摘要 — 部署在北极苔原 (AT) 等资源匮乏环境中的信息物理系统面临极端条件。部署在这种环境中的节点必须谨慎管理有限的能源预算,迫使它们交替进行长时间的睡眠和短暂的正常运行时间。在正常运行时间内,节点可以通过向其他节点提供服务来协作进行数据交换或计算。在节点上部署或更新此类服务需要协调以防止故障(例如,发送新的/更新的 API、等待服务激活/停用等)。在正常运行时间较短的 CPS 中,由于通信机会较少,这种协调可能会耗能。本文根据不同的 CPS 配置(即节点数量、正常运行时间长度、无线电技术或中继节点可用性)评估和研究节点在部署或更新任务协调期间的能耗。结果表明,在节点专门唤醒以进行部署/更新的情况下,能耗较高。结果表明,在与现有正常运行时间重叠(即保留用于观察活动)的同时执行适应任务是有益的。本文还评估和研究了节点的正常运行时间和中继节点可用性如何影响能耗。增加正常运行时间可以减少能耗,最高可达 12%。使用可用的中继节点进行通信可将能耗降低 47% 至 99%。索引术语 —CPS、部署、更新、协调、Tundra、能耗
摘要 — 卷积神经网络 (CNN) 是最重要的深度神经网络 (DNN) 类别之一,有助于解决许多与图像识别和计算机视觉相关的任务。它们使用传统 CMOS 技术和数字设计技术的传统实现仍然被认为非常耗能。浮点 CNN 主要依赖于 MAC(乘法和累加)运算。最近,基于 XNOR 和位计数运算的经济高效的 Bite-wise CNN 已被视为可能的硬件实现候选。然而,由于内存和计算核心之间密集的数据提取导致的冯诺依曼瓶颈限制了它们在硬件上的可扩展性。XNOR-BITCOUNT 操作可以通过在忆阻交叉开关阵列上执行的内存计算 (IMC) 范例轻松实现。在新兴的忆阻设备中,自旋轨道扭矩磁随机存取存储器 (SOT-MRAM) 提供了具有更高导通电阻的可能性,从而可以降低读取电流,因为所有交叉开关阵列都是并行读取的。这有助于进一步降低能耗,为更大的交叉开关设计铺平道路。本研究提出了一种基于 SOT-MRAM 的交叉开关架构,能耗极低;我们研究了工艺变异性对突触权重的影响,并对整个交叉开关阵列进行了蒙特卡罗模拟,以评估错误率。模拟结果表明,与其他忆阻解决方案相比,此实现的能耗较低,每次读取操作的能耗为 65.89 fJ。该设计对工艺变化也具有很强的鲁棒性,读取误差极低,最高可达 10%。
如今,尽管交通运输部门在减少对化石燃料的依赖和空气污染方面取得了进展,但大多数车辆仍使用石油作为能源 [1]。尽管越来越多的国家已开始将电动汽车 (EV) 和充电站整合到电网中,但这些努力仍然不够 [2]。显然,充电基础设施必须跟上电动汽车数量的增长。在这种情况下,电网起着重要作用。事实上,由于能源需求高,配电网的稳定性在一天中的高峰时段变得至关重要,这可能导致严重的电网管理问题。克服这一问题的一个解决方案是加强现有的电网基础设施和/或创建新的网络,使其能够完全处理电动汽车的整合。显然,这种解决方案相当昂贵,需要在网络基础设施上进行高价值投资。解决上述问题的一个非常简单、廉价且快速的解决方案是开发和实施使用可再生能源的充电站和/或有助于电网的储能系统 [3-5]。另一个需要考虑的方面是给电动汽车充电所需的时间。例如,在 20 分钟内为 20 辆电动汽车充电需要使用能够提供大量电力的设备。因此,随着电动汽车数量的增加,安装高效快速充电站的需求也在增长。配备强大储能系统的快速充电架构是一个有吸引力的选择,因为它们的充电速度比标准交流电快得多 [6]。为此,可以在快速充电架构中使用类似于电动汽车电池中的化学蓄电池,但它们的缺点是频繁充电和放电会缩短其寿命 [4,7]。因此,以环保的方式回收电池的问题仍有待解决,这是一个棘手且耗能的过程。
摘要 光系统 II (PSII) 利用红光的能量分解水并还原醌,这是一个基于叶绿素 a (Chl-a) 光化学的耗能过程。两种蓝藻 PSII 可以使用叶绿素 d (Chl-d) 和叶绿素 f (Chl-f) 进行相同的反应,但需要使用能量较低的远红光。Acaryochloris marina 的 PSII 的 35 个 Chl-a 中除了一个以外全部被 Chl-d 取代,而兼性远红光物种 Chroococcidiopsis thermalis 的 PSII 只有 4 个 Chl-f、1 个 Chl-d 和 30 个 Chl-a。从生物能量学角度考虑,远红光 PSII 预计会失去光化学效率和/或对光损伤的恢复能力。在这里,我们比较了 Chl-f-PSII、Chl-d-PSII 和 Chl-a-PSII 中的酶周转效率、正向电子转移、逆反应和光损伤。我们表明:(i) 所有类型的 PSII 都有相当的酶周转效率;(ii) Chl-d-PSII 受体侧的能隙改变有利于通过 P D1 + Phe - 重新填充进行重组,导致单线态氧产生增加,并且与 Chl-a-PSII 和 Chl-f-PSII 相比对高光损伤更敏感;(iii) Chl-f-PSII 中受体侧的能隙经过调整以避免有害的逆反应,有利于对光损伤的恢复而不是光利用效率。结果可以通过电子转移辅因子 Phe 和 QA 的氧化还原调节差异以及与主要电子供体共享激发能的叶绿素的数量和布局差异来解释。 PSII 通过两种不同的方式适应较低的能量,每种方式都适合其特定的环境,但具有不同的功能惩罚。
认证委员会 - 负责执行可再生能源产生系统设计,检查,安装和维护的顾问和承包商资格,批准和注册的委员会。认证顾问/承包商 - 经认证委员会认证的法人实体,以执行REG系统的设计,检查,安装和维护。浓缩太阳能(CSP) - 从太阳辐射的浓度以及在热过程中使用相同的使用的过程。连接点 - 服务提供商的电力系统的连接点,以通过符合条件的消费者链接的合格消费者导入电力和导出电力。数据表 - 基本产品描述和规范(注意:通常是一两个页,而不是完整的产品手册)。符合条件的消费者 - (1)具有连接点的消费者,符合这些法规的要求以及分配系统或传输系统之间的连接条件以及适用代码中定义的消费者场所,以及规定第6条规定的规定中规定的要求。(2)任何未连接到电力系统的消费者,他们旨在开发和运行一个离网可再生能源产生系统。合格的消费者始终是一个耗能的实体。检查 - 使用所有感官检查电气安装,以确定正确选择和正确安装电气设备。接口保护(IP) - 确保生成工厂和/或任何生成单元的任何事件都可以损害完整性或降低配电网络的安全性和可靠性所需的电气保护。测试 - 通过证明其有效性的电气安装中的措施实施(注意:它包括通过适当的测量工具确定值,所述值无法通过检查检测)。验证 - 所有措施都通过哪种措施来检查电气安装符合相关标准的所有措施。
超维计算 (HDC) 是一种新兴的计算框架,其灵感来自大脑,它对具有数千个维度的向量进行操作以模拟认知。与对数字进行操作的传统计算框架不同,HDC 与大脑一样,使用高维随机向量,并且能够进行一次性学习。HDC 基于一组定义明确的算术运算,具有很强的错误恢复能力。HDC 的核心操作以批量逐位方式操纵 HD 向量,提供了许多利用并行性的机会。不幸的是,在传统的冯·诺依曼架构中,HD 向量在处理器和内存之间的连续移动会使认知任务变得非常缓慢且耗能。硬件加速器只能略微改善相关指标。相比之下,即使是内存中 HDC 框架的部分实现也可以提供相当大的性能/能量增益,正如先前使用忆阻器的工作所证明的那样。本文介绍了一种基于赛道内存 (RTM) 的架构,用于在内存中执行和加速整个 HDC 框架。所提出的解决方案利用 RTM 中跨多个域的读取操作(称为横向读取 (TR))来实现异或 (XOR) 和加法运算,从而只需要极少的额外 CMOS 电路。为了最大限度地减少 CMOS 电路开销,提出了一种基于 RTM 纳米线的计数机制。以语言识别为示例工作负载,与最先进的内存实现相比,所提出的 RTM HDC 系统将能耗降低了 8.6 倍。与使用 FPGA 实现的专用硬件设计相比,基于 RTM 的 HDC 处理在整体运行时间和能耗方面分别展示了 7.8 倍和 5.3 倍的改进。
3. 以下条款(如标有“X”)以引用方式纳入本条款:X 条款 1-15 向公众披露承包商信息(2004 年 8 月)X 条款 2-15 保修信息(2003 年 1 月)X 条款 2-35 司法机构场所内离岸价(2003 年 1 月)第 2-130 条耗能产品的能源效率(2013 年 4 月)X 条款 3-135 单项或多项奖励(2003 年 1 月)第 3-160 条服务合同劳动标准(2019 年 3 月)第 3-175 条公平劳动标准法和服务合同法 - 价格调整(多年期和期权合同)(2019 年 3 月)X 条款 3-3 条规定、条款、条款和条件 – 小额采购(2014 年 6 月)X 条款 6-20 保险 - 合同期内或合同内的工作司法机构设施(2011 年 4 月)X 条款 7-30 联邦司法机构名称的公开使用(2014 年 6 月)X 条款 7-35 信息的披露或使用(2013 年 4 月)X 条款 7-55 承包商对司法网络的使用(2014 年 6 月)X 条款 7-65 司法建筑、设备和植被的保护(2013 年 4 月)X 条款 7-115 资金可用性(2003 年 1 月)第 7-130 条利息(及时付款)(2003 年 1 月)第 7-140 条及时付款的折扣(2003 年 1 月)X 条款 7-235 争议(2003 年 1 月)X FAR 第 52.212-4(a) 条合同条款和条件 – 商业项目 ( 2010 年 6 月 )
亚利桑那州人传统上认为蒸发冷却是夏季保持凉爽的好方法。在家用空调出现之前,它是唯一可以让室内在炎热、干燥的沙漠夏季保持宜居的机械手段。除了夏季“季风”季节的几周外,蒸发冷却器运行良好,因为夏季“季风”季节湿度会升高,从而降低冷却器效率。这些冷却系统在能源使用方面很经济。在过去二十年的能源危机中,蒸发冷却器的使用被推广为控制家庭水电费的一种手段。然而,很少有人考虑冷却器水的消耗。随着亚利桑那州人口的快速增长、气温升高以及水源有限,蒸发冷却器的用水量不能再被忽视。以节约用水作为《地下水管理法》的基石,亚利桑那大学干旱土地研究办公室的研究人员在 20 世纪 80 年代中期开发了“W 指数”或住宅用水效率指数。该指数被提议作为一种评估住宅节水情况的手段和一种激励节水实践的管理工具。1 研究人员指出,对于家庭制冷,没有蒸发冷却器的指数评级最高,替代方法是空调,虽然耗能更多,但几乎不消耗现场水。2 这一建议与公用事业公司、工业和教育机构支持的所有节能做法背道而驰,导致消费者产生混淆和混乱的信息。在亚利桑那州除少数城镇外,所有城镇都有必要在夏季使用某种室内降温方式。消费者已经了解到,空调为家庭降温所消耗的电量是蒸发冷却的三到五倍。他们知道他们的水电费在未来几年上涨了多少。
使用人工神经网络以低能耗成本从射频 (RF) 信号中提取信息是从雷达到健康的广泛应用的关键需求。这些 RF 输入由多个频率组成。在这里,我们表明磁隧道结可以并行处理具有多个频率的模拟 RF 输入并执行突触操作。我们使用一种称为极限学习的无反向传播方法,使用来自同时充当突触和神经元的磁隧道结的实验数据,对由 RF 信号编码的噪声图像进行分类。我们实现了与等效软件神经网络相同的精度。这些结果是嵌入式射频人工智能的关键一步。简介分析射频 (RF) 信号在各种应用中都至关重要,例如联网物体、雷达技术、手势感应和生物医学设备 1–8 。对于许多信号分类任务,例如发射器类型识别,人工神经网络已被证明比标准方法表现更好,并且表现出对噪声和缺陷的卓越鲁棒性 1 。然而,在传统计算硬件上运行神经网络非常耗时且耗能,这使得将这种功能集成到嵌入式系统中具有挑战性 9,10 。这一问题在射频信号的情况下被放大,因为它们需要先进行信号数字化,然后才能由神经网络处理。降低人工智能能耗的一种有前途的方法是利用新兴技术构建物理神经网络 11 。对于这一目标,自旋电子纳米器件具有关键优势,包括多功能性、快速动态、小尺寸、低功耗、高循环性、高可靠性和 CMOS 兼容性 12,13 。此外,自旋电子器件的高速动态为它们提供了发射、接收和处理射频信号的关键特性 14–20 。多项研究表明它们在构建硬件神经网络方面具有潜力 11,21–
超维计算 (HDC) 是一种新兴的计算框架,其灵感来自大脑,它对具有数千个维度的向量进行操作以模拟认知。与对数字进行操作的传统计算框架不同,HDC 与大脑一样,使用高维随机向量,并且能够进行一次性学习。HDC 基于一组定义明确的算术运算,具有很强的错误恢复能力。HDC 的核心操作以批量逐位方式操纵 HD 向量,提供了许多利用并行性的机会。不幸的是,在传统的冯·诺依曼架构中,HD 向量在处理器和内存之间的连续移动会使认知任务变得非常缓慢且耗能。硬件加速器只能略微改善相关指标。相比之下,即使是内存中 HDC 框架的部分实现也可以提供相当大的性能/能量增益,正如之前使用忆阻器的工作所证明的那样。本文介绍了一种基于赛道内存 (RTM) 的架构,用于在内存中执行和加速整个 HDC 框架。所提出的解决方案利用 RTM 中跨多个域的读取操作(称为横向读取 (TR))来实现异或 (XOR) 和加法运算,从而只需极少的额外 CMOS 电路。为了最大限度地减少 CMOS 电路开销,提出了一种基于 RTM 纳米线的计数机制。以语言识别为示例工作负载,所提出的 RTM HDC 系统与最先进的内存实现相比,将能耗降低了 8.6 倍。与使用 FPGA 实现的专用硬件设计相比,基于 RTM 的 HDC 处理在整体运行时间和能耗方面分别实现了 7.8 倍和 5.3 倍的提升。