Preferred Networks, Inc. (PFN) 以垂直整合的方式开发先进的软件和硬件技术,涵盖从芯片、超级计算机、生成式 AI 基础模型到解决方案和产品的整个 AI 价值链。PFN 于 2014 年 3 月在东京成立,其技术已应用于制造、交通运输、医疗保健、娱乐和教育等一系列行业。PFN 的 MN-3 是一款由其 MN-Core™ AI 处理器驱动的超级计算机,在 2020 年和 2021 年三次荣登 Green500 排行榜,成为全球最节能的超级计算机。PFN 拥有材料发现、机器人和基础模型子公司。https://www.preferred.jp
关于 Preferred Networks Preferred Networks (PFN) 成立于 2014 年 3 月,旨在开发深度学习、机器人技术和其他先进技术的实用、现实应用。PFN 的业务领域包括交通运输、制造、生命科学、机器人、工厂优化、材料发现、教育和娱乐。2015 年,PFN 开发了开源深度学习框架 Chainer™。配备 MN-Core™ 深度学习处理器的 PFN 的 MN-3 超级计算机在 2020 年和 2021 年三次荣登 Green500 榜单榜首。https://www.preferred.jp/en/
摘要 本研究获得了基于铁电磁 PbFe 1/2 Nb 1/2 O 3 粉末和铁氧体粉末(锌镍铁氧体,NiZnFeO 4 )的多铁性(铁电-铁磁)复合材料(PFN-铁氧体)。陶瓷 PFN-铁氧体复合材料由 90% 粉末 PFN 材料和 10% 粉末 NiZnFeO 4 铁氧体组成。陶瓷粉末采用传统工艺方法合成,采用粉末煅烧,而复合粉末的致密化(烧结)采用两种不同的方法进行:(1)自由烧结法(FS)和(2)放电等离子烧结(SPS)。对复合 PFN-铁氧体样品进行了热测试,包括直流电导率和介电性能。此外,还在室温下测试了复合材料样品的 XRD、SEM、EDS (能量色散谱) 和铁电性能 (磁滞回线)。在工作中,对用两种方法获得的 PFN-铁氧体复合材料样品的测量结果进行了比较。多铁性陶瓷复合材料的 X 射线检查证实了来自复合材料铁电 (PFN) 基质的强衍射峰以及由铁氧体组分引起的弱峰。同时,研究表明不存在其他不良相。这项研究的结果表明,通过两种不同的烧结技术 (自由烧结法和放电等离子烧结技术) 获得的陶瓷复合材料可以成为功能应用的有前途的材料,例如,用于磁场和电场传感器。
会长:札幌市立大学校长 中岛秀之 委员:东京大学先进科学技术研究中心教授 井波昌彦 株式会社 Ridge-i 董事兼首席研究员 欧姆龙 SCINICX 株式会社首席研究员 川上友福 株式会社 Industrial Growth Platform 合伙人兼董事总经理 松尾丰 东京大学教授 丸山宏 花王株式会社执行研究员 东京大学人工智能工程研究中心特任教授 Preferred Networks 株式会社 PFN 研究员 村川昌宏 产业技术综合研究所信息与人体工学部人工智能研究中心副主任(兼任人工智能研究战略部研究规划室主任) (委员按字母顺序排列,省略头衔)
图 1-1 能力成熟度模型 1.1 版 1-4 图 1-2 能力成熟度模型结构 1-7 图 1-3 随着组织过程成熟度的提高,预测的性能分布 1-8 图 1-4 CMM 中的 2 级和 3 级关键过程域 1-10 图 1-5 DoD-STD-2167A 活动 1-12 图 1-6 软件过程的产品方法 1-13 图 1-7 软件密集型采购中可以考虑的承包商属性示例 1-17 图 1-8 关键过程域发现示例 1-19 图 1-9 过程评估和能力评估之间的差异 1-20 图 1-10 将评估方法转移到组织中的步骤 1-23 图 1-11 SCE 实施检查表 1-24 图 2-1 SCE 准备时间表2-28 图 B-1 受分包商影响的源选择活动 B-40 图 3-1 分包商使用决策标准 3-44 图 3-2 一次源选择的分包商估计劳动力 3-53 图 3-3 分包商人员负荷随时间变化 3-54 图 3-4 分包商成本汇总示例(培训加现场) 3-56 图 3-5 分包商施加的开发组织成本示例 3-57 图 4-1 RFP 发布前的分包商进度表示例 4-62 图 4-2 RFP 发布后的分包商进度表示例 4-65 图 4-3 具体标准或技术项目示例 4-68 图 4-4 颜色描述 4-69 图 4-5 风险描述 4-70 图 4-6 最近一次分包商的总结结果 4-71 图 4-7 详细结果 4-73 图4-8 详细发现(续)