XiaoMi-AI文件搜索系统
World File Search System耗电
PathWave 高级电力应用套件
Keysight Technologies PW9252A PathWave 高级电源控制和分析软件专为高级电源而设计，可让您快速轻松地访问 N6705 直流电源分析仪、RP7900 系列再生电源系统和/或高级电源系统 (APS) N7900 系列电源的高级供电和测量功能，无需任何编程。它们可以控制安装在 N6705 主机中的 N6700 系列 36 多个直流电源模块中的任何一个、RP7900 系列的 23 种型号中的任何一个以及 APS N7900 系列的 12 种型号中的任何一个。当用于控制 N6781A SMU 时，它们可用于高级电池耗电分析应用。PW9252A 还支持 RP7900 系列在主/次模式下运行，这使得并联单元可以轻松配置以获得更大的输出电流。
PathWave 高级电力应用套件
Keysight Technologies PW9252A PathWave 高级电源控制和分析软件专为高级电源而设计，可让您快速轻松地访问 N6705 直流电源分析仪、RP7900 系列再生电源系统和/或高级电源系统 (APS) N7900 系列电源的高级供电和测量功能，无需任何编程。它们可以控制安装在 N6705 主机中的 N6700 系列 36 多个直流电源模块中的任何一个、RP7900 系列的 23 种型号中的任何一个以及 APS N7900 系列的 12 种型号中的任何一个。当用于控制 N6781A SMU 时，它们可用于高级电池耗电分析应用。PW9252A 还支持 RP7900 系列在主/次模式下运行，这使得并联单元可以轻松配置以获得更大的输出电流。
班加罗尔电动公交车的充电技术选项
电动公交车引起了印度公共交通运营商的关注，因为它们能够解决传统燃料公交车造成的温室气体排放增加以及空气和噪音污染问题。加快采用和制造（混合动力和）电动汽车 (FAME) II 计划预计到 2024 年部署 7,000 辆电动公交车。为了实现无缝过渡，高效的充电基础设施必不可少。目前，车库插电式充电是印度最常见的电动公交车充电方式。虽然它因资本成本低和使用低功率充电器而受到青睐——也因为它在非高峰时段耗电——但这项技术也面临着一些挑战。例如，它只能安装在几个指定位置，需要较长的充电时间，引起高里程焦虑，并且需要专用空间。因此，一些制造商、运营商和决策者都热衷于探索其他充电替代方案。
企业绿色电力计划信息指南
指南指本文件，即《企业绿色电力计划（太阳能光伏电站）信息指南》。装置指由同一所有者或（如果规定了管理）由同一管理的负责人负责的任何整套厂房或设备，设计用于供电或使用（或两者兼而有之）（视情况而定）；包括原动机（如有）以及与之相关的所有必要厂房、建筑物和土地、管道、供电线、电力供应基础设施、家用和非家用电气装置以及耗电设备（如有）。kW 指交流（或 ac）额定功率千瓦。kWh 指千瓦时。kWp 指直流（或 dc）额定功率千瓦峰值。光伏装置的额定 kWp 指此类太阳能光伏模块在标准测试条件下（即太阳辐照度为每平方米 1,000 瓦、环境温度为 25 摄氏度）可产生的最大直流功率。MW 指交流额定功率兆瓦或 1,000 千瓦。 MWh 表示兆瓦时。MWp 表示兆瓦峰值或直流额定值 1,000 kWp 峰值。新增强调度安排 (或 NEDA)
基于 PNP 的温度传感器，具有连续时间读出和 $\pm$ 0.1 $^{\circ}$ （3） $\sigma$ ) 不准确之处 $-$ 55 $^{\circ}$ C至125 $^{\circ}$ 碳
摘要 — 本文介绍了一种基于 PNP 的温度传感器，它既能实现高能效，又能达到高精度。两个电阻将基于 PNP 的前端产生的 CTAT 和 PTAT 电压转换为两个电流，然后由连续时间 (CT) 16 调制器将其比率数字化。斩波和动态元件匹配 (DEM) 用于减轻元件失配和 1/f 噪声的影响，同时在室温 (RT) 下对 V BE 和两个电阻比率的差异进行数字调整。该传感器采用 0.18 µ m CMOS 工艺制造，面积为 0.12 mm 2 ，电源电压范围为 1.7 至 2.2 V，耗电 9.5 µ A。对同一批次的 40 个样品进行测量表明，在 − 55 ◦ C 至 125 ◦ C 范围内，其误差为 ± 0.1 ◦ C (3 σ )，相应的电源灵敏度仅为 0.01 ◦ C/V。此外，该传感器还具有较高的能效，分辨率品质因数 (FoM) 为 0.85 pJ · K 2 。
卫星上的机器学习
在过去十年中，机器学习 (ML) 已成为许多数据驱动应用的主要驱动力。因此，快速发展的太空行业准备利用最近的 ML 进步来实现其大部分数据处理的自动化。这包括基于卫星的应用，例如地球观测、通信、导航以及航天器的自动故障检测和恢复。关键的 ML 算法（例如对象检测、语义分割、姿势估计和异常检测）有助于实现这些太空应用。然而，许多这些算法（即经过训练的模型）会产生大量的计算工作量，需要大型、耗电的 GPU 来执行，这与在太空环境中运行是不相容的。另一方面，对于许多需要低延迟解决方案的卫星应用来说，下行数据进行地球处理也不是一种选择。边缘计算是数据源头的有效处理解决方案，这可能是使 ML 广泛用于卫星应用的关键。此外，通过减少卸载敏感数据的需要，机载处理可以减轻与隐私相关的障碍，阻碍 ML 在太空中的应用。
基于丘脑皮质的脉冲神经网络......
本文提出了一种非迭代训练算法，用于在自学习系统中应用节能的 SNN 分类器。该方法使用预处理间脑丘脑中典型的感觉神经元信号的机制。该算法概念基于尖点突变模型和路由训练。该算法保证整个网络中连接权重值的零分散，这在基于可编程逻辑器件的硬件实现的情况下尤为重要。由于非迭代机制受到联想记忆训练方法的启发，该方法可以估计网络容量和所需的硬件资源。训练后的网络表现出对灾难性遗忘现象的抵抗力。该算法的低复杂度使得无需使用耗电的加速器即可进行现场硬件训练。本文将该算法的硬件实现的复杂性与经典的 STDP 和转换程序进行了比较。该算法的基本应用是配备视觉系统并基于经典 FPGA 设备的自主代理。
用于估计 CNN 加速器硬件指标的高级建模框架
摘要 — 由于 GPU 具有针对 CNN 运算符量身定制的架构，因此它成为卷积神经网络 (CNN) 训练和推理阶段的参考平台。然而，GPU 是耗电极高的架构。在能耗受限的设备中部署 CNN 的一种方法是在推理阶段采用硬件加速器。由于其复杂性，使用标准方法（如 RTL）对 CNN 的设计空间探索受到限制。因此，设计人员需要能够进行设计空间探索的框架，该框架可提供准确的硬件估算指标来部署 CNN。这项工作提出了一个探索 CNN 设计空间的框架，提供功耗、性能和面积 (PPA) 估算。该框架的核心是一个系统模拟器。系统模拟器前端是 TensorFlow，后端是从硬件加速器的物理合成（而不仅仅是从乘法器和加法器等组件）获得的性能估算。第一组结果评估了使用整数量化的 CNN 精度、物理综合后的加速器 PPA 以及使用系统模拟器的好处。这些结果允许进行丰富的设计空间探索，从而能够选择最佳的 CNN 参数集以满足设计约束。