XiaoMi-AI文件搜索系统
World File Search System轻量级
基于忆阻器的轻量级、高鲁棒性的混合神经网络
基于忆阻器的神经形态计算在高速、高吞吐量信号处理应用（如脑电图 (EEG) 信号处理）中显示出巨大潜力。尽管如此，单晶体管单电阻 (1T1R) 忆阻器阵列的大小受到器件非理想性的限制，这阻碍了大型复杂网络的硬件实现。在本文中，我们提出了深度可分离卷积和双向门循环单元 (DSC-BiGRU) 网络，这是一种基于 1T1R 阵列的轻量级且高度稳健的混合神经网络，通过混合 DSC 和 BiGRU 块，能够在时间、频率和空间域中有效处理 EEG 信号。在确保网络分类准确性的同时，网络规模减小了，网络稳健性提高了。在模拟中，通过统计分析将测得的 1T1R 阵列的非理想性带入网络中。与传统卷积网络相比，在阵列成品率95%、容错率5%的条件下，网络参数减少了95%，网络分类准确率提高了21%。该工作表明，基于忆阻器阵列的轻量级、高鲁棒网络对于依赖低消耗和高效率的应用具有巨大的前景。
通过轻量级端到端技术实现高效的脑肿瘤检测...
摘要：在医学成像领域，深度学习取得了长足进步，尤其是在脑肿瘤诊断方面。医疗物联网 (IoMT) 使得将这些深度学习模型结合到先进的医疗设备中成为可能，以实现更准确、更高效的诊断。卷积神经网络 (CNN) 是一种流行的脑肿瘤检测深度学习技术，因为它们可以在大量医学成像数据集上进行训练，以识别新图像中的癌症。尽管深度学习具有更高的准确性和效率等优点，但它也存在一些缺点，例如计算成本高以及由于训练数据不足而导致结果出现偏差的可能性。需要进一步研究以充分了解深度学习在 IoMT 脑肿瘤检测中的潜力和局限性，并克服与实际实施相关的障碍。在这项研究中，我们提出了一种新的基于 CNN 的脑肿瘤检测深度学习模型。建议的模型是一个端到端模型，与早期的深度学习模型相比，它降低了系统的复杂性。此外，我们的模型很轻量，因为与其他以前的模型相比，它由较少的层构成，这使得该模型适合实时应用。准确率快速提高（二分类准确率为 99.48%，多分类准确率为 96.86%）的乐观结果表明，新的框架模型在比赛中表现出色。这项研究表明，所提出的深度模型在检测脑肿瘤方面优于其他 CNN。此外，该研究还提供了一个用于安全传输医学实验室结果的框架，并提出了安全建议，以确保 IoMT 的安全。
轻量级分组密码的量子搜索：GIFT、SKINNY......
N ）在给定足够数量的明文-密文对的情况下搜索大小为 N 的密钥空间。Jaques 等人 (EUROCRYPT 2020) 的最新成果展示了在 NIST 的 PQC 标准化过程中定义的不同安全类别下针对 AES 的量子密钥搜索攻击的成本估算。在这项工作中，我们将他们的方法扩展到轻量级分组密码，以估算在电路深度限制下量子密钥搜索攻击的成本。我们给出了轻量级分组密码 GIFT、SKINNY 和 SATURNIN 的量子电路。在 NIST 的最大深度约束下，我们给出了门数和深度乘以宽度成本指标的总体成本。我们还为所有版本的 GIFT、SKINNY 和 SATURNIN 提供了完整的 Grover 预言机的 Q# 实现，用于单元测试和自动资源估算。
轻量级显着对象检测的比例自适应网络
显着对象检测（SOD）广泛用于运输中，例如道路损坏检测，辅助驾驶等。但是，由于其大量计算和参数，重量级草皮方法很难在计算能力低的情况下应用。大多数轻型SOD方法的检测准确性很难满足应用程序要求。我们提出了一个新颖的轻质尺度自适应网络，以实现轻质限制和检测性能之间的权衡。我们首先提出了比例自适应特征提取（安全）模块，该模块主要由两个部分组成：多尺度特征交互，可以提取不同尺度的特征并增强网络的表示能力；和动态选择，可以根据输入图像根据其贡献自适应地分配不同的权重。然后，基于安全模块，设计了一个轻巧和自适应的骨干网络，并结合了多尺度特征聚合（MFA）模块，将规模自适应网络与比例自适应网络相结合。我们在六个公共数据集上对模型进行定量和定性评估，并将其与典型的重量级和轻量级方法进行比较。只有2.29 M参数，它可以在GTX 3090 GPU上实现62 fps的预测速度，远远超过其他型号，并且可以保证实时性能。模型性能达到了一般重量级方法的性能，并超过了最先进的轻量级方法。
Q-ID：通过指纹识别实现轻量级量子网络服务器识别
摘要 — 量子网络由相互连接的量子服务器组成，这些服务器能够进行通信和协作以完成计算任务。该网络中的量子服务器必须相互识别和验证。例如，当量子服务器打算在另一台机器上执行计算任务时，量子服务器必须验证其他量子服务器的真实性，以保持对委托计算的信心。虽然已经提出了几种对这些量子计算机进行指纹识别的方法，但许多方法都需要大量资源，目前并不实用。为了解决这个问题，我们引入了 Q-ID，这是一种轻量级的指纹识别方法，可以准确识别量子计算需求可忽略不计的量子服务器。Q-ID 通过在两个不同的噪声级别上运行用户的任务电路来运行，并使用由此产生的性能差距作为量子服务器的唯一标识符。此外，我们还开发了一种误差演化算法，允许用户在本地估计这种性能差距。通过将估计的差距与实际差距进行比较，用户可以有效地识别或区分网络中的量子服务器。我们在 IBM 量子平台上的实验展示了我们方法的有效性和优势。索引术语 — 量子指纹识别、量子网络、量子计算、误差演化
NIST 轻量级密码最终候选者的随机性测试
2018 年 8 月，NIST 启动了一项流程，以征集、评估和标准化轻量级加密算法，这些算法适用于当前 NIST 加密标准性能不可接受的受限环境。要求加密算法提供经过认证的加密和关联数据 (AEAD) 功能，以及可选的哈希功能。从那时起，密码社区就为最初 57 份提交的密码分析和不同平台（包括软件和硬件）的基准测试做出了贡献。10 个入围者于 2021 年 3 月 29 日选出，分别是：ASCON、Elephant、GIFT-COFB、Grain128-AEAD、ISAP、Photon-Beetle、Romulus、Sparkle、TinyJambu 和 Xoodyak。在本报告中，我们展示了对不同数据集执行的 NIST 统计测试的结果，这些数据集是从 NIST 轻量级标准化流程的入围者的所有可能的缩减轮次版本的输出生成的。实验的目的是提供另一个指标来比较每个候选者的轮数选择是保守还是激进。请注意，在 1999 年和 2000 年的高级加密标准选择期间以及 2011 年的 SHA-3 候选者中也进行了类似的分析。
利用轻量级预训练模型进行脑肿瘤检测
摘要。本研究分析了两种用于脑肿瘤检测的深度学习模型：轻量级预训练的 MobileNetV2 和将轻量级 MobileNetV2 与 VGG16 相结合的新型混合模型。目的是研究这些模型在准确性和训练时间方面的性能和效率。新的混合模型整合了两种架构的优势，利用了 MobileNetV2 的深度可分离卷积和 VGG16 的更深层特征提取功能。通过使用公开的基准脑肿瘤数据集进行实验和评估，结果表明，与独立的 MobileNetV2 模型相比，混合模型的训练准确率和测试准确率分别达到 99% 和 98%，即使在较低的 epoch 中也是如此。这种新型融合模型为增强脑肿瘤检测系统提供了一种有前途的方法，在减少训练时间和计算资源的情况下提高了准确性。
MAMBO：用于多尺度材料和应用的轻量级本体
摘要：计算和实验工具的进步最近导致了新型先进功能材料开发的重大进展，与此同时，材料数据和信息总量也迅速增长。然而，要有效发挥先进数据密集型方法的潜力，需要在材料研究和开发背景下系统而有效地组织知识。语义技术可以支持知识的结构化和形式化组织，为数据的集成和互操作性提供平台。在本文中，我们介绍了材料和分子基础本体 (MAMBO)，旨在组织分子材料和相关系统（纳米材料、超分子系统、分子聚集体等）计算和实验工作流领域的知识。MAMBO 结合了相邻领域材料科学本体的最新努力，旨在填补当前最先进的材料开发和设计知识建模方法的空白，针对分子尺度和更高尺度领域的交叉领域。 MAMBO 专注于操作流程、轻量级和模块化，能够扩展到更广泛的知识领域，并集成与计算和实验工具相关的方法和工作流程。MAMBO 有望推动数据驱动技术在分子材料中的应用，包括用于材料设计和发现的预测机器学习框架和自动化平台。
多任务现实世界图像恢复的轻量级扩散
扩散模型的出现代表了生成建模，表现出非凡的能力，可以从文本输入中产生高保真图像。与此同时，图像恢复（IR），包括超分辨率，脱毛，去核，涂料和压缩，仍然是低级视力研究中的重要领域。最近，将扩散模型集成到IR任务中的趋势越来越大，产生的结果超过了以前的方法。尽管如此，扩散模型在IR中的应用提出了自己的一系列挑战，包括模型设计中的复杂性以及有关操作效率的关注点。该项目从Wang等人的“实用扩散的先验扩散”（StablesR）中汲取了灵感。[2023]，它巧妙地采用了预训练的文本对图像扩散模型的生成能力来增强盲目的超级分辨率（SR）任务。Stables的框架如图1所示。这项研究展示了与未修饰的稳定扩散Rombach等人进行微调的时间感知编码器。[2022]模型，可导致重大的恢复改进，同时保持原始的生成框架并减少培训费用。在这个项目中，我们旨在扩大跨各种IR任务中Stables的应用，并调查更轻巧的解决方案的潜力。