XiaoMi-AI文件搜索系统
World File Search SystemPEAK
使用优化和机器学习
摘要：准确的瞬时电力峰值负载预测对于有效的容量计划和具有成本效益的电力网络建立至关重要。本文旨在通过采用包含各种优化和机器学习（ML）方法的模型来提高瞬时峰值预测的准确性。本研究使用多线性回归（MLR）方程来研究独立输入对峰负荷估计的影响。这项研究利用1980年至2020年的输入数据，包括进出口数据，人口和国内生产总值（GDP），以预测瞬时电力峰值负载为输出值。根据误差指标，包括平均绝对误差（MAE），均方根误差（MSE），平均绝对百分比误差（MAPE），均方根误差（RMSE）和r 2评估这些技术的有效性。比较扩展到流行的优化方法，例如粒子群优化（PSO），以及该领域的最新方法，包括蒲公英优化器（DO）和淘金热优化器（GRO）。与常规机器学习方法进行了比较，例如支持向量回归（SVR）和人工神经网络（ANN），就其预测准确性而言。调查结果表明，ANN和GRO方法会产生最小的统计错误。此外，相关矩阵表明GDP与瞬时峰负载之间存在牢固的正线性相关性。所提出的模型显示出强大的预测能力来估计峰负荷，而ANN和GRO的表现与其他方法相比表现出色。
超越峰值性能：比较 AI 优化 FPGA 和 GPU 的实际性能
1 英特尔公司可编程解决方案事业部 2 多伦多大学和矢量研究所 3 卡内基梅隆大学 { andrew.boutros, eriko.nurvitadhi } @intel.com 摘要 — 人工智能 (AI) 的重要性和计算需求日益增长，导致了领域优化硬件平台的出现。例如，Nvidia GPU 引入了专门用于矩阵运算的张量核心，以加速深度学习 (DL) 计算，从而使 T4 GPU 的峰值吞吐量高达 130 int8 TOPS。最近，英特尔推出了其首款针对 AI 优化的 14nm FPGA Stratix 10 NX，其内置 AI 张量模块可提供高达 143 int8 TOPS 的估计峰值性能，堪比 12nm GPU。然而，实践中重要的不是峰值性能，而是目标工作负载上实际可实现的性能。这主要取决于张量单元的利用率，以及向/从加速器发送数据的系统级开销。本文首次对英特尔的 AI 优化 FPGA Stratix 10 NX 进行了性能评估，并与最新的 AI 优化 GPU Nvidia T4 和 V100 进行了比较，这些 GPU 都运行了大量的实时 DL 推理工作负载。我们增强了 Brainwave NPU 覆盖架构的重新实现，以利用 FPGA 的 AI 张量块，并开发了工具链支持，使用户能够仅通过软件对张量块进行编程，而无需在循环中使用 FPGA EDA 工具。我们首先将 Stratix 10 NX NPU 与没有张量块的 Stratix 10 GX/MX 版本进行比较，然后对 T4 和 V100 GPU 进行了详细的核心计算和系统级性能比较。我们表明，我们在 Stratix 10 NX 上增强的 NPU 实现了比 GPU 更好的张量块利用率，在批处理 6 时，与 T4 和 V100 GPU 相比，平均计算速度分别提高了 24 倍和 12 倍。即使在允许批处理大小为 32 的宽松延迟约束下，我们仍分别实现了与 T4 和 V100 GPU 相比 5 倍和 2 倍的平均速度提升。在系统级别，FPGA 的细粒度灵活性及其集成的 100 Gbps 以太网允许以比通过 128 Gbps PCIe 本地访问 V100 GPU 少 10 倍和 2 倍的系统开销延迟进行远程访问，分别用于短序列和长序列 RNN。索引术语 — FPGA、GPU、深度学习、神经网络
负闪电返回中风辐射的能量，动量和峰值功率
摘要：返回中风产生的电磁辐射领域从回流中的流动和动量传递到外太空。由于与垂直返回冲程相关的方位角对称性（圆柱形对称性），辐射场传输的动量仅具有垂直或Z分量。在本文中，研究了返回中风辐射的能量，动量和峰值功率，这是返回冲程电流的函数，返回冲程速度和辐射场的零跨时间。通过数值模拟获得的能量，垂直动量和闪电返回辐射辐射的峰功率获得的结果（所有通过将它们除以100 km处的辐射场峰的平方来归一化的参数）如下：典型的第一个返回率会产生50 µs的辐射量的范围，该频率将在50 µs中散发出频率。 （1.7–2.5）×10 3 j /（v / m）2和轨道垂直动量大约（2.3-3.1）×10-6 kg m / s /（v / m）2。零跨时间为70 µs的辐射场将消散大约（2.6-3.4）×10 3 J /（v / m）2 In Fiferd射线范围的能量，（3.2-4.3）×10-6×10 - 6 kg m / s / s / s /（v / m）
混合动力提供的5G基站的峰值剃须
由于对互联网服务的需求爆炸，信息和通信技术部门消耗了大约3％的世界电能。蜂窝通信最能源密集型的部分是基站，其中大约有四百万在全球部署。引入了第五代（5G）无线网络，基站的数量将与数据流量并行增长，而数据流量将增加基本站的能源消耗以满足增长的能力。高功率消耗和动态交通需求超大，因此降低了能源效率。在本文中，提出了针对5G宏基站的节能混合电源系统。可以分析的是，随着太阳能与电网的常规供应一起工作，由于需求的波动大大减少，因此观察到较差的功率质量的降低。提出的模型显示平均网格功率降低了14.9％。此外，电源显示出5kW的峰值剃须；因此，降低了对网格的依赖，并增加了该混合电源系统的能源效率。
峰值需求能源计划下的微电网合作能源调度
摘要 — 提出了一种合作能源调度方法，该方法允许对一组微电网进行联合能源优化，以实现微电网单独无法实现的成本节约。所讨论的微电网可能是配电网中的商业实体，根据包括使用时间 (ToU) 和峰值需求费用的公用事业电价计划。将稳定运行定义为所有微电网都愿意参与的情况，结果表明，在这种费率计划下，特别是由于峰值需求费用，看似公平的成本分配并不一定会导致稳定的合作。本文使用合作博弈中的概念得出了这些结果。因此，我们试图设计一种稳定的成本分配算法，在最大限度地提高参与微电网之间的公平性的同时，确保它们都从参与中受益。一个简单的案例研究展示了合作的公平性和稳定性方面。
脑波控制：脑力锻炼和器乐相结合，达到最佳注意力集中效果
背景：为了达到最佳运动表现，教练可以通过心理生理效应进行心理操纵，最大限度地发挥大脑潜能，从而通过训练计划中的神经心理学方法提高认知和运动表现。目的：本研究旨在探索健脑活动与器乐相结合对优化β和γ脑波和提高注意力的影响。方法：本研究采用准实验方法，采用前测-后测对照组设计，涉及来自 PGRI Silampari 大学 (UNPARI) 学生活动部门的 20 名五人制足球运动员。结果：分析结果表明，参与者的β和γ脑波显著增加，注意力得到提高。结论：研究结果表明，健脑活动与器乐相结合可有效增强大脑活动和注意力。本研究为制定通过整合身体和心理方面的整体方法优化运动员表现的训练策略提供了新的见解。
Everest Group 可持续 IT 服务 PEAK Matrix® 评估 2025 - 重点关注埃森哲
在当今快速发展的商业环境中，可持续 IT 已成为旨在最大程度降低环境影响的组织的重中之重。这种紧迫性源于几个关键因素。首先，IT 基础设施通常是组织最大的排放源之一，因此采用可持续做法至关重要。此外，生成式人工智能 (gen AI) 等先进技术的兴起带来了巨大的能源需求，因为对高计算能力和存储的需求不断增加。此外，许多组织在管理与公共和混合云解决方案相关的隐性排放（尤其是范围 3 排放）方面面临挑战。这些排放可能很复杂且难以衡量，需要专家提供商的支持才能有效应对这些挑战。这种向可持续 IT 的转变凸显了组织需要与可靠的 IT 服务提供商合作，这些提供商可以帮助实施减少客户 IT 资产碳足迹同时提高运营效率的战略。
Everest Group 人工智能 (AI) 服务 PEAK Matrix ® 评估 2023
1 对 EPAM、Eviden（Atos 旗下企业）、EY、Infosys、KPMG、PwC 和 UST 的评估不包括本研究中的服务提供商输入，而是基于 Everest Group 利用其专有交易情报 (TI) 数据库、服务提供商公开披露的持续覆盖范围以及与买家的互动而做出的估计。对于这些公司，Everest Group 的评估数据可能不太完整 2 对 Deloitte 的评估基于服务提供商提供的部分输入，也基于 Everest Group 利用其专有交易情报 (TI) 数据库、服务提供商公开披露的持续覆盖范围以及与买家的互动而做出的估计。对于这家公司，Everest Group 的评估数据可能不太完整 来源：Everest Group (2023)
2025年1月的奖励和认可（R＆R）解决方案峰矩阵®评估2025
1本评估是基于珠穆朗玛峰集团的估计，该估计利用其专有交易情报（TI）数据库，服务提供商的公开披露以及与买家的互动。它还通过12个提供商的RFI（成就者，AdvantageClub.ai，Augeo，Angegn，Anging 2 Excel，Inspirus，Ita Group，O.C。）获取了输入。Tanner，Vantage Circle，Vega HR，Workhuman，Worktango和XoxoDay 2 Everest Group已独立地分析了奖励网关和Gointegro，考虑到它们的独特功能。但是，两家公司现在都是同一实体的一部分，Edenred机密性：Everest Group非常重视其机密性承诺。收集到的任何特定合同信息只能以汇总方式呈现给行业