XiaoMi-AI文件搜索系统
World File Search Systemfailures
实时的多尺度成像技术，无创的锂离子电池故障
大多数Libs都包含各种材料的复杂性，并侵入了阴极，阳极，电力和分离器的四个主要成分。它还由从软材料（例如包装材料和粘合剂）到陶瓷，碳和金属材料（如当前收集器，导电添加剂和外部标签）组成的各种材料。[11,12]了解每种材料的个体特征以及电池内的降解行为引起的潜在缺陷对于验证安全性和可靠性至关重要。[7,13]通过广泛的研究，电池老化的主要起源已被确定为活性材料晶体结构的降解[14-16]，并且由于电极/电解质界面的不稳定性，化学和电化学侧面的反应。[17 - 20]这些发现提供了有关解决学术界和行业问题的见解，并通过推进制造技术来验证绩效可靠性。然而，面向性能的细胞设计和高尺度制造的意外细胞失衡会增加电池故障和火灾的风险。[21 - 24]在制造过程中很难检测出意外的故障或小错误，并且可以被视为在极端工作条件下可能出现的“潜在缺陷”。[25 - 27]此处的“潜在”缺陷术语是指在实际使用前进行合理彻底检查无法发现的电池内部的故障。例如，几个潜在缺陷可能包括无法完全尽管细胞制造过程已经智能自动化，但确定细胞的断层类型和失败模式并寻求潜在缺陷的位置仍然是一个挑战。
视觉集成导航系统，用于在 GNSS/SBAS 或 ILS 发生故障时进行飞机最后进近
本文提出了一种视觉集成导航系统，用于引导飞机在最终下滑道上滑行。该系统利用机载视觉系统跟踪跑道特征并估计飞机相对于着陆跑道的 6D 姿态。如果 ILS 或 GNSS/SBAS 传感器性能下降或出现故障，所提出的视觉集成导航系统将允许飞机继续执行最终进近程序，并保持导航精度。为了处理由于图像处理时间而导致的此类基于视觉的测量不可忽略的延迟，建立了一个包含时间延迟测量的误差状态卡尔曼滤波器 (ESKF) 框架。所提出的延迟测量 ESKF 框架利用了这样一个事实：摄像机图像采集由系统触发，因此可以无延迟地通知。这使得导航滤波器能够及时向前执行估计状态的反向传播，以便在测量可用时为未来的校正步骤做好准备。基于此框架的视觉集成导航系统已开发出来，并在模拟中验证了其功能。其估计性能将通过固定翼无人机实验平台上的两种不同视觉系统进行飞行评估。
FDA令人不安的失败，无法使用其权威来规范转基因食品
许多人，包括消费者，政治家以及越来越多的科学家 - 一直对某些转基因修饰（“ GM”）作物以及含有它们的食物的环境和健康影响越来越关注。尽管许多转基因农作物都经过抗拒除草剂的设计，因此允许使用更有限和有针对性的除草剂使用，但具有GM作物的农业实践却转移到明显更高的除草剂中，部分原因是杂草的除草剂耐药性的增加。2国际癌症研究机构最近将农民广泛使用的除草剂分类为“可能”或“可能的”致癌物，而美国国家科学院已经召集了一个委员会，以评估委员会，以评估GM作物的环境和健康影响。这是美国粮食生产的关键问题，因为该国种植的大豆和玉米中有90％是基因修改的。食品药品监督管理局（“ FDA”）是负责监管美国食品安全的联邦机构。目前，它认为其有限的监管GM食品的权力主要评估其对食用这些食物的人的直接影响。即使在这种直接的健康和安全效果方面，FDA也轻轻地行使了其权威，因为GM食品通常是安全的，因此对其进行了最少的审查。
大多数美国数据中心可以使用室外空气进行冷却而不会导致故障
本文件是作为美国政府资助工作的记录而编写的。尽管我们认为本文件包含正确的信息，但美国政府及其任何机构、加利福尼亚大学董事会及其任何员工均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任，也不表示其使用不会侵犯私有权利。本文中以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构或加利福尼亚大学董事会对其的认可、推荐或支持。本文中表达的作者的观点和意见不一定代表或反映美国政府或其任何机构或加利福尼亚大学董事会的观点和意见。
大多数美国数据中心可以使用室外空气进行冷却而不会导致故障
本文件是作为美国政府资助工作的记录而编写的。虽然本文件被认为包含正确的信息，但美国政府及其任何机构、加利福尼亚大学董事会及其任何员工均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务，并不一定构成或暗示美国政府或其任何机构或加利福尼亚大学董事会对其的认可、推荐或支持。本文表达的作者的观点和意见不一定陈述或反映美国政府或其任何机构或加利福尼亚大学董事会的观点和意见。
一项关于使用大语言模型分析软件供应链安全失败
随着我们越来越依赖软件系统，软件供应链中漏洞的后果变得更加严重。高档的网络攻击（例如Solarwinds和ShadowHammer）导致了大量的财务和数据丢失，这强调了对更强的网络安全的需求。防止将来违规的一种方法是研究过去的失败。但是，分析过去失败的传统方法需要手动阅读并汇总有关它们的报告。自动支持可以降低成本并允许更多失败的分析。自然语言处理（NLP）技术，例如大语言模型（LLM），可以利用以帮助分析失败。在这项研究中，我们评估了大语言模型（LLM）分析历史软件供应链漏洞的能力。我们使用LLM来复制由云本机计算基金会（CNCF）成员执行的69个软件供应链安全失败的手动分析。我们开发了LLMS通过四个维度进行分类的提示：折衷，意图，na的类型和影响。GPT 3.5的分类平均准确性为68％，而Bard的准确度比这些维度的精度为58％。我们报告说，LLM有效地表征了软件供应链失败时，当源文章足够详细以在手动分析师之间达成共识，但无法替代人类分析师。未来的工作可以在这种情况下提高LLM的性能，并研究更广泛的文章和失败。
一项关于使用大语言模型分析软件供应链安全失败
6个恶意维护者发生在维护者或摆姿势维护者的实体时，故意在供应链中或源代码中的某个地方注入脆弱性。这种妥协可能会带来很大的后果，因为通常许多人认为执行攻击的个人被许多人认为是值得信赖的。此类别包括经验丰富的维护者的攻击，涉及流氓，帐户稳定和新的角色，在他们履行职责后不久就进行了攻击。
大多数美国数据中心可以使用室外空气进行冷却而不会导致故障
本文件是作为美国政府资助工作的记录而编写的。尽管我们认为本文件包含正确的信息，但美国政府及其任何机构、加利福尼亚大学董事会及其任何员工均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任，也不表示其使用不会侵犯私有权利。本文中以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构或加利福尼亚大学董事会对其的认可、推荐或支持。本文中表达的作者的观点和意见不一定代表或反映美国政府或其任何机构或加利福尼亚大学董事会的观点和意见。
一种用于消除实际 CDM 故障的带插座和不带插座 CDM 测试方法 技术质量论文
在 30 种经过分类的双极、BiCMOS 和 CMOS 插座式 CDM 产品中，有 27 种产品的耐压为 ≥ 500V，且未出现实际 CDM 故障。在耐压 <500V 的三种产品中，有两种在经过分析和重新设计之前，因制造原因而多次出现 CDM 故障。对这两种产品的分析表明，插座式和非插座式 CDM 测试均在实际 CDM 故障中发现的相同故障位置复制了初始电介质击穿故障机制。然而，插座式 CDM 测试始终比非插座式 CDM 测试造成更严重的损坏。在一种产品上，这导致了与插座式 CDM 和实际故障完全不同的故障模式。基于这项工作，提出了一种结合插座式和非插座式 CDM 测试的方法来分类/评估新产品并推动 CDM 稳健性的改进。