机构名称：
¥ 3.0
这个更为广泛的版本专门介绍了图林根州近代工业历史，即半导体技术。自 20 世纪 70 年代中期以来，埃尔福特 VEB 无线电设备/微电子公司已发展成为前东德最重要的微电子生产商。但早在 1960 年，埃尔福特就已开启了半导体时代，这在以前的专业圈子里是闻所未闻的。我们利用图林根工业档案馆中从未公开过的独特图像文档，展示了锗功率晶体管的惊人发展历程。图林根工业档案馆最近发现的伊尔默瑙工业大学 (THI) 的研究报告促使我们与当代见证人一起描述 DMOS 晶体管的发展。这涉及 THI 和 EEB Mikroelektronik Erfurt 之间的研究合作。值得注意的是，后来担任伊尔默瑙工业大学固体电子学教授、校长、德意志联邦共和国科学委员会主席、图林根州科学、研究与艺术部长、图林根州议会议长等的达格玛·希潘斯基（Dagmar Schipanski）也参加了此举。 1945年后，东德的Matthias Falter（1960年任泰尔托半导体技术研究所所长）和西德的Heinz Beneking（1961年任亚琛工业大学晶体管技术研究所所长）对半导体研究做出了特殊贡献。源自 Prof. Dr. 的科学遗产。回。天然。 Heinz Beneking 在我们的半导体技术收藏中有一些有趣的文物。他今年就100岁了。
前言
主要关键词
相关文件推荐
![通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。](/simg/d/dd5abf0752fcc9f891dc4a96743f916f96f28350.png)