XiaoMi-AI文件搜索系统
World File Search System灵活
Eco-Retina：用于型号构建的绿色灵活算法
在过去几年中，发展，培训和预测深度学习模型的能源成本已大大增加。随着神经网络模型变得更大，更复杂，可以执行越来越复杂的任务，对计算资源的需求，尤其是图形处理单元（GPU）和张量处理单元（TPU）的需求迅速增加。对计算资源需求的这种增加导致能源消耗的相应增加，这导致了人们对AI的可持续性和环境影响的关注。因此，对于研究和行业社区而言，探索新算法和技术的开发至关重要，用于培训更有效的神经网络模型。与原始算法相比，这些修改中的几种需要更少的性能。
浮动能源社区的动态电价和灵活性营销 Schoonschip
弗劳恩霍夫应用研究促进协会总部位于德国，是全球领先的应用研究组织。该协会专注于面向未来的关键技术，并将研究成果应用于商业和工业，在创新过程中发挥着核心作用。作为创新发展和科学卓越的指南和推动力，该协会帮助塑造我们的社会和未来。该组织成立于 1949 年，目前在德国运营 76 个研究所和研究机构。超过 30,000 名员工，其中大多数接受过自然科学或工程学培训，每年的研究经费达 29 亿欧元。合同研究占这一总额的 25 亿欧元。
音调控制螺旋丝带的灵活性
月亮是研究深空血浆和能量颗粒环境的独特位置。在其围绕地球的大部分轨道上，它直接暴露于太阳风中。由于没有全局固有磁场和碰撞气氛，太阳风和太阳能颗粒几乎没有偏离或吸收而到达，并直接影响其表面，与月球雷隆和脆弱的月球外层相互作用。到达月球表面的能量颗粒可以吸收或散射，也可以通过溅射或解吸从月球岩石中去除另一个原子。同样的现象也发生在银河宇宙射线中，它呈现典型的行星际空间的通量和能量光谱。在5 - 6天的每个轨道中，月亮越过陆地磁层的尾部。然后，它提供了在陆地磁尾等离子体环境以及大气从地球电离层中逃脱的可能性，以重离子的形式加速并向下流动。月球环境提供了一个独特的机会，可以研究太阳风，宇宙射线和磁层与表面，直接地下以及未磁性行星体的表面外观的相互作用。
评估集成太阳能的水电灵活性
Derrick Kwadwo Danso，BaptisteFrançois，Benoit Hingray，Arona Diedhiou。使用动态编程和敏感性分析评估水力发电的灵活性，以在西非整合太阳能和风能。与加纳Akosombo水库的插图。清洁工生产杂志，2021，287，pp.125559。10.1016/j.jclepro.2020.125559。hal-03370754
纽约的网格灵活性潜力-II卷
我们评估了纽约七个公用事业中每一个的电网灵活性潜力：纽约的Edison Company，Inc。（Con Edison），Niagara Mohawk Power Company D/B/A National Grid（National Grid），长岛电力管理局（Long Island Power），Lipa（LIPA）（LIPA）（LIPA）（目前由PSEG Long Islant Corporiation，PSEGLI和GASESTER COLICATION，ROCH ELECTER CORIACTION和ROCH ELECTER CORIPUTION（NY YOCE COLICATION，NY andse，NY） （RG＆E），中央哈德逊汽油和电气公司（中央哈德逊）和橙色和罗克兰公用事业公司（O＆R）我们为住宅和商业客户建立了一系列网格灵活性计划，包括供暖，通风和冷却（HVAC），供水，时变速率，电动汽车，电动汽车（BTM）存储以及大型商业和工业（C＆I）需求响应。我们研究的重点是可调度的网格灵活性选项，在客户的计表后面，并基于全面部署或严格的试验，为定量建模提供了足够的经验支持。可能能够提供灵活性的其他新兴技术将在随后的报告（本系列的第三卷）中进行讨论。
纽约的电网灵活性潜力 - 搜索/委员会文件
在供应方面，发电成本将会增加，以实现完全脱碳的电力供应（有关进一步讨论，请参阅本报告第 4 节）。将开发千兆瓦的新可再生能源发电，能源储存资源将在平衡供需方面发挥越来越重要的作用。可能需要提供清洁、稳定发电的新技术（例如氢燃烧涡轮机或氢燃料电池），以确保 2040 年 100% 清洁电力系统的可靠性。输电和配电系统将需要扩展以适应新的负荷增长并将新发电连接到电网。
连接地球与太空：部署在国际空间站的灵活、有弹性的联邦学习框架
公共和商业航天行业正在计划持续时间更长、距离更远的太空任务，包括建立可居住的月球基地和载人火星任务。为了支持独立于地球的科学和医疗操作，此类任务可以利用人工智能和机器学习模型来协助机组人员的医疗保健、航天器维护和其他关键任务。然而，在地球和太空之间传输大量数据以进行模型开发会消耗宝贵的带宽，容易受到通信中断的影响，并可能危及机组人员的安全和数据隐私。联邦学习可以在保持数据原位并仅传输模型参数的同时进行模型训练。在这项工作中，我们提出了一个灵活、有弹性的联邦学习框架，可在地球和国际空间站之间安全地传输模型更新。2024 年 3 月 15 日，该框架率先在太空飞行环境中部署联邦学习，使用真实的生物医学研究数据和合成生成的数据在地球和国际空间站之间训练分类器模型。
