微铸3D打印多超材料用于可编程多模态仿生电子学

基于铸型微铸造3D打印的多材料仿生电子器件研究 学术背景 随着仿生电子技术的快速发展,模拟人类感知功能的电子皮肤(Electronic Skin, E-skin)和柔性传感器在机器人、医疗设备和人机交互等领域展现出广阔的应用前景。然而,现有的仿生电子器件在材料选择、结构复杂性和功能集成方面面临诸多挑战。特别是,如何在不破坏材料性能的前提下,实现多种高难度材料的自由组装和多功能集成,成为当前研究的瓶颈。 传统的制造方法,如电纺、光刻和转移印刷,往往难以同时满足材料多样性和复杂结构的需求。3D打印技术虽然为复杂结构的制造提供了可能,但在处理多种高难度材料时,仍然面临材料兼容性、结构分辨率不足等问题。为了解决这些问题,研究人员借鉴了古代失蜡铸造(Lost-wax Casting)的技术思路,提出了...

基于电阻式存储器的零样本液态状态机实现多模态事件数据学习

新型阻变存储器驱动的零样本多模态事件学习系统:硬件-软件协同设计的研究报告 学术背景 人类大脑是一种复杂的脉冲神经网络(Spiking Neural Network, SNN),能够以极低的功耗在多模态信号中进行零样本学习(Zero-shot Learning),即通过泛化已有知识来处理新任务。然而,将这种能力复制到神经形态硬件中面临着硬件和软件的双重挑战。硬件方面,摩尔定律的放缓以及冯·诺依曼瓶颈(von Neumann bottleneck)限制了传统数字计算机的效率;软件方面,脉冲神经网络的训练复杂度极高。为了解决这些问题,研究人员提出了一种硬件-软件协同设计的方法,结合了阻变存储器(Resistive Memory)和人工神经网络(Artificial Neural Network,...

基于混合专家和3D模拟内存计算的大语言模型高效扩展

基于混合专家与三维模拟内存计算的大语言模型高效扩展 学术背景 近年来,大规模语言模型(Large Language Models, LLMs)在自然语言处理、文本生成等领域展现出了强大的能力。然而,随着模型规模的不断增加,训练和推理的成本也急剧上升,尤其是在内存占用、计算延迟和能耗方面。这成为阻碍LLMs广泛应用的主要瓶颈之一。传统的冯·诺依曼架构在处理大规模参数时,数据频繁在内存和计算单元之间移动,导致所谓的“冯·诺依曼瓶颈”,加剧了这些挑战。 为了解决这一问题,研究者们探索了多种技术路径,其中之一是“专家混合”(Mixture of Experts, MoE)架构。MoE通过条件计算(conditional computing)机制,动态选择输入的处理路径,只激活模型的一部分参数,从而显...

基于深度递归强化学习和联邦学习的工业物联网流量入侵检测方法

基于深度循环强化学习和联邦学习的工业物联网流量入侵检测方法 学术背景 工业物联网(Industrial Internet of Things, IIoT)的快速发展带来了智能工业系统的巨大变革,IIoT通过互联网连接各种工业设备,实现了设备间的数据交换、远程控制以及智能决策。然而,这种无缝连接和庞大的设备网络也使得工业系统面临日益复杂和多样化的网络安全威胁。在实际IIoT场景中,网络攻击可能导致数据泄漏、数据操纵、拒绝服务(denial of service, DoS)、以及工厂生产中断等严重后果。传统的入侵检测方法虽然对部分攻击类型表现出了一定的检测能力,但由于其大多采用传统的机器学习模型在集中服务器上训练,无法很好地处理分布式设备所带来的隐私、能耗以及异质性数据分布问题。 为了应对这些挑...

meMIA:多级集成成员推理攻击

深入解析科研论文:MEMIA: Multilevel Ensemble Membership Inference Attack 科研背景介绍 随着数字技术的迅猛发展,人工智能(AI)和机器学习(ML)已经深入渗透到医疗、金融、零售、教育以及社交媒体等多个领域。然而,随着这些技术的广泛应用,隐私泄露的风险也愈发凸显。许多研究表明,机器学习模型容易受到对抗性攻击的威胁,其中一种重要的隐私攻击形式是会员推断攻击(Membership Inference Attack, MIA)。这种攻击的核心目的是通过分析目标模型的输出预测分布,推测某一特定数据样本是否被用于模型的训练。然而,目前已有的MIA方法面临诸多限制,尤其是在数据集类别较少或目标模型欠拟合的场景下,其攻击精度通常会显著下降。因此,如何提升...

基于细粒度线索和噪声不一致性的面部伪造检测

深入探讨基于精细线索和噪声不一致性的面部伪造检测 背景介绍 随着人工智能(AI)技术的快速发展,各种生成模型已实现了惊人的进步。这使得生成高逼真的“深度伪造(Deepfake)”面部图像变得越来越容易。这些高度逼真的面部伪造图像在娱乐、影视制作等领域具有合法用途,但也被滥用于恶意目的,如传播虚假信息、误导公众舆论,甚至威胁社会安全和国家安全。尤其是当主流媒体采用隐式压缩时,这些压缩过程往往会淡化伪造的痕迹,使得检测变得更加困难。因此,开发有效的面部伪造检测方法已成为多媒体信息安全领域的核心需求。 目前,大部分现有的伪造检测方法要么依赖空间域(spatial domain)特征,要么依赖频域(frequency domain)特征,却很少研究二者的相关性和互补性。另外,当图像质量较低或经过强压...

基于SHAP误差补偿方法的改进可解释电价预测模型

基于SHAP的电力价格预测模型改进研究及其可解释性分析 背景与研究动机 电力市场中的价格预测模型近年来成为研究热点,尤其是考虑到电力市场波动对利益相关方的财务影响。特别是,在欧洲能源市场中,受能源危机和地缘政治影响,最近几年燃料价格急剧上升,导致电力市场的价格波动性显著增加。即使是1%的预测误差,也可能对发电公司、负荷服务实体和交易公司产生巨大的财务后果。例如,对于用电量达到1GW的公司而言,仅1%的预测改进便可带来每年约1200万美元的节省。因此,提高电力价格预测(Electricity Price Forecasting,EPF)模型的精准度对市场参与者来说至关重要。 虽然基于机器学习(Machine Learning,ML)和深度学习(Deep Learning)技术的EPF模型在预测...

基于CORDIC的高效激活函数实现方法,用于FPGA上的RNN加速

RNN高效激活函数实现:CORDIC算法与FPGA硬件加速的突破 背景与研究意义 近年来,随着深度学习技术的迅猛发展,循环神经网络(Recurrent Neural Networks, RNNs)尤其是长短时记忆网络(Long Short-Term Memory, LSTM),在时间序列任务中展现出了强大的能力,例如在自然语言处理(Natural Language Processing, NLP)、语音识别和医学诊断等领域取得了广泛应用。然而,与卷积神经网络(Convolutional Neural Networks, CNNs)相比,RNN模型因其复杂性和大量非线性激活函数需求,导致计算代价显著增加。特别是在资源有限的边缘设备(Edge Devices)中部署RNN模型时,激活函数的实现成...

异构有向多智能体系统的协作输出调节:一种完全分布式的无模型强化学习框架

异构有向多智能体系统合作输出调节问题研究:基于完全分布式无模型强化学习框架 背景介绍 近年来,分布式控制和优化的研究在智能交通、智能电网、分布式能源系统等领域表现出了广泛的应用前景。这类系统通常需要多个智能体的协作完成特定任务,其中基础性研究课题之一便是合作输出调节问题(Cooperative Output Regulation,简称COR)。该问题旨在通过设计合适的控制协议,使得多智能体系统中的所有智能体都能跟踪参考信号并最终实现零跟踪误差。然而,要解决这类问题,准确获知智能体动态模型的信息通常是现有方法的基本前提,这在现实中由于复杂环境和高度耦合的非线性难以实现,甚至可能导致测量成本过高。 此外,由于多智能体系统的通信网络往往具有方向性(即信息传递非对称性),这进一步加大了研究这一问题的...

PLTCRB:基于最优平均通信复杂度的实用分布式随机信标

分布式随机信标(Distributed Randomness Beacon)研究的前沿突破 —— 大规模优化通信复杂度的实用方案 在当今众多技术领域中,可信随机数生成器(Randomness Beacon)是一项关键工具,对密码学、区块链、电子投票及众多应用的安全性具有重要作用。随机数生成器需要满足偏差抗性、不可预测性和公开可验证性。然而,传统的分布式随机信标(Distributed Randomness Beacon,简称DRB)方案通常依赖复杂的通信流程,或借助于公共公告板(Public Bulletin Board,简称PBB)来保障安全性,在参与者规模较大时容易受到性能瓶颈的制约。这一问题促使研究者们寻找更高效、更实用的新方案。 近日,来自上海交通大学电子信息与电气工程学院的Zhey...