飞秒级紫外激光：开启超快光子学新纪元

科学家们展示了持续时间不足一万亿分之一秒的超快紫外-C激光脉冲，并能够使用超薄半导体传感器对其进行可靠检测。该技术甚至被用于通过自由空间发送信息，这预示着强大的新型通信系统的出现。 工作在紫外-C波段（100−280 nm）的光子技术在从超分辨显微镜到光通信等领域都扮演着重要角色。随着这些技术的进步，它们有望在科学和工程领域开辟新的路径。 他们的团队开发了一个既能产生又能检测极短紫外-C激光脉冲的新平台。该系统将一个超快紫外-C激光源与由原子级薄层（二维）半导体（2DSEM）制成的紫外-C探测器相结合。 高效的激光生成与未来扩展负责激光源工作的Tisch教授强调了效率的重要性：“我们利用了非线性光学晶体中的相位匹配二阶过程，实现了紫外-C激光的高效产生。 由于这些组件与光子集成电路中的单片集成兼容，它们还可能实现广泛的未来技术，包括在飞秒时间尺度上工作的宽带成像和超快光谱学。FINISHED

超快的 fastText

Word2Vec 作者、脸书科学家 Mikolov 文本分类新作 fastText：方法简单，号称并不需要深度学习那样几小时或者几天的训练时间，在普通 CPU 上最快几十秒就可以训练模型，得到不错的结果 fastText 模型架构和 Word2Vec 中的 CBOW 模型很类似。不同之处在于，fastText 预测标签，而 CBOW 模型预测中间词。 2. fastText VS Tagspace Mikolov 在 fastTetxt 的论文中报告了两个实验，其中一个实验和 Tagspace 模型进行对比。 fastText 的词嵌入学习比 word2vec 考虑了词组成的相似性。 比如 fastText 的词嵌入学习能够考虑 english-born 和 british-born 之间有相同的后缀，但 word2vec 却不能。

激光器的快轴慢轴

最近设计的几款芯片，都因为出光角过大被砍了，特别对于multiple Emitter的激光芯片。 Emitter就是有电流注入地方，也就是发光条。 在来看下激光器的快轴和慢轴的定义 激光芯片的出光快轴和慢轴是针对Far-field来说的，也就是激光器的远场。 快轴是垂直于激光芯片正表面的，慢轴是平行于芯片表面的。 一般快轴的发散角大于慢轴，如上图，大功率的激光芯片，快轴的发散角基本上是慢轴的3倍以上。 对于更多的Emitter芯片，Emitter也较区域中心，可能和封装有关吧。

AIComm：StreamSync让AI通信超快超稳

而StreamSync利用HTTP/2的多路复用技术，连接数保持在50以下，且迅速稳定。StreamSync能够复用连接处理多个请求，大幅降低服务器压力。 图2：TCP连接数对比说明：此折线图显示StreamSync在高并发场景下显著减少TCP连接数，执行时间仅为REST+WebSocket的1/3。 而StreamSync平均响应时间仅为0.01秒，波动极小，受益于HTTP/2的低延迟特性和优化的服务器处理逻辑。这一性能优势使其非常适合实时AI应用，如智能客服或自动驾驶系统。

可扩展超快OLAP引擎: Kylin

Kylin的工作原理 1、指定数据模型，定义维度和度量 2、预计算Cube，计算所有Cuboid并保存为物化视图 3、执行查询时，读取Cuboid，运算，产生查询结果 ? Kylin的的主要特点 1、标准SQL接口 2、支持超大数据集 3、亚秒级响应 4、可伸缩性和高吞吐率 5、BI及可视化工具集成 几个核心概念 数据仓库：（Data Warehouse）：大量历史性资料数据 2、设计Cube：导入Hive表定义、创建数据模型 3、创建Cube：Kylin是以Key-Value的方式将Cube存储到Hbase中，Hbase的Key也就是RowKey是由各个维度的值拼接而成的。 支持构建方式： 增量构建：分全量和增量 流式构建：实现实时数据更新，对接Kafka实现，目前存在丢失数据的风险 支持对接方式： 1、WEB GUI --- Insight页面 2、Rest API 3、

YOLO-Fastest：超超超快的开源ARM实时目标检测算法

啥，精度还不够，看来直接祭出我的MobileNetv2-yolov3-lite，VOC 73.2%的mAP，37.4% AP05 COCO，只有8MB，1.8Bflops，比mb-ssd系列的算法动不动

Kallisto：超快的转录本定量工具

• 超快分析速度：Kallisto的算法极大地缩短了分析时间，适用于大规模的RNA-seq实验。 2. 处理测序数据：将RNA-seq数据（通常是FASTQ格式的文件）输入到Kallisto，进行伪比对并定量转录本的表达水平。 3. 2. 选择Kallisto工具：在Galaxy的工具列表中搜索“Kallisto”，选择并打开工具界面。 3. 配置参数：选择输入文件、转录本参考索引等必要的参数。 4.

Tomcat国内镜像下载地址【速度超快】

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/144676.html原文链接：https://javaforall.cn

超快！大数据分析引擎ClickHouse

2、OLAP分类 关系型ROLAP：使用关系型模型构建，数据模型常使用星型模型或雪花模型 多维型MOLAP：使用多维数组的形式保存数据，其核心思想是借助预处理聚合结果，使用空间换时间的形式提升查询性能 ClickHouse时期 1、MySQL时期： 采用MyISAM表引擎，采用B+数结构存储索引，而数据文件使用另外单独的存储文件，（区别于InnoDB表引擎使用B+树同时存储索引和数据，数据直接挂载在叶子节点中） 2、 Stream，Data WareHouse） 1、ClickHouse适用场景： 非常适用商业智能领域，也广泛应用于广告流量、web、app流量、电信、金融、电子商务、信息安全、网络游戏、物联网等 2、 1、完备的DBMS（数据库管理系统）功能 DDL（数据库定义语言）：可以动态的创建数据库、表和视图 DML（数据库操作语言）：动态的查询、新增、修改及删除数据 权限控制、数据备份与恢复、分布式管理等 2、 六、ClickHouse的设计原则，如此之快的秘诀 1、着眼硬件，先想后做 2、算法在前，抽象在后 3、勇于尝鲜，不行就换 4、特定场景，特殊优化 5、持续测试，持续改进

ECCV 2020 ｜ 超快的车道线检测

很高兴和大家分享一下我们刚刚被 ECCV 2020 接收的新工作：一种超快速的车道线检测算法（Ultra Fast Structure-aware Deep Lane Detection），能够达到SOTA 图2 将车道线检测定义为在某些行上位置的选择、分类 假设我们要检测一条车道线的图像大小为HxW，对于分割问题，我们需要处理HxW个分类问题。 除了速度快之外，我们的方法还可以解决上文提到的另一个问题：局部感受野小导致的复杂车道线检测困难问题。由于我们的方法不是分割的全卷积形式，是一般的基于全连接层的分类，它所使用的特征是全局特征。 3 实验结果 我们在Tusimple和CULane上都进行了测试，都验证了我们的方法可以在超快速度下达到接近或超越SOTA方法的性能。 ? Tusimple数据集结果 可以看到在Tusimple数据集上我们的方法比SCNN[1]快了41.7倍，比SOTA的SAD[2]也快了4倍。

新版Mamba体验超快的软件安装

在一文掌握Conda软件安装：虚拟环境、软件通道、加速solving、跨服务器迁移中详细介绍的conda的基本使用和遇到问题的解决方式，也提到了mamba作为一个替代工具，可以很好的加速conda的solving environemnt过程。但有时也会遇到一个很尴尬的问题想用mamba就得先装mamba， 之前通过conda install mamba -n base -c conda-forge有时也会卡在solving environemnt这一步。想用mamba解决solving environemnt，就得先解决安装mamba的solving environemnt。

2D激光SLAM导航算法

REF：基于 ２Ｄ 激光雷达的 ＳＬＡＭ 算法研究综述 1. 2D激光SLAM原理 激光雷达主流的测距方法可以分为三角法与飞行时间法（time of flight, TOF） 三角法： 激光以一定的角度射向被测物体 ，反射光以一定的角度反射回光源旁的接收器，不同距离的被测物体在接收器上的成像会在不同的位置，通过三角公式就可以计算出被测物体的距离 飞行时间法： 激光器发射一个激光脉冲，反射光由接收器接收，通过激光雷达中的计时器记录下发射 、接收时间，可以计算出被测物体的距离 SLAM流程： ２D激光 SLAM的系统框架主要可以分为：前端 扫描匹配、后端优化、回环检测和地图构建 前端扫描匹配：可以分为基于点（前后两帧激光点集：ICP）、 ）、帧与子图（scan-to-map，当前帧的激光雷达数据与子图进行匹配，该子图由一段时间内连续的激光数据帧构成）、子图与子图（map-to-map，当前连续时间内的激光数据帧构建成子图，与之前生成的子图进行匹配 ）、特征地图（由环境信息中提取到的点、线或圆弧等几何特征构成）等 2. 2D激光SLAM算法 主流的 ２Ｄ 激光SLAM可以分为：基于贝叶斯滤波、基于图优化和基于高斯牛顿优化的激光 SLAM。

美军研制超快、轻量级无人机

美国国防部高级研究计划局（Defense Advanced Research Projects Agency，DARPA）于2月12日新公布了其快速轻量自主飞行器（FastLightweight Autonomy ，FLA）项目的视频片段，并称项目取得了里程碑式的进展：一架轻量级无人机能够携带高分辨率相机、激光雷达、声纳以及惯性测量传感器，以20米每秒的速度飞行。 DARPA于2014年2月启动FLA计划，该项目不是为了开发新的飞行平台，而是研发新的算法以帮助各种小型无人机在没有GPS的条件下更好地自主飞行。最近的测试证实，该平台可以达到这样的飞行速度。 研发团队还在这次测试中展示了无人机能够在目标物周围自主进行导航和操作——尽管速度不是那么快。 换句话说，微型无人机不仅要飞得快，还必须表现出对自己“要去哪里”有最基本的理解。

超快仓储机器人工作运行实录

视频：http://mpvideo.qpic.cn/0b2e2aaamaaaieagahnhr5sfbugda3iaabqa.f10002.mp4?

windows nodejs 安装超快超简单的方式，不用配置环境变量

VR开发--SteamVR框架工具（2）：激光指针与贝塞尔曲线激光指针

摘要： 1、VRTK_SimplePointer：激光指针+2、BezierPointer：贝塞尔曲线激光指针 1、简单激光指针（VRTK_SimplePointer） （1）继承于worldPointer （2）关于激光指针脚本： ? （3）定义：从控制器尾部发出一个有色光束来模拟激光束，能判断所指向的对象以及对象距控制器发出光束位置的距离。 相关例子：框架工具中003场景 2、VRTK_BezierPointer:贝塞尔曲线激光指针 ? ? （1）定义 贝塞尔指针从控制器末端发出一个曲线（由游戏对象组构而成）到（任何高度的）地面上一点。 激光束默认按控制器上的抓握键Grip来激活。 ? ? （2）脚本及相关属性 ? Enable Teleport（启用传送）：如果勾选了，在目标设置事件中的teleport标志位就设为true，所以传送脚本就知道是否要行动到新的目标。

OverNet | 速度快&高性能&任意尺度超分

Abstract DCNN在超分领域取得了前所未有的成功，然而基于CNN的超分方法往往存在计算量过大的问题，同时大多模型仅能处理特定超分比例，进而导致泛化性能缺失，提升了内存占用需求(注：这里指的是模型部署过程中的模型大小 残差模块是图像超分领域应用最广的一个模块，作者在标准残差模块的基础上进行了改进：(1)引入通道注意力机制SE；(2)引入可学习尺度因子 。 一般在超分中为避免信息损失，这个全局跳过连接不会添加ReLU激活。奇哉怪哉。 假设N为最大超分尺度，作者首先过尺度特征 ，它的分辨率尺度为 。 只能说：效果好且速度快的超分方案值得你拥有。更多实验结果与分析请查看原文。 image-20200809181635218 全文到此结束，对该文感兴趣的同学建议去查看原文。

光驱微米齿轮：激光驱动的超微型马达技术突破

哥德堡大学等机构的研究人员现已突破了这一障碍，他们摒弃了传统的机械传动装置，转而使用激光直接驱动齿轮运动。 光驱齿轮在他们新的研究中，研究人员证明，微型机器可以由光学超材料驱动——这是一种能够在纳米尺度上捕获和控制光的小型、图案化结构。 研究人员使用传统光刻技术，直接在微芯片上用硅制造出带有光学超材料的齿轮，齿轮直径仅为几十微米。通过用激光照射超材料，研究人员可以使齿轮旋转。 激光强度控制转速，并且通过改变光的偏振方向，也可以改变齿轮的旋转方向。研究人员因此非常接近制造出真正的微马达。一种新的思维方式“我们构建了一个齿轮组，其中一个光驱齿轮带动整个链条运动。 由于激光不需要与机器有任何物理接触且易于控制，微马达可以扩展为复杂的微系统。“这是在微观尺度上思考力学的一种根本性新方式。通过用光取代笨重的耦合装置，我们最终能够突破尺寸障碍，”Gan Wang说。

速度超快！字节跳动开源序列推理引擎LightSeq

因此，今天给大家安利一款速度非常快，同时支持非常多特性的高性能序列推理引擎——LightSeq。 高性能 LightSeq推理速度非常快。例如在翻译任务上，LightSeq相比于Tensorflow实现最多可以达到14倍的加速。 同时领先目前其他开源序列推理引擎，例如最多可比Faster Transformer快1.4倍。 2. LightSeq 衰减相对平缓，特别是在大 batch 场景下更加具有优势，最多能比 Faster Transformer 快 1.4 倍。 下面是k=2，词表大小=8的情况下一个具体的示例（列代表第几个字符输出，行代表每个位置的候选）。

Disruptor框架学习(2)--为啥这么快

Disruptor框架学习(2)--为啥这么快 在上一篇中，笔者阐述了Disruptor的代码实现和数据结构。在说到，Disruptor为什么性能那么高的时候，提及了几个概念：CAS、缓存行、伪共享。 当CPU执行运算时，它首先会去L1缓存中查找数据，找到则返回；如果L1中不存在，则去L2中查找，找到即返回；如果L2中不存在，则去L3中查找，查到即返回。如果三级缓存中都不存在，最终会去内存中查找。 例如：核心1启动了1个线程，核心2启动了1个线程，这2个线程分别要修改不同的变量，其中核心1的线程要修改x变量，而核心2的线程要修改y变量，但是x、y变量在内存中是相邻的数据，他们被加载到了同一个缓存行当中 ，核心1的缓存行有x、y，核心2的缓存行也有x、y。 S(Shared):x变量存在于core1 core2 core3中 ? M(Modified)：core1修改了x变量，core2 core3的缓存行被置为无效状态 ?