Построение поведенческих моделей микропроцессоров для генерации тестовых программ

?

Построение поведенческих моделей микропроцессоров для генерации тестовых программ

Известия высших учебных заведений. Физика. 2016. Т. 59. № 8-2 . С. 97–100.

Татарников А. Д.

В работе предлагается метод автоматизированного построения поведенческих моделей микропроцессоров, используемых при генерации тестовых программ для предсказания результатов их выполнения. Предложенный метод основан на использовании формальных спецификаций системы команд. Данный метод реализован в инструменте MicroTESK, разработанном в ИСП РАН. Инструмент успешно применяется для верификации промыш-
ленных микропроцессоров.

Научное направление: Компьютерные науки

Приоритетные направления: компьютерно-математическое

Язык: русский

Текст на другом сайте

Proceedings of the 11th Workshop on Automated Knowledge Base Construction (AKBC 2026)

[б.и.], 2026.

Добавлено: 28 октября 2026 г.

Molecular dynamics and machine learning insights into oil-brine interfacial tension: Uncovering roles of dissolved gases and salinity

Nikitiuk B., Lenev D., Писарев В. В. и др., Journal of Colloid and Interface Science 2026 Vol. 718 Article 140444

Добавлено: 28 октября 2026 г.

Predicting multi-component oil viscosity using machine learning methods

Deshchenya V., Nikolay D. Kondratyuk, Sivakova A. и др., Chemical Engineering Sciences 2027 Vol. 337 Article 124616

Добавлено: 28 октября 2026 г.

PARSE: Physical attribute representativity and stationarity evaluator open-source library for 3D images using scalar and vector metrics

Zubov A., Zubov A., Малявко, Я. и др., Computer Physics Communications 2025 Vol. 317 Article 109860

Добавлено: 28 октября 2026 г.

Amplifying Latent Safety in Large Language Models via Gated Activation Steering

Roman Prosvirnin, Suslov A., Aleksei Soldatov и др., Computation 2026 Vol. 14 No. 10 Article 261

Добавлено: 27 октября 2026 г.

PACTraD: Multi-Task Benchmark and Domain-Specific Attention Mechanism for Wildlife Classification, Detection, and Segmentation in Protected Area Camera Trap Data

Aleksei Samarin, Назаренко А. А., Nazarenko D. и др., Big Data and Cognitive Computing 2026 Vol. 10 No. 11 P. 1–52

Добавлено: 27 октября 2026 г.

2026 10th Scientific School Dynamics of Complex Networks and their Applications

IEEE, 2026.

Добавлено: 26 октября 2026 г.

A Curated Dataset for Chemical Characterization of Heated Tobacco Product Aerosol

Maddalena L., Yildiz B., Del Vecchio Blanco F. и др., Scientific data 2026 P. 1–20

Добавлено: 26 октября 2026 г.

A Multi-Feature Fusion Deep Neural Network with Attention for Multi-Task Crop Monitoring

Obsie E. Y., Zhan Y., Liu Y., Engineering Research Express 2026 Article 7

Добавлено: 22 октября 2026 г.

A Neural Network Approach for Generating Libration Point Orbits

Lev Pyatko, Sergey Aksenov, Regular and Chaotic Dynamics 2026 Vol. 31 No. 5 P. 794–813

In the circular restricted three-body problem, families of periodic and quasi-periodic orbits exist in the vicinity of the libration points and are of significant interest for practical applications. This work presents a neural network-based algorithm for orbit construction and station-keeping, applicable to both periodic and quasi-periodic orbits near collinear libration points. The method employs a ...

Добавлено: 19 октября 2026 г.

Основы теории информации

Воронцова Т. Д., М.: Академия, 2025.

Учебник подготовлен в соответствии с требованиями федеральных государственных образовательных стандартов среднего профессионального образования и предназначен для изучения профессиональных модулей «Защита информации в информационно-телекоммуникационных системах и сетях с использованием программных и программно-аппаратных, в том числе криптографических средств защиты» и «Защита информации в автоматизированных системах программными и программно-аппаратными средствами». Содержание учебника включает в себя аксиоматику теории информации, а также такие фундаментальные понятия, как ...

Добавлено: 19 октября 2026 г.

A Reproducible Microscopy Acquisition Pipeline and Microscopy-Aware Attention for Classification, Detection, and Segmentation of Microorganisms

Aleksei Samarin, Назаренко А. А., Nazarenko D. и др., Machine Learning and Knowledge Extraction 2026 Vol. 8 No. 10 Article 330

Добавлено: 14 октября 2026 г.

Studies in Computational Intelligence

Springer, 2026.

Добавлено: 13 октября 2026 г.

Proceedings of the 3rd International Conference on Sustainability: Developments and Innovations. Proceedings of ICSDI 2026, Volume 4. Lecture Notes in Civil Engineering (LNCE, volume 886)

Springer, 2026.

Добавлено: 13 октября 2026 г.

Sandpile Cellular Automata with Manna Rule on the Chung-Lu Graph: Application to X Social Network

Дмитриев А. В., Корнилов В. В., Batienkov R., Lecture Notes in Civil Engineering 2026 Vol. 886 P. 249–255

Добавлено: 13 октября 2026 г.

Sandpile Cellular Automata with Manna Rule on the Chung-Lu Graph: Application to X Social Network

Дмитриев А. В., Shulman I., Лебедев А. А., Studies in Computational Intelligence 2026 Vol. 1265 P. 266–273

Добавлено: 13 октября 2026 г.

When universal machine learning models fail in capacitance prediction for carbon-based supercapacitors: Leakage-aware validation and electrolyte screening

Makarov D. M., Каликин Н. Н., Fashchevsky K. A. и др., Electrochimica Acta 2026 Vol. 579 Article 150159

Добавлено: 13 октября 2026 г.

LiteKV: A KV cache compression method for efficient inference on resource-constrained devices

Zhang Z., Ильвовский Д. А., Information Processing and Management 2026 Vol. 63 No. 7

Добавлено: 13 октября 2026 г.

No Species Is an Island, Entire of Itself: Genetic Speciation Algorithm with Interplay among Species

Громов В. А., Сохраби М., Fathollahi-Fard A., International Journal of Engineering, Transactions B: Applications 2027 Vol. 40 No. 5 P. 1437–1460

Добавлено: 12 октября 2026 г.

JavaCapsule: Итеративная генерация и отладка Java-кода на основе структурированной обратной связи

Александров Д. В., Василевский В. И., Резуник Л. и др., Труды Института системного программирования РАН 2026 Т. 38 № 5 С. 73–90

Ограничения при выполнении задач, требующих точного извлечения информации из сверхдлинных последовательностей, приводят к снижению качества генерации и отладки кода крупных объектно-ориентированных систем, характеризующихся сложными межклассовыми зависимостями и необходимостью анализа длинных трассировок выполнения, превышающих размеры стандартных контекстных окон. Предлагается технология JavaCapsule для генерации и отладки Java-кода, реализующая итеративную отладку на основе структурированной обратной связи, включающей результаты ...

Добавлено: 12 октября 2026 г.

Proceedings of the 34th IUPAP Conference on Computational Physics: CCP2023, August 4-8, Kobe, Japan

Singapore: Springer, 2026.

Добавлено: 12 октября 2026 г.

Анализ in silico вероятных зависимостей «структура-активность» этанола

Рыскина Е. А., Князев Е. Н., Вопросы биологической, медицинской и фармацевтической химии 2026 Т. 29 № 9 С. 84–91

Введение. Активная интеграция стремительно развивающихся омиксных и компьютерных технологий в XXI веке позволяет осуществить прорыв в понимании принципов функционирования живых систем. Одним из динамично развивающихся интегративных направлений в биологии является биологическое моделирование. Фундаментальной парадигмой стала методология, позволяющая спрогнозировать биологическую активность молекул на основе анализа их структуры Structure-Activity Relationship (SAR). Цель работы - предсказать in silico возможность ...

Добавлено: 29 сентября 2026 г.

A Three-Party W-State Quantum Secret Sharing Protocol with X-Gate Encoding and Forbidden-Outcome Detection

Timur Teregulov, Elena R. Loubenets, / Series Quantum Physics "arXiv". 2026. No. 2609.31472.

Добавлено: 28 сентября 2026 г.

Интегральная оценка сценариев кибератак на АСУ ТП с применением цифрового двойника и киберполигона

Лебедев О. Б., Митяков Е. С., Саенко И. Б. и др., Информация и космос 2026 № 1 С. 53–58

В статье представлена методика интегральной оценки кибератак на автоматизированные системы управления технологическим процессом с использованием связки «киберполигон Ampire + цифровой двойник». Подход базируется на расчете пяти критериев (тяжесть, возможности нарушителя, уязвимость, сложность, эффективность защиты), формирующих интегральный индекс угрозы. Проверка на трех сценариях подтвердила устойчивость индекса и чувствительность к настройкам защиты. Результаты позволяют количественно ранжировать угрозы и ...

Добавлено: 13 сентября 2026 г.