XiaoMi-AI文件搜索系统
World File Search System布局
优化移动边缘智能系统中的 AI 服务布局和资源分配
摘要 — 利用移动边缘计算 (MEC) 的最新进展，边缘智能已成为支持网络边缘移动人工智能 (AI) 应用的有前途的范例。在本文中，我们考虑了多用户 MEC 系统中的 AI 服务放置问题，其中接入点 (AP) 将最新的 AI 程序放置在用户设备上以在用户端启用本地计算/任务执行。为了充分利用严格的无线频谱和边缘计算资源，仅当在用户处启用本地计算可获得更好的系统性能时，AP 才会将 AI 服务程序发送给用户。我们制定了一个混合整数非线性规划 (MINLP) 问题，通过联合优化服务放置（即哪些用户接收程序）和资源分配（在本地 CPU 频率、上行链路带宽和边缘 CPU 频率上），以最小化所有用户的总计算时间和能耗。为了解决 MINLP 问题，我们推导出解析表达式来以低复杂度计算最佳资源分配决策。这样，我们可以通过基于搜索的算法（例如元启发式或贪婪搜索算法）有效地获得最佳服务放置解决方案。为了提高算法在大型网络中的可扩展性，我们进一步提出了一种基于 ADMM（交替方向乘数法）的方法，将优化问题分解为可并行处理的 MINLP 子问题。ADMM 方法消除了在高维空间中搜索服务放置决策的需要，因此具有较低的计算复杂度，并且随着用户数量的增加而线性增长。仿真结果表明，所提出的算法的性能非常接近最优值，并且明显优于其他代表性基准算法。
基于自适应聚类的大型综合能源系统分层布局优化
摘要：不同能源系统通常独立规划和运行，导致能源利用率低、自愈能力弱、系统可靠性低。为此，针对大规模综合能源系统，提出一种基于自适应聚类的分层布局优化方法，综合考虑能量平衡、输电损耗和建设成本。首先，提出一种基于能量平衡和负荷矩的自适应聚类划分方法，确定能源枢纽的最优位置，并将各分布式电源和负荷自适应地分配到不同的能源枢纽上，形成多个区域综合能源系统。然后，建立所提出的分层布局优化模型，分别寻找区域综合能源系统和多区域综合能源系统的修正最小生成树，构建经济可靠的互联网络。最后，通过仿真验证了优化模型和策略的有效性。
从 IC 布局到芯片照片：基于 CNN 的数据...
摘要 —我们提出了一个基于深度学习的数据驱动框架，该框架由两个卷积神经网络组成：1）LithoNet，可预测 IC 制造导致的电路形状变形；2）OPCNet，可建议 IC 布局校正以补偿这种形状变形。通过学习布局设计模式对与其产品晶圆的扫描电子显微镜 (SEM) 图像之间的形状对应关系，给定一个 IC 布局模式，LithoNet 可以模拟制造过程以预测其制造的电路形状。此外，LithoNet 可以将晶圆制造参数作为潜在向量，以模拟可以在 SEM 图像上检查的参数产品变化。此外，用于建议对光刻光掩模进行校正的传统光学邻近校正 (OPC) 方法在计算上非常昂贵。我们提出的 OPCNet 模仿了 OPC 程序，并通过与 LithoNet 协作来检查制造的电路形状是否与其原始布局设计最佳匹配，从而有效地生成校正的光掩模。因此，提出的 LithoNet-OPCNet 框架不仅可以从布局模式预测制造的 IC 的形状，还可以根据预测形状与给定布局之间的一致性建议布局校正。使用几个基准布局模式的实验结果证明了所提方法的有效性。
可持续建筑能源系统中光伏面板的网格感知布局
在人们对人为CO 2排放的关注点越来越关注的背景下，住宅建筑部门仍然代表了能源需求的主要贡献者。可再生能源，尤其是光伏（PV）面板的整合正在成为越来越广泛的解决方案，用于减少建筑能源系统的碳足迹（BES）。然而，能源发电及其与典型需求模式的不匹配引起了人们的关注，尤其是从电网管理的角度来看。本文旨在展示光伏面板在设计新的BES时的方向影响，并为最佳PV放置决策过程提供支持。该主题是用混合整数线性优化问题来解决的，其成本是目标，并且PV面板的安装，倾斜和方位角作为主要决策变量。与文献中报道的现有BES优化方法相比，PV面板的贡献是更详细的，包括更准确的太阳辐照模型和面板之间的阴影效果。与现有的PV建模研究相比，PV面板与BES的其余单元之间的相互作用，包括最佳调度的效果。该研究基于来自瑞士西部40座建筑物的住宅区的数据。结果证实了PV面板方位角对BES性能的相关影响。与向东的面板相比，南方方向仍然是最优选的选择，以西方为导向的面板更好地符合需求。除了对单个建筑物的好处外，适当选择的方向可以使网格有益：向西20°旋转面板可以与BES的适当调度相同，将交换的峰值与电力网的峰值降低50％，而总成本仅增加8.3％。包括PV能量产生的更详细的建模表明，假设水平表面可以导致
探索机器学习在展览布局中的应用......
博物馆展览空间布局的持续改进，使参观者在与展品互动时，能够保持较高的参与度，获得参观收益。博物馆展览空间的布置工作是一项复杂、成本高、耗时费力的手工工作。建立定制化的展览空间布局推荐方案，为博物馆工作人员提供展厅配置框架，提高展览布局效率，是十分必要和必要的。根据博物馆互动体验模型，我们提出从参观者行为、展品角色、空间布局三个维度，有助于寻找展览布局的情感化、体现化程序和物理原理。另一方面，人工智能的机器学习技术已广泛应用于许多专业领域（如诊断、监测、预测、分类、解释、调度）。根据展览布局的属性和机器学习方法的特点，我们认为机器学习是一种非常有潜力且强大的方法，可以根据先前的布局知识建立定制的展览布局推荐方案，值得在未来的研究中开发和实施。
GaN 晶体管电路的布局考虑因素
GaN 高开关速度导致的寄生电感 GaN 的使用频率高于老化功率 MOSFET 所能承受的频率，这使得寄生电感在电源转换电路中的劣化效应成为焦点 [1]。这种电感妨碍了 GaN 超快速开关能力的全部优势的发挥，同时降低了 EMI 产生。对于大约 80% 的电源转换器使用的半桥配置，寄生电感的两个主要来源是：(1) 由两个功率开关器件以及高频总线电容器形成的高频功率环路，以及 (2) 由栅极驱动器、功率器件和高频栅极驱动电容器形成的栅极驱动环路。共源电感 (CSI) 由环路电感中栅极环路和功率环路共有的部分定义。它由图 1 中的箭头指示。
ALIGN：自动化模拟布局系统
摘要 —ALIGN（“从网表智能生成的模拟布局”）是一种用于模拟电路的开源自动布局生成流程。ALIGN 将输入的 SPICE 网表转换为特定于给定技术的输出 GDSII 布局，由一组设计规则指定。该流程首先自动检测电路网表中的层次结构，并将布局综合转换为层次化模块组装问题。在最低级别，使用设计规则的抽象生成参数化单元；然后在几何和电气约束下组装这些模块以构建电路布局。ALIGN 已被用于为多种模拟电路系列生成布局：低频模拟模块、有线电路、无线电路和电力输送电路。
CMT2218-2219示意图和PCB布局设计
4.1 Power Filter Circuit Design ................................................................................................................................. 8
使用循环强化学习和模拟退火在集成电路中布局
随着集成电路 (IC) 技术的日益复杂，其物理设计和生产变得越来越具有挑战性。布局一直是 IC 物理设计中最关键的步骤之一。经过数十年的研究，基于分区、基于分析和基于退火的布局器不断丰富布局解决方案工具箱。然而，包括运行时间长和缺乏泛化能力在内的开放性挑战继续限制现有布局工具的更广泛应用。我们利用强化学习 (RL) 的进步，设计了一种基于学习的布局工具，该工具基于强化学习 (RL) 和模拟退火 (SA) 的循环应用。结果表明，RL 模块能够为 SA 提供更好的初始化，从而产生更好的最终布局设计。与其他近期基于学习的布局器相比，我们的方法主要不同之处在于它结合了 RL 和 SA。它利用 RL 模型在训练后快速获得良好粗略解决方案的能力和启发式方法实现解决方案贪婪改进的能力。