欧美在线观看一区,欧美写真视频一区,欧美成人经典一级在线观看

面向臺區(qū)智能終端的高強度商用密碼安全管理方法研究[測試測量][智能電網(wǎng)]

低壓配電臺區(qū)智能融合終端安全業(yè)務(wù)的處理集中在安全芯片中，包括密鑰的存儲與使用、與云側(cè)端側(cè)的身份認證、數(shù)據(jù)的加解密等。針對智能融合終端安全業(yè)務(wù)集中轉(zhuǎn)發(fā)方案硬件成本過高、密鑰管理復(fù)雜的問題，通過協(xié)議結(jié)構(gòu)化設(shè)計和狀態(tài)機輪詢，提出了數(shù)據(jù)中斷方式緩存與業(yè)務(wù)排隊分發(fā)處理的方法，實現(xiàn)在一顆安全模塊上多種安全業(yè)務(wù)的融合，融合方案充分利用了安全模塊的空閑時間片，統(tǒng)一了不同業(yè)務(wù)的密鑰管理，并通過功能和壓力測試驗證該方法的可行性和可靠性。達到了降本增效的目的，證明了配電臺區(qū)智能融合終端安全業(yè)務(wù)融合技術(shù)上可行，經(jīng)濟上節(jié)約，業(yè)務(wù)上必要。

發(fā)表于：9/4/2024 2:36:15 PM

雙模態(tài)穩(wěn)態(tài)誘發(fā)腦電刺激系統(tǒng)設(shè)計[測試測量][醫(yī)療電子]

穩(wěn)態(tài)誘發(fā)腦電具有頻率標(biāo)簽特性，在大腦的感知和認知研究中具有廣泛應(yīng)用。利用雙模態(tài)刺激可以探索兩類感知功能之間的相互影響。為此，設(shè)計一個集成視覺和聽覺模態(tài)的周期性感覺刺激系統(tǒng)。系統(tǒng)以STM32F103RC為核心，控制AD9959輸出兩路正弦信號，輸出信號經(jīng)過七階低通濾波電路和十倍放大電路處理，再控制LED燈和蜂鳴器產(chǎn)生視覺和聽覺刺激。系統(tǒng)輸出的正弦信號參數(shù)的平均誤差分別為0.03%（頻率）、1.10%（幅度）、0%（相位）。進一步，開展腦電采集實驗。實驗結(jié)果表明系統(tǒng)輸出的視覺和聽覺刺激能產(chǎn)生穩(wěn)態(tài)誘發(fā)腦電。該系統(tǒng)在視聽感知功能研究方面具有應(yīng)用價值。

發(fā)表于：9/4/2024 2:25:30 PM

Optimality在多個場景的時域仿真中高效性的深度研究[模擬設(shè)計][工業(yè)自動化]

隨著產(chǎn)品的速率及復(fù)雜性越來越高，針對仿真而言，除了要求仿真本身具有非常高的精度外，還對仿真的效率提出了很高的要求。具體到不同的信號模塊，如DDR系統(tǒng)或者高速串行信號上，基于速率越來越高，越來越希望仿真給能出“最優(yōu)解”的配置，例如DDR5顆粒的ODT的最優(yōu)配置，高速信號芯片的加重均衡的最優(yōu)配置等參數(shù)。那么如何在成百上千種組合的參數(shù)中選擇相對最優(yōu)的參數(shù)呢？傳統(tǒng)的軟件只能通過大量的掃描來進行篩選，在仿真時間和工程師的精力兩方面都有比較大的耗費。使用Optimality軟件，通過分享一些具體的仿真案例，展現(xiàn)軟件的智能性，幫助使用者更快速挑選出最優(yōu)的參數(shù)，使DDR及高速串行的仿真工作變得更加輕松，充分體現(xiàn)出Optimality軟件的高效性。

發(fā)表于：9/4/2024 2:14:34 PM

基于AI加速的可復(fù)用FPV平臺庫[人工智能][汽車電子]

形式驗證FPV可將DUT抽象為狀態(tài)空間進行遍歷，針對動態(tài)仿真難以隨機到的邊界場景、異常場景和復(fù)雜組合場景可提高收斂速度，增強驗證質(zhì)量。但高質(zhì)量Property開發(fā)對驗證人員能力有較高的要求。面對該挑戰(zhàn)，基于Cadence公司Jaspergold ABVIP提出了一種可復(fù)用FPV平臺庫解決方案，可在不同模塊之間重用，降低FPV驗證平臺搭建時間，提升Property質(zhì)量，同時借助其AI工具Proof Master生成加速Proven效率的database。FPV平臺庫+AI Database已在中興微電子某車規(guī)項目落地并復(fù)用，發(fā)現(xiàn)動態(tài)仿真遺漏的4個故障。Proof Master可應(yīng)用于項目全周期內(nèi)，回歸效率平均提升80.17%，F(xiàn)PV平臺庫+AI database可提升FPV 初次Proven效率44.96%。與此同時對生成式大模型提升Property編寫效率做了一定探討。

發(fā)表于：9/4/2024 2:03:07 PM

使用Cadence AI技術(shù)加速驗證效率提升[EDA與制造][消費電子]

隨著硬件設(shè)計規(guī)模和復(fù)雜程度的不斷增加，驗證收斂的挑戰(zhàn)難度不斷增大，單純依靠增加 CPU 核數(shù)量并行測試的方法治標(biāo)不治本。如何在投片前做到驗證關(guān)鍵指標(biāo)收斂，是驗證工程師面對的難題。為解決這一難題，提出了采用人工智能驅(qū)動的驗證EDA工具和生成式大模型兩種提效方案，其中EDA工具有Cadence利用人工智能驅(qū)動的Verisium apps和采用機器學(xué)習(xí)技術(shù)Xcelium ML，前者用來提升驗證故障定位效率，包括Verisium AutoTriage、Verisium SemanticDiff、Verisium WaveMiner等，后者可用來提升驗證覆蓋率收斂效率。生成式大模型可輔助智能debug和自動生成驗證用例，主要介紹各實現(xiàn)方案，并給出了項目實驗提升結(jié)果。

發(fā)表于：9/4/2024 1:52:25 PM

Virtuoso iQuantus Insight及Quantus Insight流程在FINFET先進工藝項目中加速后仿迭代的應(yīng)用[模擬設(shè)計][工業(yè)自動化]

發(fā)表于：9/4/2024 1:41:00 PM

基于Cerebrus的Genus+Innovus流程的功耗面積優(yōu)化[模擬設(shè)計][消費電子]

對于性能功耗面積（PPA）的追求已成為IC芯片設(shè)計的共識，尤其是發(fā)展到先進工藝節(jié)點，PPA已成為IC設(shè)計綜合性能的重要指標(biāo)，尤其是對于大型SoC芯片中clone很多次的模塊，對于PPA的追求變得更加極致。介紹了基于Cadence公司的Genus工具和Cerebrus 工具，通過綜合階段與后端PR各個階段的優(yōu)化，共同提升PPA的優(yōu)化方案。最終結(jié)果顯示，在時序及DRC基本收斂的情況下，使用Cerebrus工具相比Innovus可以使功耗降低3.5%，面積降低3.1%，使用Genus+Innovus流程可以使功耗降低6.4%，面積降低8.5%，極大地降低了芯片的面積及功耗。

發(fā)表于：9/4/2024 1:31:51 PM

Conformal ECO寄存器新增的掃描鏈自動化接入方案[模擬設(shè)計][工業(yè)自動化]

隨著芯片規(guī)模的增加，ECO的需求和大小也隨之增加，其中當(dāng)新增寄存器數(shù)量達到百位量級時，人工接入掃描鏈難度也將急劇上升。基于Cadence的Conformal和Innovus等工具，在綜合考量邏輯正確性和中后端物理實現(xiàn)可行性的基礎(chǔ)上，采用歸一思路下的“S”型連線和room值下的再分組等方法，實現(xiàn)了上述問題的自動化和高效化解決，在邏輯上確保了時鐘域一致性等問題，物理上同時兼顧了布局布線優(yōu)化和最大掃描鏈長度。并且其自動化的高效性，在項目實踐中能夠快速完成上百數(shù)量寄存器的掃描鏈接入。

發(fā)表于：9/4/2024 1:21:13 PM

基于云計算的蛋白質(zhì)折疊空間結(jié)構(gòu)預(yù)測[人工智能][其他]

構(gòu)建基于云計算的蛋白質(zhì)折疊空間結(jié)構(gòu)預(yù)測框架，通過數(shù)據(jù)云存儲設(shè)備獲取蛋白質(zhì)序列原始數(shù)據(jù)，采用HDFS（Hadoop Distributed File System）分布式存儲方式保存于云端。資源和隊列管理器RQM（Resource Queue Management）開啟云端虛擬機后，以之作為掃描節(jié)點（Sensor Node， SN），SN基于二維AB非格點模型建立最小蛋白質(zhì)分子能量優(yōu)化函數(shù)，采用局部搜索機制改進的量子遺傳算法對其作優(yōu)化求解。利用云端GPU設(shè)備處理模型訓(xùn)練數(shù)據(jù)，即可實現(xiàn)蛋白質(zhì)折疊空間結(jié)構(gòu)的自動化預(yù)測。實驗結(jié)果表明：蛋白質(zhì)序列能量勢函數(shù)計算結(jié)果更小、執(zhí)行效率更高、GDT-TS（Geothermal Development and Testing Tool Suite）評價指標(biāo)值更大。

發(fā)表于：9/4/2024 1:10:35 PM

基于多特征融合和知識蒸餾的亞熱帶常見喬木識別方法[人工智能][其他]

喬木在維持生態(tài)平衡、保護生物多樣性以及調(diào)節(jié)氣候和改善空氣質(zhì)量等方面發(fā)揮著至關(guān)重要的作用。針對復(fù)雜背景下喬木識別準(zhǔn)確率較低的問題，提出了一種基于樹木多特征融合和知識蒸餾的亞熱帶常見喬木識別模型MFFMN-KD-TA。該模型采用3個并行的MobileNetV3_Small主干網(wǎng)絡(luò)分別提取樹葉、樹干和樹木整體特征；并通過知識蒸餾和嵌入Triplet Attention模塊的方法優(yōu)化訓(xùn)練。試驗結(jié)果表明，MFFMN-KD-TA模型在自建樹木測試集上的準(zhǔn)確率、精確率和F1分數(shù)分別為0.960 9、0.962 1和0.960 8，較MFFMN模型分別提升了3.05%、2.83%和3.07%。與三分支融合模型3-ShuffleNetV2和3-MobileNetV2相比，提出的多特征融合模型MFFMN-KD-TA參數(shù)量較小且能夠較準(zhǔn)確地識別喬木種類，為亞熱帶和其他地區(qū)的樹種識別提供了新思路和新方法。

發(fā)表于：9/4/2024 1:01:00 PM