本文提出了一种新方法,用于光伏逆变器中功率半导体设备的加速老化测试。任务剖面:在法国的多个光伏植物中,在几年内提取输出电流和环境温度。创建一个特定的老化轮廓,该轮廓不仅要考虑到光伏逆变器的应用的不同约束(高频开关和正弦形电流),还可以重现光伏倒置商的输出电流的典型轮廓。同样,环境温度也有所不同。通过施加持续时间相对较长的电流注射,DBC(直接键合铜)底物和冷却器会受到高温波动的影响。该方法应显示出在光伏应用中使用的DC/AC逆变器的热行为的更好表示,并有望比传统的功率循环显示出更具代表性的结果,从而减少了某些故障模式的偏爱,从而损害了他人。
训练补偿动力不匹配的三角洲(残留)动作模型。然后用Delta动作模型集成到模拟器中,以ASAP微调进行预训练的策略,以有效地与现实世界动力学对齐。我们在三种转移方案中尽快评估了ISAACGYM到Isaacsim,Isaacgym到Genesis和Isaacgym,以及真实世界的G1人类人体机器人。我们的方法显着提高了各种动态运动的敏捷性和全身协调,与Sysid,DR和Delta动力学学习基准相比,跟踪误差减少了。尽快实现了以前难以实现的高度敏捷运动,这证明了在桥接模拟和现实世界动力学中的三角洲动作学习的潜力。这些结果表明,可以开发出更具表现力和敏捷的人形生物的有希望的SIM到真实方向。
摘要在行业5.0革命的初始阶段,敏捷方法论在公司中变得至关重要,特别是对于旨在在这个新时代建立竞争优势的项目。这项研究的目的是评估合同条款中的灵活性如何影响敏捷项目的绩效,尤其是在行业5.0的背景下。使用定量,探索性,描述性和横截面方法;在此处,应用了仅考虑具有敏捷方法学认证的专业人员以及在公共和私营部门项目管理方面经验经验的专业人员。最终样本(100名参与者)是从1,000个宇宙中选择的,以确保部门和管理角色的代表性。分析表明,有82%的受访者认为合同灵活性显着提高了项目目标的实现,主要因素是:1)适应性(72%); 2)灵活性(82%); 3)持续学习(84%);速度(87%),团队合作(81%);客户的重点(87%)有助于项目参与者之间的灵活性和协作有效地满足合同条件。此外,这些发现强调了快速提高敏捷环境中员工的知识,技能和经验的重要性。该研究主张外部支持,以加快情境专业知识的获取,减轻风险并促进组织中创新文化。
。cc-by-nc-nd 4.0国际许可证(未经同行评审证明)获得的是作者/资助者,他授予Biorxiv授予Biorxiv的许可,以永久显示预印本。这是该预印本版本的版权持有人,该版本发布于2025年2月5日。 https://doi.org/10.1101/2025.01.14.633043 doi:Biorxiv Preprint
尽管已经提出了多巴胺系统的年龄差异基于横断面数据导致与年龄相关的认知下降,但最近的大型横截面研究报告说,仅报告衰老,多巴胺受体可用性和认知的相关性证据较弱。无论如何,纵向数据对于对多巴胺损失作为认知衰老的基础仍然具有强大的陈述至关重要。我们表现出D2/3多巴胺受体可用性的变化与健康的老年人超过5年的工作记忆变化之间的相关性(n = 128,基线时64至68岁)。Greater decline in D2/3 dopamine receptor availability in working memory-relevant regions (caudate, middle frontal cortex, hippocampus) was related to greater decline in working memory performance in individuals who exhibited working memory reductions across time ( n = 43; caudate: r s = 0.494; middle frontal cortex: r s = 0.506; hippocampus; r s = 0.423), but not in individuals who保持性能(n = 41;尾状:r s = 0.052;中额皮层:r s = 0.198;海马; r s = 0.076)。在Orbitrontal Cortex中未观察到偏链中的多巴胺 - 工作记忆链路,该链不属于核心工作记忆网络。我们的纵向分析支持了以下观点:多巴胺系统中与衰老相关的变化有助于衰老的工作记忆下降。
(未通过同行评审认证)是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版本的版权持有人于2025年2月8日发布。 https://doi.org/10.1101/2025.02.04.636476 doi:Biorxiv Preprint
摘要 — 现代 CMOS 技术(例如 FDSOI)受到严重老化效应的影响,这种老化效应不仅取决于与纳米级技术相关的物理问题,还取决于电路环境及其运行时活动。因此,很难为关键路径估计建立可靠的先验保护带,通常会导致较大的延迟损失(从而导致性能损失)或过短的工作寿命。在本文中,我们提出了一种使用机器学习技术的方法来获得近关键路径老化的可靠预测。从一组有限的测量和模拟数据开始,我们的框架能够根据物理参数、环境条件和电路活动准确估计关键路径延迟随时间下降的情况。此外,还应用相应的回归模型来获得动态老化感知的操作性能点选择策略。
[10] C. Agia,K。M. Jatavallabhula,M。Khodeir,O。Miksik,V。Vineet,M。Mukadam,L。Paull,L。Paull和F. Shkurti,“任务学:评估机器人任务计划在大型3D场景图上进行大型3D场景图的计划”机器学习研究会议记录,第1卷。164,PMLR,2022,pp。46–58。 [在线]。 可用:https://arxiv.org/abs/2207.05006。46–58。[在线]。可用:https://arxiv.org/abs/2207.05006。