XiaoMi-AI文件搜索系统
World File Search System量级
通过 220–330 GHz 频率范围内的旋转吸收光谱法检测卤代烃气体
摘要 使用紧凑而坚固的宽带微电子 THz 波谱仪在 220-330 GHz 频率范围内进行旋转吸收光谱法，演示了对卤代烃的气体传感。在工业环境中，对卤代烃进行监测是必要的，因为这些化学物质具有毒性、挥发性和反应性，对人类健康和环境构成威胁。在 297 K 和 0.25 至 16 Torr 压力下表征了纯氯甲烷、二氯甲烷、氯仿、碘甲烷和二溴甲烷的吸收光谱。光谱显示了目标卤代烃在 220-330 GHz 频率范围内独特的旋转指纹，并展示了它们在气体传感应用中选择性定量检测的潜力，纯气体的最小检测量为 10 12 –10 13 分子/cm 3 量级，稀释气体的最小检测量为 10-100 ppm 量级，1 个大气压，1 米光程。该研究进一步证明了全电子微型太赫兹波气体传感器的潜力。
野外数据同化火灾 - arXiv
野火是一个复杂的多尺度过程，受与其他地球过程的非线性尺度相关相互作用的影响。导致火灾的物理过程发生在很宽的尺度范围内。虽然天气过程的特征尺度范围超过 5 个数量级，从大型天气系统的百公里尺度到小尺度效应和涡流的米尺度，但与燃料热分解和燃烧相关的化学反应发生在厘米或更小的尺度上，产生的火焰长度高达 60 米。火线以平均速度传播，速度约为几分之一米/秒，同时产生的火焰以 50 米/秒的速度传播，化学反应发生在数秒或更短的量级。火灾产生的风和浮力属于极端大气现象。天气是影响火灾行为的主要外部因素，火灾与大气之间的双向相互作用至关重要——众所周知，火灾会极大地影响其周围的天气。火灾通过动量、水蒸气和热量的流动与大气动力学相互作用，并通过水分和热量保持与土壤相互作用。
野火数据同化 - arXiv
野火是一个复杂的多尺度过程，受与其他地球过程的非线性尺度相关相互作用的影响。导致火灾的物理过程发生在很宽的尺度范围内。虽然天气过程的特征尺度范围超过 5 个数量级，从大型天气系统的百公里尺度到小尺度效应和涡流的米尺度，但与燃料热分解和燃烧相关的化学反应发生在厘米或更小的尺度上，产生的火焰长度高达 60 米。火线以平均速度传播，速度约为几分之一米/秒，同时产生的火焰以 50 米/秒的速度传播，化学反应发生在数秒或更短的量级。火灾产生的风和浮力属于极端大气现象。天气是影响火灾行为的主要外部因素，火灾与大气之间的双向相互作用至关重要——众所周知，火灾会极大地影响其周围的天气。火灾通过动量、水蒸气和热量的流动与大气动力学相互作用，并通过水分和热量保持与土壤相互作用。
识别重大人工智能用例的框架
该框架提供了十个相应的危害和益处类别以及每个类别的具体危害和益处（见框架附录 1），作为示例，同时认识到具体危害/益处对于各个行业而言都是独一无二的。它还提供了计算已识别危害和益处的量级（例如概率和范围）的因素。最后，该框架提供了基于定量和定性分析做出重大后果判断的方法。
可持续发展辅修课程示范课程...
● 了解能量单位、单位换算、单位量级 ● 描述和量化各种能源资源——可再生和不可再生能源 ● 了解自身、机构、国家和世界的能源需求，各部门的能源消耗 ● 讨论能源的优缺点 ● 印度和世界的能源资源，桑基图 ● 风能、生物质能和太阳能资源 ● 人均能源消耗及其对社会和经济参数的影响 ● 未来能源需求情景
印度资源充足性规划框架指南草案
规划期内每年可能无法满足的预期负荷量（MWh）。这是由于需求超过可用容量而可能无法满足的预期需求兆瓦时数的总和。这是一个以能源为中心的指标，考虑了未供应能源的量级和持续时间，以兆瓦时 (MWh) 为单位计算。该指标可以标准化（即除以系统总负荷）以创建标准化未供应能源 (NENS) 指标。
一种用于实现随机二进制尖峰时间相关可塑性的 CMOS-忆阻器混合系统
本文介绍了一个完全实验性的混合系统，其中使用定制的高阻态忆阻器和采用 180 nm CMOS 技术制造的模拟 CMOS 神经元组装了一个 4 × 4 忆阻交叉脉冲神经网络 (SNN)。定制忆阻器使用 NMOS 选择晶体管，该晶体管位于第二个 180 nm CMOS 芯片上。一个缺点是忆阻器的工作电流在微安范围内，而模拟 CMOS 神经元可能需要的工作电流在皮安范围内。一种可能的解决方案是使用紧凑电路将忆阻器域电流缩小到模拟 CMOS 神经元域电流至少 5-6 个数量级。在这里，我们建议使用基于 MOS 阶梯的片上紧凑电流分配器电路，将电流大幅衰减 5 个数量级以上。每个神经元之前都添加了这个电路。本文介绍了使用 4 × 4 1T1R 突触交叉开关和四个突触后 CMOS 电路的 SNN 电路的正确实验操作，每个电路都有一个 5 个十进制电流衰减器和一个积分激发神经元。它还演示了使用此小型系统进行的一次性赢家通吃训练和随机二进制脉冲时间依赖可塑性学习。
多毛细管 X 射线光学基础、应用和子系统
• 每个光学元件有亚百万到数百万个毛细管通道 • 每个通道都与同一点（焦点）对齐 • 焦点位于光学元件的输入侧和输出侧 • 光学元件提供较大的收集角度，从而产生高输出 X 射线通量 • 多毛细管光学元件不是成像光学元件 • 焦点尺寸小至 5 微米 • 提供的通量密度比针孔高出五个数量级
基于 FPGA 的剪枝神经网络可靠性评估
卷积神经网络（CNN）被广泛用于图像分类。为了使CNN适合在资源有限的系统（如FPGA）上实现，剪枝是一种降低复杂度的流行技术。本文以VGG16为例，评估了剪枝后的CNN对FPGA加速器权重和配置内存错误的鲁棒性，并考虑了两种流行的剪枝方法（基于幅度和过滤器剪枝）。特别地，基于故障注入实验测试了原始VGG16和具有不同剪枝率的VGG16的精度损失，结果表明两种剪枝方法对权重和配置内存的错误影响不同。对于权重错误，使用两种方法剪枝的网络在剪枝率较高的情况下表现出更高的可靠性，但使用过滤器剪枝的网络可靠性相对较低。对于配置内存错误，大约30%的配置位上的错误会影响CNN操作，其中只有14%会导致显着的精度损失。但相同关键比特位对于两种剪枝方法的影响是不同的，采用基于量级方法剪枝后的网络可靠性低于原始VGG16，而采用过滤器剪枝后的网络可靠性高于原始VGG16。从CNN加速器的结构和两种剪枝方法的性质出发，解释了这种不同的影响，并评估了基于量级方法量化对CNN可靠性的影响。