丰满妇女做a级毛片免费观看,无码国产精品一区二区免费式直播

一種基于Quantus-reduce加速模擬仿真驗(yàn)證分析的解決方案[電子元件][其他]

隨著半導(dǎo)體技術(shù)的進(jìn)步，芯片的設(shè)計(jì)規(guī)模不斷擴(kuò)大，這使得電路設(shè)計(jì)需要考慮的寄生效應(yīng)更加復(fù)雜，電路的后仿真工作也變得更加繁重。介紹了如何應(yīng)用Cadence公司的寄生抽取工具Quantus進(jìn)行post-layout寄生抽取，利用Quantus的Standalone Reduction （簡稱Qreduce）功能對(duì)后仿網(wǎng)表進(jìn)行精簡，以達(dá)到縮減網(wǎng)表的規(guī)模，提高仿真速度的目的。Cadence的Qreduce功能是通過數(shù)學(xué)的運(yùn)算，將RC網(wǎng)絡(luò)進(jìn)行等效運(yùn)算，以減少節(jié)點(diǎn)，從而達(dá)到縮減網(wǎng)表的規(guī)模，但同時(shí)保證了不會(huì)對(duì)精度造成比較大的損失。從后仿網(wǎng)表的縮減程度、仿真精度的影響、仿真速度以及內(nèi)存消耗等方面進(jìn)行論述，給出關(guān)鍵對(duì)比指標(biāo)。

發(fā)表于：2023/8/25

使用Xcelium Machine Learning技術(shù)加速驗(yàn)證覆蓋率收斂[電子元件][消費(fèi)電子]

隨著設(shè)計(jì)越來越復(fù)雜，受約束的隨機(jī)化驗(yàn)證方法已成為驗(yàn)證的主流方法。一般地，驗(yàn)證激勵(lì)做到不違反spec描述條件下盡量隨機(jī)，這樣驗(yàn)證能跑到的空間才更充分。但是，這給功能覆蓋率收斂帶來極大挑戰(zhàn)，為解決這一難題，Cadence率先推出了仿真器的機(jī)器學(xué)習(xí)功能——Xcelium Machine Learning，采用機(jī)器學(xué)習(xí)技術(shù)讓功能覆蓋率快速收斂，大大提高驗(yàn)證仿真效率。介紹了Xcelium Machine Learning的使用流程，并給出在相同模擬（simulation）驗(yàn)證環(huán)境下應(yīng)用Machine Learning前后情況對(duì)比。最后Machine Learning在模擬（simulation）驗(yàn)證中的應(yīng)用前景進(jìn)行了展望。

發(fā)表于：2023/8/25

基于Cadence Integrity 3D-IC的異構(gòu)集成封裝系統(tǒng)級(jí)LVS檢查[電子元件][消費(fèi)電子]

隨著硅工藝尺寸發(fā)展到單納米水平，摩爾定律的延續(xù)越來越困難。2D Flip-Chip、2.5D、3D等異構(gòu)集成的先進(jìn)封裝解決方案將繼續(xù)滿足小型化、高性能、低成本的市場需求，成為延續(xù)摩爾定律的主要方向。但它也提出了新的挑戰(zhàn)，特別是對(duì)于系統(tǒng)級(jí)的LVS檢查。采用Cadence Integrity 3D-IC平臺(tái)工具，針對(duì)不同類型的先進(jìn)封裝，進(jìn)行了系統(tǒng)級(jí)LVS檢查驗(yàn)證，充分驗(yàn)證了該工具的有效性和實(shí)用性，保證了異構(gòu)集成封裝系統(tǒng)解決方案的可靠性。

發(fā)表于：2023/8/25

Concurrent Multi-die Optimization物理實(shí)現(xiàn)方案的應(yīng)用[電子元件][其他]

隨著芯片制造工藝不斷接近物理極限，使用多die堆疊的3DIC Chiplets設(shè)計(jì)已經(jīng)成為延續(xù)摩爾定律的最佳途徑之一。Integrity 3D-IC平臺(tái)將設(shè)計(jì)規(guī)劃、物理實(shí)現(xiàn)和系統(tǒng)分析統(tǒng)一集成于單個(gè)管理界面中，為3D設(shè)計(jì)提供了系統(tǒng)完善的解決方案。其中傳統(tǒng)的die-by-die流程在3D結(jié)構(gòu)建立后分別對(duì)兩個(gè)die進(jìn)行2D物理實(shí)現(xiàn)，同時(shí)工具也開發(fā)了多die協(xié)同（concurrent multidie）的物理實(shí)現(xiàn)流程，并行式進(jìn)行多顆die的布局布線。此工作在實(shí)際項(xiàng)目中，使用Cadence Integrity 3D-IC 工具，針對(duì)性地建立concurrent multidie的流程，將兩顆die在同一個(gè)設(shè)計(jì)中實(shí)現(xiàn)并行擺放、3D結(jié)構(gòu)單元（Hybrid Bonding bump）的位置優(yōu)化、時(shí)鐘樹綜合和繞線。協(xié)同優(yōu)化的3D物理實(shí)現(xiàn)方案相比于die-by-die方案在設(shè)計(jì)整體結(jié)果上有更好的表現(xiàn)。

發(fā)表于：2023/8/25

DDR5仿真精度研究及在內(nèi)存升級(jí)中的應(yīng)用[電子元件][消費(fèi)電子]

使用Cadence公司的SystemSI對(duì)DDR信號(hào)通道進(jìn)行整體仿真，同時(shí)，借助一博科技自研的Interposer夾具進(jìn)行測試，經(jīng)過多次的仿真測試擬合，所介紹的DDR仿真測試方法可以達(dá)到較高的精度。隨著對(duì)內(nèi)存帶寬的需求不斷提升，作為當(dāng)前主流的DDR4局限性日益明顯，通過具體案例說明了DDR5信號(hào)完整性提升的具體技術(shù)，并通過仿真對(duì)比，展示了DDR5在內(nèi)存升級(jí)過程中的優(yōu)勢。

發(fā)表于：2023/8/25

基于FCM flow的小規(guī)模數(shù)字電路芯片測試[測試測量][消費(fèi)電子]

隨著芯片工藝的不斷演進(jìn)，數(shù)字芯片的規(guī)模急劇增加，測試成本進(jìn)一步增加。目前先進(jìn)的DFT技術(shù)已應(yīng)用于大規(guī)模SoC芯片的測試，包括掃描路徑設(shè)計(jì)、JTAG、ATPG（自動(dòng)測試向量生成）等。但對(duì)于一些小規(guī)模集成電路，插入掃描鏈等測試電路會(huì)增加芯片面積并增加額外的功耗。對(duì)于這種芯片，功能case生成的pattern可用于檢測制造缺陷和故障。因此，需要一些方法來驗(yàn)證覆蓋率是否達(dá)到了目標(biāo)。Verisium manager工具依靠Xcelium的故障仿真引擎和Jasper功能安全驗(yàn)證應(yīng)用程序（FSV）可以解決這個(gè)問題。它為 ATE（自動(dòng)測試設(shè)備）pattern的覆蓋率分析提供了一個(gè)新的思路。

發(fā)表于：2023/8/25

基于點(diǎn)云補(bǔ)全的三維目標(biāo)檢測[人工智能][其他]

LiDAR技術(shù)的發(fā)展為自動(dòng)駕駛提供了豐富的3D數(shù)據(jù)。然而，由于遮擋和某些反射材料的原因引起信號(hào)丟失，LiDAR點(diǎn)云實(shí)際上是不完整的2.5D數(shù)據(jù)，這對(duì) 3D 感知提出了根本性挑戰(zhàn)。針對(duì)這一問題，提出對(duì)原始數(shù)據(jù)進(jìn)行三維補(bǔ)全的方法。根據(jù)大多數(shù)物體形狀對(duì)稱且重復(fù)率高的特點(diǎn)，通過學(xué)習(xí)先驗(yàn)對(duì)象形狀的方法估計(jì)點(diǎn)云中遮擋部分的完整形狀。該方法首先識(shí)別被遮擋和信號(hào)缺失影響的區(qū)域，在這些區(qū)域中預(yù)測區(qū)域所包含對(duì)象形狀的占用概率。針對(duì)物體間遮擋的情況，通過形狀的占用概率和共享同類形狀形態(tài)進(jìn)行三維補(bǔ)全。對(duì)自身遮擋的物體，通過自身鏡像進(jìn)行恢復(fù)。最后通過點(diǎn)云目標(biāo)檢測網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。結(jié)果表明，通過該方法能有效地提高生成點(diǎn)云3D邊框的mAP（mean Average Precision）。

發(fā)表于：2023/8/25

電磁干擾（EMI）如何協(xié)助消費(fèi)者在選擇汽車應(yīng)用中的開關(guān)轉(zhuǎn)換器時(shí)做出明智的決策[電源技術(shù)][汽車電子]

　　在多種市場產(chǎn)品所使用的快速開關(guān)電源轉(zhuǎn)換器中，電磁干擾（EMI）是個(gè)特別的問題。一臺(tái)能在一個(gè)系統(tǒng)中達(dá)到法規(guī)要求的轉(zhuǎn)換器不一定可以自動(dòng)符合另一個(gè)系統(tǒng)的要求。此外，系統(tǒng)也可能需要 EMI 濾波措施來達(dá)成法規(guī)要求，但這可能占用大量的整體系統(tǒng)空間、體積和成本，因此了解適用于不同產(chǎn)品應(yīng)用的標(biāo)準(zhǔn)至關(guān)重要。本文首先回顧開關(guān)轉(zhuǎn)換器中 EMI 的來源和類型，接著說明工業(yè)和汽車市場產(chǎn)品監(jiān)管標(biāo)準(zhǔn)之間的差異。最后，本文展示 Diodes 公司使用的技術(shù)，使其 DC-DC 開關(guān)轉(zhuǎn)換器能夠符合嚴(yán)格的汽車標(biāo)準(zhǔn)。

發(fā)表于：2023/8/24

核電行業(yè)網(wǎng)絡(luò)安全應(yīng)急演練模式研究[其他][其他]

針對(duì)核電行業(yè)網(wǎng)絡(luò)安全應(yīng)急演練問題進(jìn)行研究，首先分析了相關(guān)網(wǎng)絡(luò)安全威脅，依此設(shè)計(jì)可能存在的應(yīng)急場景，基于核電工控系統(tǒng)實(shí)驗(yàn)室網(wǎng)絡(luò)環(huán)境研究應(yīng)急演練模式，并通過開展應(yīng)急演練對(duì)其效果進(jìn)行評(píng)價(jià)。通過定期進(jìn)行應(yīng)急演練，可以提升核電行業(yè)應(yīng)急隊(duì)伍的安全事件監(jiān)測、響應(yīng)、處置和防護(hù)能力，不斷完善網(wǎng)絡(luò)安全應(yīng)急演練制度建設(shè)。

發(fā)表于：2023/8/24

基于白兔時(shí)間同步協(xié)議的加速器節(jié)點(diǎn)時(shí)鐘同步系統(tǒng)[其他][其他]

提出了一種基于白兔時(shí)間同步協(xié)議，利用SPARTAN6系列現(xiàn)場可編程門陣列(FieldProgrammable Gate Array,FPGA)實(shí)現(xiàn)多節(jié)點(diǎn)亞納秒級(jí)別時(shí)間同步，并通過測量觸發(fā)信號(hào)到達(dá)時(shí)間，根據(jù)設(shè)置的延遲進(jìn)行恢復(fù)，從而實(shí)現(xiàn)高于120 ps時(shí)間分辨率。該方法能夠精確控制多節(jié)點(diǎn)信號(hào)發(fā)生的絕對(duì)時(shí)間，具有廣泛的應(yīng)用前景。特別地，該方法可應(yīng)用于同步輻射加速器中，提高實(shí)驗(yàn)數(shù)據(jù)的準(zhǔn)確性和穩(wěn)定性，有望在材料科學(xué)、生物學(xué)和化學(xué)等領(lǐng)域中得到廣泛應(yīng)用。該研究成果為同步輻射加速器的研究和實(shí)驗(yàn)提供了新的解決方案，有望推動(dòng)同步輻射技術(shù)的發(fā)展，為科學(xué)研究和工程應(yīng)用提供更多可能。

發(fā)表于：2023/8/24

數(shù)據(jù)驅(qū)動(dòng)的工業(yè)元宇宙系統(tǒng)研究[人工智能][物聯(lián)網(wǎng)]

物聯(lián)網(wǎng)、大數(shù)據(jù)及新一代信息技術(shù)的發(fā)展，對(duì)傳統(tǒng)制造業(yè)帶來前所未有的沖擊，基于數(shù)據(jù)關(guān)鍵生產(chǎn)要素的工業(yè)元宇宙建設(shè)得到越來越多的關(guān)注，為傳統(tǒng)制造業(yè)帶來了機(jī)遇，也帶來了挑戰(zhàn)。分析討論了工業(yè)元宇宙的背景、現(xiàn)狀、關(guān)鍵支撐技術(shù)，并以某企業(yè)智造元宇宙平臺(tái)的AR/VR虛擬仿真實(shí)訓(xùn)系統(tǒng)為例，初

發(fā)表于：2023/8/24

基于TextCNN-Bert融合模型的不良信息識(shí)別技術(shù)[人工智能][其他]

敏感領(lǐng)域的不良信息具有極強(qiáng)的迷惑性和欺騙性，腐蝕人們的思想，影響人們的價(jià)值觀和判斷能力，危害社會(huì)安全，研究敏感領(lǐng)域不良信息的識(shí)別技術(shù)具有深遠(yuǎn)意義。通用的識(shí)別技術(shù)忽略了背景知識(shí)和隱喻問題，直接應(yīng)用于敏感領(lǐng)域不良信息識(shí)別效果較差。提出一種基于TextCNNBert的融合模型，通過敏感領(lǐng)域主題識(shí)別和情感隱喻識(shí)別，實(shí)現(xiàn)對(duì)敏感領(lǐng)域不良信息的文本識(shí)別。實(shí)驗(yàn)結(jié)果表明，該模型在準(zhǔn)確率、F1評(píng)分等指標(biāo)方面取得了良好的結(jié)果，相較于現(xiàn)有模型有顯著提高。

發(fā)表于：2023/8/24

基于圖像降噪的集成對(duì)抗防御模型研究[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

深度學(xué)習(xí)的快速發(fā)展使其在圖像識(shí)別、自然語言處理等諸多領(lǐng)域廣泛應(yīng)用。但是，學(xué)者發(fā)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)容易受到對(duì)抗樣本的欺騙，使其以較高置信度輸出錯(cuò)誤結(jié)果。對(duì)抗樣本的出現(xiàn)給對(duì)安全性要求嚴(yán)格的系統(tǒng)帶來很大威脅。研究了在低層特征（LowLevel Feature）和高層特征（HighLevel Feature）對(duì)圖像進(jìn)行降噪以提升模型防御性能。在低層訓(xùn)練一個(gè)降噪自動(dòng)編碼器，并采用集成學(xué)習(xí)的思路將自動(dòng)編碼器、高斯擾動(dòng)和圖像掩碼重構(gòu)等多種方式結(jié)合；高層對(duì)ResNet18作微小改動(dòng)加入均值濾波。實(shí)驗(yàn)顯示，所提出的方法在多個(gè)數(shù)據(jù)集的分類任務(wù)上有較好的防御性能。

發(fā)表于：2023/8/24

基于因果關(guān)系和特征對(duì)齊的圖像分類域泛化模型[人工智能][其他]

針對(duì)現(xiàn)有域泛化方法性能較差或缺乏理論可解釋性的缺點(diǎn)，提出了一種基于因果關(guān)系和特征對(duì)齊的圖像分類域泛化模型，并證明了該模型的可識(shí)別性。該模型利用域泛化中的因果關(guān)系來學(xué)習(xí)含有不同信息的特征，將域泛化問題轉(zhuǎn)化為特征相關(guān)分布的偏移，再利用特征對(duì)齊消除偏移。為提高模型的性能，采用對(duì)抗訓(xùn)練進(jìn)一步優(yōu)化學(xué)到的特征。在公共數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，新提出的模型與目前最優(yōu)的方法性能相當(dāng)，表明該模型具有理論可解釋性的同時(shí)，還有不俗的實(shí)際性能表現(xiàn)。

發(fā)表于：2023/8/24

基于改進(jìn)的長短期記憶神經(jīng)網(wǎng)絡(luò)交通流預(yù)測[通信與網(wǎng)絡(luò)][汽車電子]

針對(duì)未來時(shí)刻交通流量的預(yù)測問題，在考慮歷史時(shí)刻車流量數(shù)據(jù)、日期屬性、天氣、降雨量等多方面影響因素的同時(shí)，提出一種考慮多方面影響因素的長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM*)模型。實(shí)驗(yàn)表明在對(duì)短期車流量進(jìn)行預(yù)測時(shí)，LSTM*模型的準(zhǔn)確性優(yōu)于現(xiàn)有的基線方法；對(duì)長期車流量進(jìn)行預(yù)測時(shí)，基于粒子群算法改進(jìn)的長短期記憶神經(jīng)網(wǎng)絡(luò)（PSOLSTM*）模型的準(zhǔn)確性優(yōu)于LSTM*模型。

發(fā)表于：2023/8/24