如果没坏,就不要去修。这个看似合理的政策其实是一把双刃剑。兰德公司 2016 年的一项研究发现,美国空军的创新很大程度上取决于对问题的认识,一旦发现问题,空军士兵就会表现出非凡的创新能力。1 但美国空军有时无法发现问题,声称问题没有坏,而实际上问题已经坏了。在这种情况下,空军将竭尽全力“不去修”它未能认识到的问题。这种对创新的爱恨交织的关系让空军创新者不确定自己是会被提拔还是会被扫地出门。我们将以战斗机汇报中同样的方式来看待创新。战斗机飞行员不喜欢“也许”这个词,比如,如果我们实施优质空军、六西格玛、精益空军或 21 世纪空军智能作战 (AFSO21),我们可能会成为更好的创新者。不,战斗机飞行员专注于任务目标。如果他们达到了目标,那么他们就会说“干得好,我请客”。但如果他们没有达到目标,那么就需要进行长时间的汇报。他们会确定问题发生的确切位置,然后查看录音带并提出问题,直到确定到底出了什么问题。一旦确定了问题,他们就会专注于具体的纠正措施。美国空军领导人并没有提供任务汇报中那种清晰的说明。在 2013 年美国空军愿景中,M 将军
电池型48V / 105 AH技术锂 /磷酸铁(LIFEPO4)标称电压48 V级额定容量105 AH额定能量5,040 kWhnº在80%SOH 5000 SOH 5000 SOH 5000 SOH 5000的循环。40,5V Maximum discharge voltage 54 V Recommended discharge current (0.5C) 50 A Maximum discharge current (at 1C) 100 A Fuses 250 A Charge Max charging voltage 54,00 V Recommended charging voltage Range 51,75 V - 53,2 V Recommended charging current (0.7C) 70 A Temperature Charging Temperature 0 ºC to 55 ºC Discharging Temperature -20 ºC to 55 ºC Mechanic Connections 1组螺栓连接器保护等级IP65
执行摘要 北极气团正在影响美国中部,从加拿大边境向南一直到德克萨斯州带来了降雪、冰冻和极寒天气,导致冬季电力需求创下历史新高,并影响了发电量。德克萨斯州电力可靠性委员会 (ERCOT) 已指示公用事业公司自周一早上起在德克萨斯州实施受控停电以管理负荷。西南电力联盟 (SPP) 和中部大陆独立系统运营商 (MISO) 也在周一和周二实施了受控停电。预计北极气团将在本周剩余时间内继续影响该地区,预计周三德克萨斯州将出现更多冬季天气。电力行业摘要
参见主题可靠性标准。背景项目 2021-07 的目的是制定可靠性标准,通过改善极端寒冷天气下的运营、准备和协调来提高大容量电力系统 (BES) 的可靠性,正如联邦能源管理委员会 (FERC)、NERC 和区域实体联合工作人员对 2021 年 2 月极端寒冷天气事件的调查(“联合调查报告”)所建议的那样。1 2021 年 2 月事件从 2021 年 2 月 8 日至 20 日,极端寒冷天气和降水导致大量发电机组停电、降额或无法启动,从而导致能源和输电紧急情况(称为“事件”)。事件总稳定负荷削减是美国历史上最大的受控稳定负荷削减事件,也是继 2003 年 8 月东北部停电和 1996 年 8 月西海岸停电之后停电兆瓦 (MW) 负荷数量第三大的事件
1新加坡国立大学量子技术中心,新加坡3科学驱动器2,新加坡117543 2量子量子信息和计算机科学和量子学院联合中心,NIST/马里兰州,马里兰州,马里兰州大学公园,20742,美国20742,美国3美国高性能计算研究所(IHPC)16-16 Connexis, Singapore 138632, Republic of Singapore 4 MajuLab, CNRS-UNS-NUS-NTU International Joint Research Unit, Singapore UMI 3654, Singapore 5 National Institute of Education, Nanyang Technological University, 1 Nanyang Walk, Singapore 637616, Singapore 6 School of Electrical and Electronic Engineering Block S2.1, 50 Nanyang Avenue, Singapore 639798,新加坡7物理学系印度理工学院 - 孟买,孟买,孟买400076,印度8量子信息卓越中心,计算,科学和技术卓越中心,印度孟买孟买,孟买,印度400076
本文研究了网络化多智能体系统中的学习增强分散式在线凸优化,这是一个尚未得到充分探索的具有挑战性的场景。我们首先考虑一种线性学习增强分散式在线算法(LADO-Lin),该算法以线性方式将机器学习(ML)策略与基线专家策略相结合。我们表明,虽然 LADO-Lin 可以利用 ML 预测的潜力来提高平均成本性能,但它不能保证最坏情况的性能。为了解决这个限制,我们提出了一种新颖的在线算法(LADO),该算法自适应地结合 ML 策略和专家策略来保护 ML 预测,从而实现强大的竞争力保证。我们还证明了 LADO 的平均成本界限,揭示了平均性能和最坏情况鲁棒性之间的权衡,并展示了通过明确考虑鲁棒性要求来训练 ML 策略的优势。最后,我们对分散式电池管理进行了实验。我们的结果突出了 ML 增强在提高 LADO 的平均性能以及保证的最坏情况性能方面的潜力。
自然表达为对所有测量值的实现线性函数的优化,并具有固定数量的结果。在量子克隆[BDE + 98,SIGA05]和量子货币的密切相关概念[AFG + 12]的研究中出现了其他例子,其中人们普遍有兴趣知道,最佳选择的量子通道可以如何将一个给定状态的单个副本转换为相同状态的多个副本,以相对于多个差异图的多个差异。可以在量子复杂性理论中找到另一个示例,其中两种量子量子交互式证明系统[JUW09]自然分析为优化问题,在该问题中,目标函数描述了给定的验证者接受的概率,并且在所有量子通道中,优化的范围都在所有尺寸的量子通道中描述了可能的操作范围。关于在所有测量值中定义的线性函数的优化,并通过HOLVO [HOL73B,HOL73A]和YUEN,KENNEDY,KENNEDY和LAX [YKL70,YKL70,YKL75,YKL75,YKL70,YKL70,YKL75]确定了固定数量的结果,以实现最佳状态的必要条件。这些条件在本文稍后在本文稍后明确描述,相对容易检查;实际上,通过使用半有限编程[JVF02,IP03,EMV03],可以实际发现或近似最佳测量的问题,而有效解决的问题通常是一项更具计算机的任务。这些最佳条件可以很容易地扩展,以获得在所有量子通道的集合中定义的实现线性函数的最佳条件,从而将一个量子系统转换为另一个量子系统。我们证明了这些结果的概括,即凸出功能不一定是线性的凸出优化问题。更准确地说,我们考虑了形式的优化问题最小化f(φ)受φ∈C(x,y),(1),(1)
∗ 斯坦福大学和拍卖学。电子邮件:milgrom@stanford.edu † 斯坦福大学和拍卖学。电子邮件:mwatt@stanford.edu。感谢 Mohammad Akbarpour、Martin Bichler、Robert Day、Ravi Jagadeesan、Fuhito Kojima、Shoshana Vasserman 以及斯坦福大学、苏黎世大学、NBER 市场设计工作组、西蒙斯劳弗数学科学研究所和第 32 届石溪国际博弈论会议的研讨会参与者,以及对本项目提出的有益意见和建议的审稿人。本文的扩展摘要发表在第 23 届 ACM 经济与计算会议 (EC'22) 的论文集上,2022 年 7 月 11 日至 15 日,美国科罗拉多州博尔德,题为“无凸性市场的线性定价机制”。本文的早期草稿以“非凸经济的瓦尔拉斯机制和约束形式第一福利定理”为题发表。米尔格罗姆感谢美国国家科学基金会 (拨款编号 SES-1947514) 的支持。瓦特感谢斯坦福大学 Koret 奖学金、Ric Weiland 研究生奖学金和 Gale and Steve Kohlhagen 经济学奖学金的支持。
仔细研究支持 EUV 开发的研究界对于当今的政策制定者和半导体行业尤其重要。EUV 研究始于 20 世纪 80 年代,当时美国半导体行业在双方政府的大力干预下试图抵御崛起的日本公司。与此同时,该行业认识到,新一代光刻光源对于制造未来的先进芯片以维持摩尔定律是必不可少的。今天也存在类似的情况,美国、欧洲和亚洲的政策制定者都在进行千载难逢的努力来保护和促进各自的半导体行业,而崛起的中国公司则试图挑战行业领导者。与此同时,整个半导体行业都认识到一场缓慢发展的生存危机:人工智能的快速发展必须由相应的计算能力的快速发展来维持。然而,摩尔定律的终结就在眼前,即使是 EUV 也无法拯救它。4
本报告是作为由美国政府机构赞助的工作的帐户准备的。既不是任何雇员,他们的任何雇员,其任何雇员,分包商或其雇员,都能对准确性,完整性或任何第三方使用或任何信息的使用结果,或代表其使用任何信息,私人或代表其使用权的保证,或承担任何法律责任或责任,或者任何第三方使用,或者没有任何信息,或代表其使用权,或代表其使用权,或代表其使用权限,或代表其使用权限。 以本文提及任何特定的商业产品,流程或服务,商标,制造商或其他方式不一定构成或暗示其认可,建议或受到美国政府或其任何机构或其承包商或其承包商或分包商的认可。 本文所表达的作者的观点和观点不一定陈述或反映美国政府或其任何机构的观点和意见。既不是任何雇员,他们的任何雇员,其任何雇员,分包商或其雇员,都能对准确性,完整性或任何第三方使用或任何信息的使用结果,或代表其使用任何信息,私人或代表其使用权的保证,或承担任何法律责任或责任,或者任何第三方使用,或者没有任何信息,或代表其使用权,或代表其使用权,或代表其使用权限,或代表其使用权限。以本文提及任何特定的商业产品,流程或服务,商标,制造商或其他方式不一定构成或暗示其认可,建议或受到美国政府或其任何机构或其承包商或其承包商或分包商的认可。本文所表达的作者的观点和观点不一定陈述或反映美国政府或其任何机构的观点和意见。