本文所包含的信息基于Repsol Quimica的当前知识和经验,并且仅凭指导才能真诚地呈现。尽管在包含本文包含的信息时宣布Quimica最勤奋,但考虑到几个和不同的因素可能影响产品的处理,应用或使用,但转换器应在每种情况下都应对产品进行转换以及最终使用的情况。Repsol Quimica警告说,此信息可能会经历差异或改进;因此,Repsol Quimica没有义务在本文档中反映它们,也没有将它们传达给可以访问它的任何人。此外,这些读者应该意识到,某些产品可能受到知识产权的保护。©Repsol Quimica,S.A。2024。保留所有权利。
摘要。朦胧的图像带来了一个具有挑战性的问题,由于信息丢失和颜色失真而遭受。当前的基于深度学习的去悬式方法通过增加网络深度来增强性能,但会导致大量参数开销。同时,标准卷积层集中在低频细节上,通常会说出高频信息,这阻碍了模糊图像中提出的先前信息的有效利用。在本文中,我们提出了TCL-NET,这是一个轻巧的飞行网络,该网络强调了频域特征。我们的网络首先包含一个用于提取高频和低频内形式的所谓层,该层是针对原始模糊图像的快速变压器专门设计的。同时,我们设计了一个频率域信息融合模块,该模块将高频和低频信息与后续卷积层的卷积网络作品集成在一起。此外,为了更好地利用原始图像的空间信息,我们引入了一个多角度注意模块。使用上述设计,我们的网络以仅0.48MB的总参数大小实现了出色的性能,与其他最先进的轻量级网络相比,参数的数量级降低了。
摘要本章重点介绍了ASCON加密算法,该算法是一种轻巧的加密协议,专门设计用于适合具有限制资源的环境,例如物联网设备和嵌入式系统。该分析是在Ascon-128,Ascon-128a和Ascon-80PQ变体上进行的,突出了它们对不同安全和运营必需品的适当性。在各种数据尺寸(1KB,10KB,100KB和1000KB)上测量了诸如加密和解密时间,记忆消耗和吞吐量之类的主要性能指标。通过此分析,很明显,无论数据大小如何,Ascon在加密和解密中都非常稳定,有效地表现,因此,在一致的处理时间是一个重要考虑因素的系统中,可以轻松地依靠它。研究还发现,解密过程中的记忆使用量始终高于加密过程中的记忆使用情况。对于记忆敏感的应用,需要考虑此因素。至于吞吐量,该算法在解密较小的文件和较大文件的加密方面表现出了更好的结果。得出结论,Ascon算法轻巧且非常有效,这使其成为受约束环境的合适选择。关键字:时代,密码学,算法。
hal是一个多学科的开放访问档案,用于存款和传播科学研究文件,无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构,也可能来自公共或私人研究中心。
汽车行业正在朝向可持续和高性能材料的范式转变,这是由于需要提高燃油效率,降低碳排放和增强的车辆耐用性而驱动的。先进的材料创新,包括轻型合金,高强度复合材料和基于生物的聚合物,正在改变汽车设计和制造。由人工智能(AI)和机器学习(ML)提供支持的数据驱动材料科学的整合正在加速材料发现,性能优化和生命周期评估。本研究探讨了可持续材料在汽车制造中的作用,重点是它们对轻巧,结构完整性和可回收性的影响。关键重点是用于材料选择的AI增强预测分析,从而实现了机械性能,耐腐蚀性和热稳定性的实时优化。此外,数字双胞胎模型在各种操作条件下促进了对物质行为的深入模拟,从而确保了长期的性能和安全性。采用智能制造技术,例如增材制造和高级涂料,进一步提高了材料效率和可持续性。此外,这项研究强调了循环经济原则在材料生命周期管理中的重要性,解决了可回收性,再制造和减少废物的策略。创新材料的案例研究,包括碳纤维增强的聚合物,铝 - 含量合金和石墨烯增强复合材料,在减轻体重和耐用性方面表现出显着的进步。通过利用数据驱动的见解,AI驱动的材料信息学和生命周期优化策略,汽车行业可以实现更大的可持续性而不会损害绩效。本研究对不断发展的材料格局进行了全面分析,为未来趋势,挑战以及计算建模在下一代汽车制造中的作用提供了见解。
通常,交通流量模拟器分为两个主要类别:显微镜和宏观。前者专注于详细的单个车辆行为,而后者则侧重于大规模(例如城市规模)交通的集体行为。介观交通模拟器有时分为宏观的交通模拟器是两者的混合物。尽管他们在某种程度上描述了个人车辆行为,但其主要目的是模拟大规模流量的集体行为。中镜模拟器对于建模大规模的交通管理和操作特别有用,例如拥塞定价,乘车共享和自动化的车队管理,这些天数越来越突出。几个显微镜交通模拟器被发表为开源软件,例如Sumo(Lopez等,2018)。据作者所知,介质和宏观模拟器的可用性是有限的。
摘要 - 我们介绍了Point-LN,这是一种针对有效的3D点云分类设计的新型轻量级框架。点-LN整合了必需的非参数组件 - 最远的点采样(FPS),K-Nearest邻居(K-NN)和非可学习的位置编码 - 具有流线的可学习分类器,可以显着增强分类准确性,同时维持最小参数脚部。这种混合架构可确保较低的计算成本和快速推理速度,从而使Point-LN非常适合实时和资源受限的应用程序。在包括ModelNet40和ScanObjectnn在内的基准数据集的全面评估表明,与最先进的方法相比,Point-LN在提供出色的效率的同时,达到了竞争性能。这些结果将点ln建立为一种可靠的可扩展解决方案,用于各种点云分类任务,突出了其在各种计算机视觉应用中广泛采用的潜力。有关更多详细信息,请参见以下代码:https://github.com/asalarpour/point_ln。索引术语 - 3D点云分类,轻量级框架,非参数位置编码,机器学习,计算机视觉
摘要。资源受限的设备,例如无线传感器和物联网(IoT)设备在我们的数字生态系统中已变得无处不在。这些设备生成并处理我们数字数据的主要部分。但是,由于我们现有的公钥加密方案的量子计算机即将发生威胁以及在物联网设备上可用的有限资源,因此设计适合这些设备的轻量级量化后加密(PQC)方案非常重要。在这项工作中,我们使用基于错误的PQC方案探索了学习的设计空间,以设计适用于资源约束设备的轻巧键合并机制(KEM)。我们对不同的设计元素进行了严格且广泛的分析和评估,例如多项式大小,场模结构,还原算法以及基于LWE的KEM的秘密和错误分布。我们的探索导致了轻巧的PQC-KEM Rudraksh的提议,而没有损害安全性。我们的方案提供了针对所选密文攻击(CCA)的安全性,该攻击(CCA)具有100个以上的核心SVP后量子后安全性,属于NIST级I安全类别(至少提供AES-128的安全性)。我们还展示了如何将Ascon用于基于晶格的KEM中的轻质伪随机数生成和哈希功能,而不是广泛使用的keccak用于轻量级设计。我们的FPGA结果表明,Rudraksh目前需要类似安全性的PQC KEM之间的最小面积。与最先进的面积优化的Kyber实施相比,我们的Rudraksh实施对面积的需求提高了3倍,可以在高thoughtup Kyber的频率上以63%-76%的频率运行,并且与Time-Araea-AraeApoptuct-time-Araeapoptuct-time-aftrapuctiage 〜2×2×compact compact的实施相比,
spinal cord injury Josep M. Font-Llagunes 1 Biomechanical Engineering Lab, Department of Mechanical Engineering and Research Centre for Biomedical Engineering, Universitat Politècnica de Catalunya, Diagonal 647, 08028 Barcelona, Spain josep.m.font@upc.edu Urbano Lugrís Laboratory of Mechanical Engineering, University of La Coruña, MendizábalS/N,15403 FERROL,西班牙ulugris@udc.es daniel Clos Clos Biomegaronical Engineering Lab,机械工程与生物医学工程研究中心,Catalunya Universitatate politiatiatial.clos.clos.clos and Spain andiality formitial.clos.clos.clos and spo.clos和Extremadura大学工程,AVDA。de elvas s/n,06006 Badajoz,西班牙fjas@unex.es javier cuadrado实验室,机械工程实验室,LaCoruña大学,Mendizábals/n,15403 Ferrol,西班牙javier.cuadrado.cuadrado@udc.es@udc.es@udc.es@udc.es