本發(fā)明提供一種用于預測對新型藥物擾動的轉(zhuǎn)錄響應的方法、基于該預測方法的虛擬篩選的方法以及基于以上方法的虛擬篩選系統(tǒng)。其中，預測模型包括擾動適配器、擾動編碼器和擾動解碼器。擾動適配器，用于將輸入的一種或多種新型藥物的化學結(jié)構(gòu)和其劑量信息編...

本發(fā)明提供了一種圖像分類模型的訓練方法和圖像分類方法，該訓練方法，包括：獲取基于圖像的多層級分類訓練集；獲取圖像分類模型，其包括用于從輸入的圖像提取圖像特征的特征提取器和堆疊的多層雙向邏輯樹；獲取預設的自適應的粒度內(nèi)差異學習網(wǎng)絡，學習網(wǎng)...

本發(fā)明提出一種面向多核并行體系結(jié)構(gòu)的卷積算子編譯優(yōu)化方法和裝置。包括：輸入轉(zhuǎn)換器模塊提取和去重模型中的或者用戶輸入的卷積參數(shù)，并生成卷積描述符組；控制器模塊根據(jù)歷史記錄決定是否對輸入模塊啟動調(diào)優(yōu)，將需要調(diào)優(yōu)的卷積描述符傳遞給調(diào)優(yōu)器模塊；...

本發(fā)明提供了一種用于對機器人體域信道進行建模仿真方法，可以在虛擬場景內(nèi)用機器人模型模擬需開發(fā)的機器人；在天線庫內(nèi)收集需使用的型號的天線對應的天線模型，以模擬其所代表型號的天線的輻射特性；然后基于交互界面，將選擇的天線模塊按所需的位置以及...

本發(fā)明提供了一種基于跨異構(gòu)編程模型的模板優(yōu)化方法，包括：獲取調(diào)優(yōu)需求參數(shù)；根據(jù)預定的調(diào)優(yōu)策略和所述調(diào)優(yōu)需求信息，有方向性地生成調(diào)優(yōu)參數(shù)種群；根據(jù)預定的遺傳算法對所述調(diào)優(yōu)參數(shù)種群進行搜索，多次迭代搜索直至達到收斂條件，生成對應的優(yōu)化參數(shù)設...

本發(fā)明提供了一種通信終端，所述通3信終端包括協(xié)議棧、應用處理器、通信處理器，協(xié)議棧運行在應用處理器側(cè)，其中，協(xié)議棧采用兩個任務隊列維護待處理的應用級業(yè)務并基于任務隊列中的應用級業(yè)務的數(shù)量與類型喚醒、睡眠通信處理器，通信處理器基于待處理的...

本發(fā)明提供了一種多元時間序列的無監(jiān)督異常感知系統(tǒng)，用于檢測多元時間序列是否存在異常，所述系統(tǒng)包括：數(shù)據(jù)采集模塊，用于采集原始的多元時間序列；異常感知模型，用于對原始的多元時間序列進行編解碼處理以獲取重構(gòu)后的多元時間序列；異常評估模塊，用...

本發(fā)明提出一種支持多維擴展的松耦合統(tǒng)一跨鏈監(jiān)管方法及裝置，其特征在于，包括將跨鏈消息處理和跨鏈監(jiān)管過程解耦，把跨鏈監(jiān)管主要過程遷移至鏈下，從而最小化區(qū)塊鏈系統(tǒng)與監(jiān)管系統(tǒng)的對接交互，進而降低兩個過程的耦合程度。在此基礎上，本發(fā)明提出了全鏈...

本發(fā)明提供了一種衛(wèi)星數(shù)傳數(shù)據(jù)的處理方法，用于衛(wèi)星，包括：獲取需發(fā)送至地面通信網(wǎng)絡的文件集合，利用預設的打包方式將文件集合打包為N個文件塊，每個文件塊包括文件頭信息和文件數(shù)據(jù)信息，N≥1，其中，文件頭信息用于接收方以文件塊為最小單位獲取文...

本發(fā)明提出一種基于BERT和TCSMN的表格分類方法和裝置，包括：獲取以序列表示的待分類表格；構(gòu)建包括特征提取層、注意力層和歸一化層的表格分類模型，其中該特征提取層結(jié)構(gòu)為串聯(lián)的BERT網(wǎng)絡模型、TCSMN網(wǎng)絡模型和MLP網(wǎng)絡模型；利用該...

本發(fā)明提出一種基于拓撲計算的大模型推理計算架構(gòu)，包括：CPU、SDRAM、代碼存儲器、提示詞存儲器，以及大模型推理加速器，并通過總線將該CPU、該SDRAM、該代碼存儲器、該提示詞存儲器及該大模型推理加速器進行路由連接；進行大模型推理計...

本發(fā)明提出一種基于混合精度量化的擴散模型極低比特量化方法和裝置，包括：獲取待極低比特量化的擴散模型，獲取該極低比特量化的初始量化精度，增加該初始量化精度得到高比特量化精度，減少該初始量化精度得到低比特量化精度；統(tǒng)計該擴散模型中各組權(quán)重數(shù)...

本發(fā)明提供了一種芯粒選型方法，包括：S1、獲取按照指定的芯粒庫規(guī)范構(gòu)建的數(shù)據(jù)形式的芯粒庫，其含有多種芯粒及其描述文件；S2、獲取待加速的應用，獲取應用，利用語義匹配規(guī)則將應用轉(zhuǎn)化成任務數(shù)據(jù)流圖，其包括算子及其依賴關系；S3、根據(jù)所述芯粒...

本發(fā)明提供了一種基于水印嵌入的醫(yī)療系統(tǒng)聯(lián)邦學習方法，本發(fā)明的技術(shù)方案通過對醫(yī)療系統(tǒng)中各個客戶端進行預設輪次的第一階段訓練以獲得每個客戶端的水印深度并基于每個客戶端的水印深度評估每個客戶端對水印任務的適配能力，基于每個客戶端的水印深度重新...

本發(fā)明提供一種協(xié)同深度邊緣和可見性先驗的多視角立體重建方法，包括：獲取從不同視角對同一場景采集的多張圖像，將每張圖像作為參考圖像且其余圖像作為源圖像并進行多次迭代，估計每張參考圖像的深度圖，每次包括：更新本次的可靠像素的深度估計值；重建...

本發(fā)明提出一種實體關系抽取方法、裝置、設備、介質(zhì)及程序產(chǎn)品，該方法包括如下步驟：依據(jù)給定實體對或者給定關系通過大語言模型生成非結(jié)構(gòu)化文本；將所述非結(jié)構(gòu)化文本添加至實體關系聯(lián)合抽取模型的初始訓練集，得到目標訓練集；利用所述目標訓練集對所述...

本發(fā)明提出一種面向容器云平臺的負載預測方法、裝置、存儲介質(zhì)，該方法包含：對容器云資源的負載情況進行量化，確定每個容器的負載值以及每個節(jié)點的負載值，得到負載時序數(shù)據(jù)；以所述負載時序數(shù)據(jù)作為輸入，構(gòu)建負載預測模型；利用構(gòu)建的負載預測模型預測...

本發(fā)明提出一種基于激光雷達監(jiān)督的跨模態(tài)四維雷達去噪方法和裝置，包括：構(gòu)建由特征編碼器、噪聲預測器和匹配模塊組成的去噪模型，獲取已標注邊界框和真實類別的四維雷達點云，作為訓練數(shù)據(jù)；特征編碼器提取訓練數(shù)據(jù)的聚合特征；噪聲預測器根據(jù)聚合特征，...

本發(fā)明提供了一種基于深度強化學習的容器云任務調(diào)度方法，包括：定義容器云任務調(diào)度事項；建模為馬爾可夫決策模型，包括：以每個任務的任務需求和每個可用節(jié)點的當前資源狀態(tài)作為狀態(tài)集，將可用節(jié)點的集合作為動作集；智能體根據(jù)任務的任務需求、可用節(jié)點...

本發(fā)明提出了一種可擴展的通用區(qū)塊鏈性能邊界測量方法和裝置，包括：根據(jù)設置交易類型和發(fā)送速率向測試區(qū)塊鏈上發(fā)送交易；根據(jù)指定采集頻率和采集位置對鏈上的性能指標進行監(jiān)測；控制模塊接收到性能指標數(shù)據(jù)后與發(fā)送給從節(jié)點的參數(shù)配置合并成一條記錄，發(fā)...