国产aV夜夜欢一区二区三区,国产精品一级无码毛片视频,精品无码国产自产野外拍在线

基于AI加速的可復(fù)用FPV平臺(tái)庫(kù)[人工智能][汽車(chē)電子]

形式驗(yàn)證FPV可將DUT抽象為狀態(tài)空間進(jìn)行遍歷，針對(duì)動(dòng)態(tài)仿真難以隨機(jī)到的邊界場(chǎng)景、異常場(chǎng)景和復(fù)雜組合場(chǎng)景可提高收斂速度，增強(qiáng)驗(yàn)證質(zhì)量。但高質(zhì)量Property開(kāi)發(fā)對(duì)驗(yàn)證人員能力有較高的要求。面對(duì)該挑戰(zhàn)，基于Cadence公司Jaspergold ABVIP提出了一種可復(fù)用FPV平臺(tái)庫(kù)解決方案，可在不同模塊之間重用，降低FPV驗(yàn)證平臺(tái)搭建時(shí)間，提升Property質(zhì)量，同時(shí)借助其AI工具Proof Master生成加速Proven效率的database。FPV平臺(tái)庫(kù)+AI Database已在中興微電子某車(chē)規(guī)項(xiàng)目落地并復(fù)用，發(fā)現(xiàn)動(dòng)態(tài)仿真遺漏的4個(gè)故障。Proof Master可應(yīng)用于項(xiàng)目全周期內(nèi)，回歸效率平均提升80.17%，F(xiàn)PV平臺(tái)庫(kù)+AI database可提升FPV 初次Proven效率44.96%。與此同時(shí)對(duì)生成式大模型提升Property編寫(xiě)效率做了一定探討。

發(fā)表于：2024/9/4 14:03:07

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

隨著硬件設(shè)計(jì)規(guī)模和復(fù)雜程度的不斷增加，驗(yàn)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(cè)試的方法治標(biāo)不治本。如何在投片前做到驗(yàn)證關(guān)鍵指標(biāo)收斂，是驗(yàn)證工程師面對(duì)的難題。為解決這一難題，提出了采用人工智能驅(qū)動(dòng)的驗(yàn)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(dòng)的Verisium apps和采用機(jī)器學(xué)習(xí)技術(shù)Xcelium ML，前者用來(lái)提升驗(yàn)證故障定位效率，包括Verisium AutoTriage、Verisium SemanticDiff、Verisium WaveMiner等，后者可用來(lái)提升驗(yàn)證覆蓋率收斂效率。生成式大模型可輔助智能debug和自動(dòng)生成驗(yàn)證用例，主要介紹各實(shí)現(xiàn)方案，并給出了項(xiàng)目實(shí)驗(yàn)提升結(jié)果。

發(fā)表于：2024/9/4 13:52:25

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

隨著工藝演進(jìn)，尺寸進(jìn)一步縮小帶來(lái)了更多寄生通路和更大的寄生電阻，后仿結(jié)果和前仿相去甚遠(yuǎn)。如何快速縮小前后仿之間的差距成為重要課題。傳統(tǒng)設(shè)計(jì)中只能通過(guò)Quantus Extracted View相對(duì)直觀地對(duì)寄生進(jìn)行分析，無(wú)法更詳細(xì)地進(jìn)行分析，這成為設(shè)計(jì)者們面臨的艱巨挑戰(zhàn)。同時(shí)，后仿發(fā)現(xiàn)問(wèn)題，只能通過(guò)“修改電路-版圖迭代-再次后仿”反復(fù)優(yōu)化，迭代周期長(zhǎng)，如何降低時(shí)間成本成為各公司關(guān)注的重點(diǎn)。Virtuoso iQuantus Insight （ViQI）/Quantus Insight （QI）可基于寄生網(wǎng)表文件進(jìn)行寄生分析及結(jié)果可視化。工程師可借此對(duì)寄生進(jìn)行準(zhǔn)確的分析及假設(shè)，無(wú)需版圖迭代，即可進(jìn)行設(shè)計(jì)優(yōu)化。討論了如何通過(guò)ViQI/QI工具在FINFET先進(jìn)工藝項(xiàng)目中實(shí)現(xiàn)快速的后仿迭代，大幅提高工作效率。

發(fā)表于：2024/9/4 13:41:00

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

對(duì)于性能功耗面積（PPA）的追求已成為IC芯片設(shè)計(jì)的共識(shí)，尤其是發(fā)展到先進(jìn)工藝節(jié)點(diǎn)，PPA已成為IC設(shè)計(jì)綜合性能的重要指標(biāo)，尤其是對(duì)于大型SoC芯片中clone很多次的模塊，對(duì)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(guò)綜合階段與后端PR各個(gè)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(shí)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：2024/9/4 13:31:51

Conformal ECO寄存器新增的掃描鏈自動(dòng)化接入方案[模擬設(shè)計(jì)][工業(yè)自動(dòng)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(dá)到百位量級(jí)時(shí)，人工接入掃描鏈難度也將急劇上升?；贑adence的Conformal和Innovus等工具，在綜合考量邏輯正確性和中后端物理實(shí)現(xiàn)可行性的基礎(chǔ)上，采用歸一思路下的“S”型連線(xiàn)和room值下的再分組等方法，實(shí)現(xiàn)了上述問(wèn)題的自動(dòng)化和高效化解決，在邏輯上確保了時(shí)鐘域一致性等問(wèn)題，物理上同時(shí)兼顧了布局布線(xiàn)優(yōu)化和最大掃描鏈長(zhǎng)度。并且其自動(dòng)化的高效性，在項(xiàng)目實(shí)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：2024/9/4 13:21:13

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

構(gòu)建基于云計(jì)算的蛋白質(zhì)折疊空間結(jié)構(gòu)預(yù)測(cè)框架，通過(guò)數(shù)據(jù)云存儲(chǔ)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(chǔ)方式保存于云端。資源和隊(duì)列管理器RQM（Resource Queue Management）開(kāi)啟云端虛擬機(jī)后，以之作為掃描節(jié)點(diǎn)（Sensor Node， SN），SN基于二維AB非格點(diǎn)模型建立最小蛋白質(zhì)分子能量?jī)?yōu)化函數(shù)，采用局部搜索機(jī)制改進(jìn)的量子遺傳算法對(duì)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(shí)現(xiàn)蛋白質(zhì)折疊空間結(jié)構(gòu)的自動(dòng)化預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明：蛋白質(zhì)序列能量勢(shì)函數(shù)計(jì)算結(jié)果更小、執(zhí)行效率更高、GDT-TS（Geothermal Development and Testing Tool Suite）評(píng)價(jià)指標(biāo)值更大。

發(fā)表于：2024/9/4 13:10:35

基于多特征融合和知識(shí)蒸餾的亞熱帶常見(jiàn)喬木識(shí)別方法[人工智能][其他]

喬木在維持生態(tài)平衡、保護(hù)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(duì)復(fù)雜背景下喬木識(shí)別準(zhǔn)確率較低的問(wèn)題，提出了一種基于樹(shù)木多特征融合和知識(shí)蒸餾的亞熱帶常見(jiàn)喬木識(shí)別模型MFFMN-KD-TA。該模型采用3個(gè)并行的MobileNetV3_Small主干網(wǎng)絡(luò)分別提取樹(shù)葉、樹(shù)干和樹(shù)木整體特征；并通過(guò)知識(shí)蒸餾和嵌入Triplet Attention模塊的方法優(yōu)化訓(xùn)練。試驗(yàn)結(jié)果表明，MFFMN-KD-TA模型在自建樹(shù)木測(cè)試集上的準(zhǔn)確率、精確率和F1分?jǐn)?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(shí)別喬木種類(lèi)，為亞熱帶和其他地區(qū)的樹(shù)種識(shí)別提供了新思路和新方法。

發(fā)表于：2024/9/4 13:01:00

個(gè)人信息侵權(quán)因果關(guān)系認(rèn)定困境的紓解——以推定因果關(guān)系為進(jìn)路[其他][信息安全]

在個(gè)人信息侵權(quán)案件中，受害人證明因果關(guān)系受證明能力不足、證明成本高、證明標(biāo)準(zhǔn)模糊、數(shù)人侵權(quán)案情復(fù)雜等而陷入困境。上述司法認(rèn)定困境與因果關(guān)系理論爭(zhēng)議不無(wú)關(guān)系，條件說(shuō)、類(lèi)推說(shuō)、相當(dāng)因果關(guān)系說(shuō)均存在理論缺陷與價(jià)值局限，基于蓋然性標(biāo)準(zhǔn)的理論支撐以及個(gè)人信息侵權(quán)解紛的現(xiàn)實(shí)需要，推定因果關(guān)系說(shuō)具有適用的可行性與必要性。規(guī)則優(yōu)化方面，原告需在形式上對(duì)因果關(guān)系負(fù)證明責(zé)任，證明的程度達(dá)到一般程度以上；被告需證明因果關(guān)系不存在且該證明責(zé)任達(dá)到高度蓋然性方可否認(rèn)侵權(quán)責(zé)任。

發(fā)表于：2024/9/3 15:50:15

縣域數(shù)據(jù)安全治理體系建設(shè)與挑戰(zhàn)[其他][信息安全]

發(fā)表于：2024/9/3 15:35:37

消費(fèi)型App強(qiáng)制“用戶(hù)同意”的形式、原因與規(guī)制[其他][信息安全]

隨著互聯(lián)網(wǎng)經(jīng)濟(jì)的發(fā)展，傳統(tǒng)線(xiàn)下經(jīng)濟(jì)大量向線(xiàn)上轉(zhuǎn)移，App平臺(tái)成為用戶(hù)在互聯(lián)網(wǎng)消費(fèi)的重要工具?！捌脚_(tái)強(qiáng)-用戶(hù)弱”的失衡格局長(zhǎng)期存在于網(wǎng)絡(luò)領(lǐng)域，App平臺(tái)強(qiáng)制“用戶(hù)同意”用戶(hù)協(xié)議已然成為行業(yè)慣例。消費(fèi)型App利用其網(wǎng)絡(luò)技術(shù)優(yōu)勢(shì)，以顯性形式或隱性形式強(qiáng)制面臨信息鴻溝的用戶(hù)同意其制定的用戶(hù)協(xié)議，從而實(shí)現(xiàn)獲取消費(fèi)者個(gè)人信息、規(guī)避法律風(fēng)險(xiǎn)等目的。強(qiáng)制“用戶(hù)同意”不僅違反了平等、自愿原則，而且嚴(yán)重侵害了用戶(hù)的知情權(quán)、選擇權(quán)等權(quán)利，這種強(qiáng)制行為亟需規(guī)制。一方面，要規(guī)范用戶(hù)協(xié)議，平衡消費(fèi)型App和用戶(hù)之間的地位；另一方面，推進(jìn)用戶(hù)數(shù)據(jù)產(chǎn)權(quán)化，提升用戶(hù)議價(jià)能力，增加平臺(tái)的規(guī)避成本。通過(guò)規(guī)制以促使消費(fèi)型App平臺(tái)履行保護(hù)個(gè)人信息和數(shù)據(jù)安全等法定的合規(guī)義務(wù)，平衡消費(fèi)型App平臺(tái)和用戶(hù)之間的權(quán)利義務(wù)關(guān)系，推進(jìn)App平臺(tái)從“形式合規(guī)”轉(zhuǎn)向“實(shí)質(zhì)合規(guī)”。

發(fā)表于：2024/9/3 15:22:30