且凸显了界面和交互在与 AI 通信中的关键作用。由于 ChatGPT 是针对对话任务进行了微调的 GPT-3 变体，因此技术基础保持相似；相反，主要区别似乎是人机交互范式的转变，