XiaoMi-AI文件搜索系统
World File Search System加速机
使用可编程开关的加速机器学习
摘要。高频交易（HFT）采用尖端硬件来快速决策和订单执行，但通常依赖于可能会错过更深层次市场趋势的简单算法。相反，低频算法交易使用机器学习（ML）进行更好的市场预测，但更高的延迟可以否定其战略收益。为了达到两全其美，我们提出了一种网络内ML解决方案，该解决方案将ML过程嵌入了可授权的网络设备中，加速了功能工程和提取以及ML推断。在本文中，我们设计和开发了一种解决方案，该解决方案支持使用商品开关的股票中价和挥发运动预测。我们的方法达到了微秒尺度的超低潜伏期，与以前的工作相比，它显着降低了64％至97％，同时维持与服务器模型相同的ML性能。此外，通过将网络硬件和服务器相结合，混合部署策略可以使错误分类率的变化相对于服务器基线的0.8％以下，同时直接在开关上处理49％的流量并实现了端到端延迟的平均降低45％。
人工智能如何加速机器学习开发
Kumo 是智能数据科学领域的领导者，因为它利用图形结构的力量提供性能最高的模型和最准确的预测——直至实体级别。这是通过自动将关系数据转换为图形并使用图形神经网络 (GNN)（一种为图形设计的 AI 模型）从数据中的关系中学习来实现的。Kumo 可以使用低代码、类似 SQL 的查询快速构建高度准确的模型，这些模型可以跟上业务问题的步伐，这些查询可以预测细分、生命周期价值、行为等内容，从而改善个性化和推荐。
基于加速机械测试和有限元分析的焊点寿命建模
焊料疲劳是电力电子模块中观察到的主要故障模式之一。在使用条件下，电力电子部件会受到由电阻加热引起的反复温度波动。由于热膨胀系数不匹配，材料互连处会产生热机械应力。尽管如此，高可靠性应用要求使用寿命长达 30 年。因此，需要加速测试方法。然而，由于非弹性变形的应变率依赖性，理论寿命建模对于将加速测试方法的结果与通常的使用条件进行比较是必要的。本研究报告了一种在 20 kHz 超声波频率下运行的机械测试方法。在测试过程中，样品会受到反复弯曲变形，直到焊点最终断裂。确定了从室温到 175 ◦ C 的不同温度下裂纹萌生的循环次数。此后，对疲劳实验进行 FEM 计算机模拟，其中粘塑性 Anand 模型用作焊料的材料模型。用损伤累积模型评估焊料中裂纹的起始时间，该模型结合了 Coffin-Manson 模型和 Goodman 关系的多轴版本。结果表明，该模型可应用于焊料合金 PbSnAg、Sn3.5Ag 和 SnSbAg。