XiaoMi-AI文件搜索系统
World File Search SystemCDNN
在低能耗嵌入式设备上实现深度学习和AI - Ceva, Inc.
智能嵌入式视觉应用的设计变得前所未有 的快捷而安全，这要归功于围绕 CEVA-XM6 DSP 而构建的全方位视觉平台。该平台包含 CEVA 深度神经网络（ CDNN ）编译器图表、计 算机视觉软件库以及一系列算法。
迭代机器学习辅助框架在焊料互连中的疲劳和蠕变损伤之间架起桥梁
摘要 — 电子系统中焊点寿命估算方法成本高昂且耗时，加上数据有限且不一致，对将可靠性考虑作为电子设备主要设计标准之一提出了挑战。在本文中，设计了一个迭代机器学习框架，使用一组自修复数据来预测焊点的使用寿命，这些数据通过热负荷规格、材料特性和焊点几何形状强化了机器学习预测模型。自修复数据集通过相关驱动神经网络 (CDNN) 迭代注入，以满足数据多样性。结果表明，在很短的时间内，焊点的寿命预测精度得到了非常显著的提高。分别评估了焊料合金和焊料层几何形状对焊点蠕变疲劳损伤演变的影响。结果表明，Sn-Ag-Cu 基焊料合金通常具有更好的性能。此外，蠕变和疲劳损伤演化在 Sn-Pb 和 Sn-Ag-Cu 基焊料合金中分别占主导地位。所提出的框架提供了一种工具，允许在制造的早期阶段对电子设备进行可靠性驱动的设计。