XiaoMi-AI文件搜索系统
World File Search System每步
基于微束辐照的28nm工艺静态随机存取存储器单粒子翻转研究
摘要：静态随机存取存储器(SRAM)器件作为重要的星载电子设备,在其执行空间任务过程中不可避免地受到空间高能粒子辐照的影响。为揭示高能粒子对28nm工艺SRAM造成单粒子效应(SEE)的机理,基于针孔重离子微束装置,对单粒子翻转(SEU)敏感区定位和多单元翻转(MCU)分布特性进行了研究。结果表明:微束辐照引起的SEU实际范围为4.8μm×7.8μm。通过小步长(每步1μm)移动设备台,建立了SEU敏感区的一维定位方法,可以降低定位精度对束斑尺寸的依赖,定位精度可提高到1μm。 MCU测试表明，翻转模式与相邻SRAM单元内敏感区域的间距密切相关，并且通过阱接触和位交错可以降低MCU的概率。
亿芯微电子数据表
蓝牙 5.0 BR/EDR/BLE 专有双模 RF SOC 极低功耗 10nA 关机模式（外部中断） 800nA 睡眠模式（32kHz RC OSC，睡眠定时器和寄存器 ON） 2.1uA 保持模式（32kHz RC OSC，睡眠定时器，2k 保持存储器和寄存器 ON） Rx 峰值电流（不带 DCDC） BLE/2.4G 模式下 16mA EDR 模式下 17mA Tx 峰值电流（不带 DCDC）@ -2dBm BLE/2.4G 模式下 22mA EDR 模式下 23mA Rx 峰值电流（带 DCDC） BLE/2.4G 模式下 6.75mA EDR 模式下 7.25mA BLE/2.4G 模式 EDR 模式下 17mA <25uA 平均，500ms 嗅探保持连接 2.4GHz 收发器 单端 RFIO BLE 模式下 -95dBm 支持 250kbps、1/2/3Mbps 数据速率 Tx 功率高达 +9dBm 音频功能 麦克风 PGA 0-18dB，每步 3dB 16 位 ADC 2x16 位 DAC，立体声 音频 SNR：ADC 88dB；DAC 92dB
AML 步进电机的漏磁场
在操作过程中，磁场由步进频率的交变场调制。由于多种原因，这通常不如稳定场那么重要。步进频率场的幅度随着步进频率的增加而减小，并且仅在几百赫兹以下与稳定场相当。在低步进速率下，出于机械原因，使用微步进是正常的，微步进会产生正弦磁通波形。在几百赫兹以上，使用全步进驱动是正常的，全步进驱动试图产生矩形磁通波形。然而，绕组电感的滤波作用逐渐降低了几百赫兹以上场的所有频率分量的幅度，因此，步进频率下的漏磁场的交变分量在所有实际用途中都可以被视为正弦波。大多数现代步进电机驱动器通过开关动作实现绕组中的电流调节，这也会调节磁漏场。与场的稳定和步进频率分量相比，漏磁场的幅度通常非常小，通常小于 10%。在大多数情况下，切换在每步之后的前几毫秒内被禁用，因此在步进速率高于 500 Hz 时根本不存在切换。步进电机在 500 Hz 和 1 kHz 步进速率之间实现其最大机电效率，并且设计电动真空机构以在这些速率下旋转是标准做法，以尽量减少总能量输入，从而减少排气。幸运的是，这还可以减少漏磁通的交变分量。
LLM通过过程奖励指导树搜索
LLM自我训练中的最新方法主要依赖于LLM生成重音，并以正确的输出答案作为培训数据过滤那些。这种方法通常会产生低质量的微调训练集（例如，计划不正确或中间推理）。在本文中，我们开发了一种加强的自我训练方法，称为REST-MCTS ∗，基于将过程奖励指导与树搜索MCTS ∗集成在一起，用于收集高质量的推理痕迹以及每步价值以培训政策和奖励模型。REST-MCT ∗避免了通常用于通过基于树搜索的强化学习来训练过程奖励的每个步骤手动注释：给定的最终正确答案，REST-MCTS ∗能够通过估算此步骤的概率来推断正确的过程奖励，可以帮助您带来正确的答案。这些推断的奖励提供了双重目的：它们是进一步完善过程奖励模型的价值目标，并促进选择高质量的痕迹进行政策模型自我训练。我们首先表明，与先前的LLM推理基线相比，REST-MCTS ∗中的树搜索策略（如在相同的搜索预算中）具有更高的精度。然后，我们证明，通过使用该搜索策略作为培训数据所搜索的痕迹，我们可以不断增强多种迭代的三种语言模型，并超过其他自我训练算法（例如REST EM和自我奖励LM）。我们在https://github.com/thudm/rest-mcts上发布所有代码。