XiaoMi-AI文件搜索系统
World File Search System超维
![[氢/超导复合物]](/simg/d\d721527447241a666e5c6564df2d7a0bb0f9a7fd.webp)
对超...
自闭症谱系障碍（以下称为自闭症）是最常见的神经发育状况之一，影响了大约1％的世界人群[1]。据估计，超过90％的自闭症个体表现出非典型的感觉反应性[2]。对外部刺激的超反应性或性能不反应的形式的非典型感觉反应性是自闭症中的基本预定。在感觉域中，非典型触觉反应性（TR）是一种常见的预言，早期出现，一直持续到成年，并不利地影响社会互动和日常功能，从而显着有助于整体残疾[3，4]。自闭症护理和临床研究未来的国际委员会将感觉领域确定为可能影响自闭症中护理和结果的最佳临床研究优先事项之一[5]。我们聘请了参加我们专业自闭症诊所的自闭症成年人，并收到了一致的反馈，即这是一个很大的未满足需求的高优先级领域。在行为上，触觉性低反应性和过度反应性都在相同的连续体上，反映了相同的基本生物学过程，在这种生物学过程中，低反应性是应对过度刺激的应对机制[6]。触觉加工的神经生理学研究[4，6]以及自闭症原发性皮质（S1）中兴奋性和抑制性代谢产物的神经图像研究仍然不一致且不确定[7，8]；因此，大脑过程为非典型TR提供了生物逻辑干预措施仍然难以捉摸。融合证据表明自闭症的神经生物学的特征是非典型可塑性。自闭症的丙戊酸动物模型的关键见解是，过度的长期增强（LTP）可塑性或超塑性对行为产生不利影响[9-11]。超塑性[11]。S1是否具有过度塑性的特征，在自闭症人类中可能是非典型TR的基础，这是未知的。使用经颅磁刺激（TMS）[12-15]在人类运动中始终观察到更直接的过塑性证据[16]。我们的小组复制了自闭症成年人运动皮质中超塑性的发现[15]。作为干预的基础，我们还使用重复的经颅杂志刺激（RTMS）方案收集了试点数据，旨在增强抑制机制，从而降低了自闭症成年人的过度塑性性[15]。在我们先前发表的研究[15]中，我们进行了一项随机试验，涉及29名自闭症成年人。将参与者分配（1：1）进行一次活动或假RTM的一次疗程，在20Hz处施加6,000个脉冲，tar-获得运动皮层。结果表明，活性RTM对长期增强（LTP）的效果很大，在RTMS之后的第二天，LTP降低了。这种过度塑性的减小与自闭症的神经元激发/抑制（E/I）模型的改变相一致[17]。根据该模型，自闭症中观察到的超塑性与E/I比的增加有关，促进抑制可能有助于观察到的减少。使用20 Hz RTM的理由主要基于我们小组的先前研究，这表明与早期的惯例相反，仅频率并不能决定RTMS的兴奋性或抑制作用。，“剂量”或刺激的数量
HDTest：受大脑启发的超维计算的差分模糊测试
摘要 — 受脑启发的超维计算 (HDC) 是一种新兴的计算范式，它模仿大脑认知并利用具有完全分布式全息表示和（伪）随机性的超维向量。与深度神经网络 (DNN) 等其他机器学习 (ML) 方法相比，HDC 具有高能效、低延迟和一次性学习等优势，使其成为广泛应用的有前途的替代候选者。然而，HDC 模型的可靠性和稳健性尚未得到探索。在本文中，我们设计、实现和评估 HDTest 以通过在罕见输入下自动暴露意外或不正确的行为来测试 HDC 模型。HDTest 的核心思想基于引导式差分模糊测试。在 HDC 中查询超向量和参考超向量之间的距离的引导下，HDTest 不断变异原始输入以生成可能触发 HDC 模型不正确行为的新输入。与传统的 ML 测试方法相比，HDTest 不需要手动标记原始输入。以手写数字分类为例，我们表明 HDTest 可以生成数千个对抗性输入，这些输入的干扰可以忽略不计，可以成功欺骗 HDC 模型。平均而言，HDTest 在一台商用计算机上运行一分钟内可以生成大约 400 个对抗性输入。最后，通过使用 HDTest 生成的输入重新训练 HDC 模型，我们可以增强 HDC 模型的稳健性。据我们所知，本文首次尝试系统地测试这种新兴的受大脑启发的计算模型。
基于忆阻片上系统的超维计算硬件-算法协同设计
超维计算 (HDC) 采用并行计算范式和高效学习算法，非常适合资源受限的人工智能 (AI) 应用，例如边缘设备。基于忆阻设备的内存计算 (IMC) 系统通过提供节能硬件解决方案对此进行了补充。为了充分利用忆阻 IMC 硬件和 HDC 算法的优势，我们提出了一种硬件算法协同设计方法，用于在忆阻片上系统 (SoC) 上实现 HDC。在硬件方面，我们利用忆阻交叉开关阵列固有的随机性进行编码，并采用模拟 IMC 进行分类。在算法层面，我们开发了硬件感知编码技术，将数据特征映射到超维向量中，从而优化了忆阻 SoC 内的分类过程。硬件实验结果表明语言分类任务的准确率为 90.71%，凸显了我们的方法在边缘设备上实现节能 AI 部署的潜力。
ODHD：用于异常值检测的一类脑启发式超维计算
异常值检测是一项经典且重要的技术，已用于医疗诊断和物联网等不同应用领域。最近，基于机器学习的异常值检测算法，例如一类支持向量机（OCSVM）、隔离森林和自动编码器，在异常值检测方面表现出色。在本文中，我们彻底摆脱这些经典学习方法，提出了一种基于超维计算（HDC）的异常值检测方法 ODHD。在 ODHD 中，异常值检测过程基于 PU 学习结构，其中我们基于正常样本训练一类 HV。此 HV 表示所有正常样本的抽象信息；因此，任何相应 HV 与此 HV 不同的（测试）样本都将被视为异常值。我们使用六个不同应用领域的数据集进行了广泛的评估，并使用三个指标（包括准确率、F1 分数和 ROC-AUC）将 ODHD 与 OCSVM、隔离森林和自动编码器等多种基线方法进行了比较。实验结果表明，对于每个指标，ODHD 在每个数据集上的表现都优于所有基线方法。此外，我们对 ODHD 进行了设计空间探索，以说明性能和效率之间的权衡。本文提出的有希望的结果为传统异常值检测学习算法提供了一种可行的选择和替代方案。
峰值超维网络：与内存启发的框架集成的神经形态模型
最近，从鲁棒性和能量效率方面，受到脑启发的计算模型表现出巨大的潜力，可以超越当今的深度学习解决方案。尤其是，尖峰神经网络（SNN）和高维计算（HDC）在实现了有效和鲁棒的认知学习方面表现出了令人鼓舞的结果。尽管取得了成功，但这两个受大脑启发的模型具有不同的优势。SNN模仿了人脑的物理特性，而HDC则以更抽象和功能水平对大脑进行建模。他们的设计理念展示了激励其组合的互补模式。在记忆的经典心理模型的帮助下，我们提出了SpikeHD，这是第一个从根本上结合尖峰神经网络和超维计算的框架。SpikeHD生成了一个可扩展且强大的认知学习系统，可以更好地模仿大脑功能。SpikeHD通过保留基于原始事件的Spike数据的空间和时间相关性来利用尖峰神经网络提取低级特征。然后，它利用HDC通过将信号映射到高维空间，学习抽象信息并对数据进行分类来通过SNN输出进行操作。我们对一组基准测试问题的广泛评估表明，与SNN架构相比，SpikeHD提供了以下好处：（1）通过利用两阶段信息处理来增强学习能力，（2）使噪声和失败的实质性稳健性和（3）减少网络的大小和需求的参数，从而使学习能力具有重要的功能。
2。高温超导胶带电线的发展现状
[15] Watanabe Tomonori等人：低温工程39，553（2004）。[16] Iimi Akira等人：低温工程42，42（2007）。[17] A.P.Malozemoff和Y. Yamada：超导100年，第11章“第二代HTS Wire”，P689（CRC出版社，2011年）。和Izumi Teruro，Yanagi Nagato：血浆和核融合杂志93，222（2017）。大量的制造方法，包括兔子底物，mod（化学溶液方法）和真空蒸发方法。 [18] http：// www。istec。或。JP/Tape-Wire/Labo-Tape-Wire。html，使用PLD方法和MOD方法（化学溶液方法）的金属棒的高性质。[19] T. Haugan等。，自然430，867（2004）。[20] Y. Yamada等。，应用。物理。Lett。 87，132502（2005）。 [21] H. Tobita等。 ，超级条件。 SCI。 技术。 25，062002（2012）。 [22] Matsumoto Kaname：应用物理77，19（2008）。 [23] Yamada Shigeru：应用物理93，206（2024）。 [24] Y. Yamada，第36届国际超导性国际研讨会（ISS2023），Takina，新西兰惠灵顿，11月28日至30日，2023年。 [25] Miyata Noboru：材料37，361（1988）。 [26] https://www.t.u-tokyo.ac.jp/press/pr2023-06-28-001 [27] A. Stangl等。 ，科学。 Rep。11，8176（2021）。 [28] R. Hiwatari等。 ，血浆融合res。 14，1305047（2019）。 [29]在美国休斯顿大学申请2023年国际申请指挥的布兰登·索博姆（Brandon Sorbom）（2023年）。 [30] D. uglietti，超越。 SCI。 技术。 32，053001（2019）。Lett。87，132502（2005）。[21] H. Tobita等。，超级条件。SCI。 技术。 25，062002（2012）。 [22] Matsumoto Kaname：应用物理77，19（2008）。 [23] Yamada Shigeru：应用物理93，206（2024）。 [24] Y. Yamada，第36届国际超导性国际研讨会（ISS2023），Takina，新西兰惠灵顿，11月28日至30日，2023年。 [25] Miyata Noboru：材料37，361（1988）。 [26] https://www.t.u-tokyo.ac.jp/press/pr2023-06-28-001 [27] A. Stangl等。 ，科学。 Rep。11，8176（2021）。 [28] R. Hiwatari等。 ，血浆融合res。 14，1305047（2019）。 [29]在美国休斯顿大学申请2023年国际申请指挥的布兰登·索博姆（Brandon Sorbom）（2023年）。 [30] D. uglietti，超越。 SCI。 技术。 32，053001（2019）。SCI。技术。25，062002（2012）。[22] Matsumoto Kaname：应用物理77，19（2008）。[23] Yamada Shigeru：应用物理93，206（2024）。[24] Y. Yamada，第36届国际超导性国际研讨会（ISS2023），Takina，新西兰惠灵顿，11月28日至30日，2023年。[25] Miyata Noboru：材料37，361（1988）。[26] https://www.t.u-tokyo.ac.jp/press/pr2023-06-28-001 [27] A. Stangl等。，科学。Rep。11，8176（2021）。 [28] R. Hiwatari等。 ，血浆融合res。 14，1305047（2019）。 [29]在美国休斯顿大学申请2023年国际申请指挥的布兰登·索博姆（Brandon Sorbom）（2023年）。 [30] D. uglietti，超越。 SCI。 技术。 32，053001（2019）。Rep。11，8176（2021）。[28] R. Hiwatari等。，血浆融合res。14，1305047（2019）。[29]在美国休斯顿大学申请2023年国际申请指挥的布兰登·索博姆（Brandon Sorbom）（2023年）。[30] D. uglietti，超越。SCI。 技术。 32，053001（2019）。SCI。技术。32，053001（2019）。
Adversarial-HD：面向安全工业物联网的超维计算对抗攻击设计
工业物联网 (IIoT) 是传感器、网络设备和设备协作收集工业操作数据。由于互联互通和计算能力有限，IIoT 系统存在许多安全漏洞。基于机器学习的入侵检测系统 (IDS) 是一种可能的安全方法，它可以持续监控网络数据并以自动方式检测网络攻击。超维 (HD) 计算是一种受大脑启发的 ML 方法，它足够准确，同时非常稳健、快速且节能。基于这些特性，HD 可以成为 IIoT 系统的一种基于 ML 的 IDS 解决方案。然而，它的预测性能会受到输入数据中微小扰动的影响。为了充分评估 HD 的漏洞，我们提出了一种有效的面向 HD 的对抗性攻击设计。我们首先选择最多样化的攻击集以最小化开销，并消除对抗性冗余。然后，我们执行实时攻击选择，找出最有效的攻击。我们在真实的 IIoT 入侵数据集上进行的实验证明了我们攻击设计的有效性。与最有效的单一攻击相比，我们的设计策略可以将攻击成功率提高高达 36%，𝐹 1 分数提高高达 61%。