为了寻求低功率，以生物启发的计算均基于回忆性和基于成年的人工神经网络（ANN）一直是对硬件实施神经形态计算的焦点的主题。进一步的一步，要求使用绝热计算的再生电容性神经网络，为降低能源消耗提供了诱人的途径，尤其是与“ Memimpedace”元素结合使用时。在这里，我们提出了一种人工神经元，具有绝热的突触电容器，以产生神经元的膜电位。后者通过动态闩锁比较器实现，并使用电阻随机访问存储器（RRAM）设备增强。我们最初的4位绝热电容性神经元概念验证示例显示了90％的突触能量节省。在4个突触/SOMA时，我们已经看到总体减少35％的能量。此外，工艺和温度对4位绝热突触的影响显示，在整个角落100度摄氏时，最大能量变化为30％，而没有任何功能损失。最后，我们对ANN的绝热方法的功效进行了512和1024突触/神经元的测试，最差和最佳的情况突触载荷条件以及可变的均衡电容的可变量化均等能力量化了均衡电容和最佳功率 - 电信频率范围之间的预期权衡。加载（即活动突触的百分比）。

We propose a multisensor fusion framework for onboard real-time navigation of a quadrotor in an indoor environment, by integrating sensor readings from an Inertial Measurement Unit (IMU), a camera-based object detection algorithm, and an Ultra-WideBand (UWB) localization system. The sensor readings from the camera-based object detection algorithm and the UWB localization system arrive intermittently, since the measurements are not readily available. We design a Kalman filter that manages intermittent observations in order to handle and fuse the readings and estimate the pose of the quadrotor for tracking a predefined trajectory. The system is implemented via a Hardware-in-the-loop (HIL) simulation technique, in which the dynamic model of the quadrotor is simulated in an open-source 3D robotics simulator tool, and the whole navigation system is implemented on Artificial Intelligence (AI) enabled edge GPU. The simulation results show that our proposed framework offers low positioning and trajectory errors, while handling intermittent sensor measurements.

跨学科的一个重要问题是发现产生预期结果的干预措施。当可能的干预空间很大时，需要进行详尽的搜索，需要实验设计策略。在这种情况下，编码变量之间的因果关系以及因此对系统的影响，对于有效地确定理想的干预措施至关重要。我们开发了一种迭代因果方法来识别最佳干预措施，这是通过分布后平均值和所需目标平均值之间的差异来衡量的。我们制定了一种主动学习策略，该策略使用从不同干预措施中获得的样本来更新有关基本因果模型的信念，并确定对最佳干预措施最有用的样本，因此应在下一批中获得。该方法采用了因果模型的贝叶斯更新，并使用精心设计的，有因果关系的收购功能优先考虑干预措施。此采集函数以封闭形式进行评估，从而有效优化。理论上以信息理论界限和可证明的一致性结果在理论上基于理论上的算法。我们说明了综合数据和现实世界生物学数据的方法，即来自worturb-cite-seq实验的基因表达数据，以识别诱导特定细胞态过渡的最佳扰动；与几个基线相比，观察到所提出的因果方法可实现更好的样品效率。在这两种情况下，我们都认为因果知情的采集函数尤其优于现有标准，从而允许使用实验明显更少的最佳干预设计。

并非所有数据都相等。误导或不必要的数据可能会严重阻碍机器学习（ML）模型的准确性。当数据丰富时，可以克服误导性效果，但是在许多现实世界中，数据稀疏且获取昂贵。我们提出了一种方法，该方法大大降低了准确训练ML模型所需的数据大小，从而有可能为ML中许多新的有限数据应用程序打开大门。我们的方法提取了最有用的数据，同时忽略和省略了将ML模型误导为下等级属性的数据。具体而言，该方法消除了“双重下降”的现象，其中更多的数据导致性能较差。这种方法为ML社区带来了一些关键功能。值得注意的是，该方法自然收敛并消除了将数据集分为培训，测试和验证数据的传统需求。相反，选择度量固有地评估了测试误差。这样可以确保在测试或验证中永远不会浪费关键信息。

新兴的非挥发记忆设备的备忘录在神经形态硬件设计中显示出有希望的潜力，尤其是在尖峰神经网络（SNN）硬件实现方面。基于Memristor的SNN已成功应用于各种应用程序，包括图像分类和模式识别。但是，在文本分类中实施基于备忘录的SNN仍在探索中。主要原因之一是，培训基于备忘录的SNN用于文本分类是由于缺乏有效的学习规则和不理想性的不存在。为了解决这些问题，并加快了在文本分类应用程序中探索基于备忘录的尖峰神经网络的研究，我们使用经验的Memristor模型开发了使用虚拟备忘录阵列的仿真框架。我们使用此框架来演示IMDB电影评论数据集中的情感分析任务。我们采用两种方法，通过将预训练的人工神经网络（ANN）转换为基于Memristor的SNN或2），通过直接训练基于Memristor的SNN，以获取训练有素的尖峰神经网络：1）通过将预训练的人工神经网络（ANN）转换为基于Memristor的SNN。这两种方法可以在两种情况下应用：离线分类和在线培训。鉴于等效ANN的基线训练精度为86.02％，我们通过将预训练的ANN转换为基于Memristor的SNN的ANN通过将预培训的ANN转换为基于Memristor的SNN的85.88％的分类准确性为85.88％。我们得出的结论是，可以在从ANN到SNN以及从非同步突触到数据驱动的Memristive突触的模拟中实现类似的分类精度。我们还研究了诸如Spike火车长度，读取噪声和重量更新停止条件之类的全局参数如何影响两种方法的神经网络。

备忘录显示了增强神经形态计算概念和AI硬件加速器的有希望的功能。在本文中，我们提出了一个用户友好的软件基础架构，该基础架构允许使用Memristor模型模拟各种神经形态架构。该工具赋予了将备忘录用于在线学习和在线分类任务的研究，从而预测了培训过程中的备忘录抵抗状态的变化。该工具的多功能性是通过功能来展示的，以供用户自定义所使用的Memristor和Neuronal模型中的参数以及所采用的学习规则。这进一步允许用户在广泛的参数中验证概念及其灵敏度。我们通过MNIST分类任务演示了该工具的使用。最后，我们展示了如何使用该工具通过与市售的特征工具进行适当的接口来模拟与实用的回忆设备中研究的概念。

社会和自然中的极端事件，例如大流行尖峰，流氓波浪或结构性失败，可能会带来灾难性的后果。极端的表征很困难，因为它们很少出现，这似乎是由良性的条件引起的，并且属于复杂且通常是未知的无限维系统。这种挑战使他们将其描述为“毫无意义”。我们通过将贝叶斯实验设计（BED）中的新型训练方案与深神经操作员（DNOS）合奏结合在一起来解决这些困难。这个模型不足的框架配对了一个床方案，该床方案积极选择数据以用近似于无限二二维非线性运算符的DNO集合来量化极端事件。我们发现，这个框架不仅清楚地击败了高斯流程（GPS），而且只有两个成员的浅色合奏表现最好； 2）无论初始数据的状态如何（即有或没有极端），都会发现极端； 3）我们的方法消除了“双研究”现象； 4）与逐步全球Optima相比，使用次优的采集点的使用不会阻碍床的性能； 5）蒙特卡洛的获取优于高量级的标准优化器。这些结论共同构成了AI辅助实验基础设施的基础，该基础设施可以有效地推断并查明从物理到社会系统的许多领域的关键情况。

许多科学和工程问题需要具有稀有和极端事件的准确模型。这些问题对数据驱动建模具有具有挑战性的任务，许多天真的机器学习方法无法预测或准确地量化这些事件。这种困难的一个原因是，具有极端事件的系统，根据定义，产生不平衡数据集，并且该标准损耗功能容易忽略稀有事件。也就是说，适合培训模型的良好良好度量的指标并非旨在确保对罕见事件的准确性。这项工作旨在通过考虑设计为突出异常值的损耗函数来提高回归模型的回归模型的性能。我们提出了一种新颖的损失功能，调整后的输出加权损耗，并将基于熵的损耗功能的适用性扩展到具有低维输出的系统。使用呈现极端事件的几种动态系统的案例测试所提出的功能，并显示在极端事件的预测中显着提高准确性。

本文提出了网络动力学，以在随着时变的多代理网络上解决资源分配问题。每个代理的状态代表固定的总资源数量时，代表使用的资源（或生产实用程序）的数量。这个想法是通过最大程度地限制固定资源总和的总体成本函数来最佳分配资源。每个代理的信息都限于其自身状态和成本功能以及其直接邻居的信息。这是由分布式应用程序（例如移动边缘计算，智能电网的经济派遣）以及多代理覆盖范围控制所激发的。这项工作提供了一个快速收敛的解决方案（与线性动力学相比），同时考虑使用量化的通信链接的放松网络连接。所提出的动力学达到了最佳解决方案，而不是在某些有界非重叠的时间间隔内的连接的切换（可能是断开连接的）网络的最佳解决方案。我们证明了解决方案的可行性，最佳状态的唯一性以及在提出的动力学下融合到最佳值的可行性，在此，分析适用于具有强烈信号的非线性（例如执行器饱和度）的类似的一阶分配动力学。