多通道人机交互中感觉刺激的模拟方法研究综述

目的 对多通道人机交互中感觉刺激模拟方法的研究现状进行梳理,总结现有研究中的相关技术原理与方法,为后续的相关研究和实践提供参考。方法 利用文献调研和典型案例分析方法,梳理了触觉、嗅觉及味觉三种单通道感觉刺激模拟的相关技术;概述了多通道感觉刺激融合的认知学理论,并以视听触融合、视听嗅融合为例,总结了多通道感觉刺激融合的具体实现方法;介绍了多通道感觉刺激融合在医疗康复、虚拟购物、智能教育等典型场景中的应用。结论 多通道人机交互中感觉刺激的模拟方法研究有望支持低负荷、高效率的新型人机交互方式,甚至带来超越真实的交互体验,具备广泛的应用潜力。

以人为中心的智能产品设计现状和发展趋势

目的以人为本的人工智能作为一种独特的设计材料正成为智能产品设计的新关注点,也带来了全新的挑战。分析人本人工智能背景下的智能产品设计特点,总结人本智能产品设计的现状并预测其发展趋势,能够对智能产品设计的未来发展提供参考。方法分析机器思维与设计思维的差异,以阐述人本人工智能背景下智能产品设计的特点。从设计方法和设计工具两个层面总结目前的研究现状,梳理以人为中心的智能产品设计的发展脉络。结论智能产品设计正逐渐从技术驱动转向以人为本,逐步整合机器思维与设计思维。然而,目前针对人工智能技术的设计方法和设计工具仍相对较少,智能产品的设计实践迫切需要符合人工智能技术特性的设计教育、设计方法与工具,以弥合机器思维与设计思维的差异。

大规模知识图谱预训练模型及电商应用

近年来,知识图谱因具有以统一的方式组织数据等优势,被广泛应用于许多需要知识的任务,并且在电子商务领域大放光彩。然而知识服务通常需要烦琐的数据选择和知识注入模型的设计,这会给业务带来不良影响。为了更好地解决这一问题,提出了“预训练+知识向量服务”的模式,并设计了知识图谱预训练模型(PKGM),在不直接访问商品知识图谱中三元组数据的情况下,以知识向量的方式为下游任务提供知识图谱服务。在商品分类、同款商品识别和商品推荐等知识图谱下游任务中进行测试,实验结果表明,知识图谱预训练模型能够有效地提高每个任务的性能。

基于AI硬件的智能产品设计及其平台

以AI芯片、新型传感器件为代表的AI硬件迅速发展,催生了全新的应用模式并带来了设计挑战。分析AI硬件支持的智能产品设计特点,阐述智能产品设计的特点与趋势,建议智能产品设计未来可开展的研究内容。通过分析国内外研究现状,梳理AI硬件在智能产品中的应用模式和挑战;从概念设计工具和原型设计工具两个层面总结支撑当前智能产品设计的相关工作,进一步提出潜在的研究方向。从相关领域现状可见,该领域主要存在产品转化、认知汇聚、人机交互等挑战。建议探索智能产品设计方法与快速设计解决方案;重点研发面向智能产品的认知计算引擎和平台、智能产品中的人机交互理论与方法和智能产品解决方案等支撑技术;设计开发典型智能产品并培育典型智能产品生态群。

基于NVM的无日志哈希表

新兴的非易失内存正逐步进入人们的视野。由于这类存储技术同时具备了低延迟、持久化、大容量和字节可寻址的特性,数据库系统可以运行在只有NVM的存储架构上。在这种环境下,一些新颖的无日志索引结构应运而生,并被期望在异常故障后能即时地恢复索引能力而无须重建索引。然而,在现有的计算机体系结构中,这些索引结构为了确保NVM上数据的一致性,需要进行大量的同步操作,从而严重影响了正常执行时的系统性能。基于NVM的无日志哈希表利用指针数据的原子修改确保数据结构的一致性。哈希表使用了一种优化的Rehash方法,既减少了正常工作时的同步操作,又确保了异常故障后的即时恢复能力。实验评估表明,相比于已有的持久化索引结构,无日志哈希表在大部分工作负荷下的吞吐率表现良好,而在恢复时间、NVM资源使用量和写磨损方面具备显著的优势。

分布式的增量式张量Tucker分解方法

随着社交网络、电商系统、移动终端设备的快速发展,海量且高维的数据正以前所未有的速度不断地增长和积累.高维数据可以自然地表示为张量.张量的Tucker分解方法是一种常用且经典的高维数据分析机器学习方法,被广泛地应用于推荐系统、图像压缩、计算机视觉等多个领域.然而,传统的张量分解方法大多只能处理静态的数据,并不适用于动态增长的数据.当处理不断增长的数据时,传统方法大多只能低效地重新开始计算,以完成张量分解.针对增量式数据对传统张量分解方法带来的挑战,本文提出了一种分布式的增量式张量Tucker分解方法DITTD,首次解决了海量高维且动态增长数据上高效的分布式张量Tucker分解问题.该方法首先根据增量数据相对原始数据的位置关系对其进行分类处理.为了实现分布式节点的负载均衡,本文指出张量的最优划分是NP-难问题,并使用启发式方法以实现尽可能均匀的张量划分.为了避免张量Tucker分解的中间结果爆炸问题,本文提出了一种新颖的增量式张量Tucker分解计算方法.该方法减少了中间结果的计算和网络传输通信量,以提升分布式的增量式张量Tucker分解效率.最后,本文在真实与合成数据集上进行了大量的实验.实验结果验证了本文方法的运行效率比基准方法提升了至少1个数量级,并具有良好的可扩展性.

边缘计算的架构、挑战与应用

边缘计算是一种在网络边缘执行计算任务的新型计算模型,相比于云计算模型,能够更加迅速、可靠和节能地响应用户需求。从云计算模型的不足出发,首先介绍了边缘计算的概念和通用构架,随后详细阐述了两个边缘计算参考构架,总结了边缘计算面临的挑战,并介绍了针对这些挑战的研究进展。随着边缘计算相关理论和技术的发展,边缘计算将成为推动物联网服务升级的关键技术,以预测性维护和安防监控为例,对边缘计算的应用进行了介绍。

GPU无锁跳步哈希表

由于GPU具有卓越的并行加速能力,将通用的内存索引结构应用于GPU成了一个新的研究方向。目前,针对GPU进行优化的支持并发访问且可动态更新的内存索引结构还比较少。提出一种支持并发访问且可动态更新的GPU无锁跳步哈希表(GPU lock-free hopscotch Hash table,GLHT),采用全局内存配合原子操作以及特定的并发控制策略,在实现并发访问和无锁特性的同时,保证了读操作的无等待特性。GLHT结合高效的GPU内存合并访问和warp协同工作共享策略,获得了很高的并行加速能力。与现有CPU跳步哈希表相比,具有4~9倍的性能优势;比采取预先分配内存的GPU无锁链式哈希表更加灵活,并且在写操作较重的工作负载中获得了更好的性能。

如何正确和安全地开展后量子密码算法的相关实现

后量子密码(PQC)算法的提出源于非对称密码的新需求.其主要包括密钥交换、非对称加密和数字签名.后量子密码算法的加密计算环节,需要同时抵御传统计算机以及量子计算机的破解和攻击.然而,PQC算法本身仍然需要进行一些基于常规数学函数的软件或者硬件实现.因此,通常的基于实现层面的攻击仍然有效.PQC算法的一些功能,例如有限域的取模、求逆、非均匀随机数采样以及解码算法等,已经采用了“常数时间”等相关防御实现,对其开展评估具有很大的难度.本文主要列举了PQC在实现过程中可能面临的挑战,特别是与旁路分析相关的泄漏,并进行更加深入的检测和研究.首先,我们详细说明了对条件控制语句以及条件访问数据结构中存在的旁路泄漏的探测与预防方法.其次,在操作数据被分成若干块(即掩码防御方法)的条件下,传统的纵向泄漏检测方法并不适用,但是我们的前述方法却可以适用于数据旁路的泄漏检测.本文反映出PQC算法的安全实现仍然需要安全评估以及安全编码等相关的知识.本文主要介绍了一种通用的检测方法,应对多种PQC算法存在不同算法类型、不同数学类型及其不同参数配置的复杂问题,并旨在给读者提供关于安全代码实现评估和设计的全面介绍.