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...

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...

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...