简介:摘要当前的深度学习方法使用在基于大型图形处理单元(GPU)的计算机上训练的卷积神经网络(CNN)非常成功。该方法的三个局限性是1)基于简单的分层网络拓扑结构;2)网络采用人工配置以达到最优效;3)神经元模型的实现在成本和功耗上都比较昂贵。在本文中,评估了使用三种不同的计算架构来解决这些问题的深度学习模型量子计算来训练复杂的拓扑结构,高性能计算(HPC)来自动确定网络拓扑结构,以及低功耗硬件的神经形态计算。由于目前量子计算机的输入尺寸限制,实验中使用MNIST数据集。结果显示了将这三种架构结合使用来解决上述深度学习限制的能力。结果表明,量子计算机可以在网络复杂度增加的情况下,在可控制的时间内找到高质量的层内连接权值;高性能计算机可以找到最优的基于层的拓扑结构;在低功耗记忆硬件中,神经形态计算机可以表示其他结构的复杂拓扑结构和权值。
简介:摘要当前的深度学习方法使用在基于大型图形处理单元(GPU)的计算机上训练的卷积神经网络(CNN)非常成功。该方法的三个局限性是1)基于简单的分层网络拓扑结构;2)网络采用人工配置以达到最优效;3)神经元模型的实现在成本和功耗上都比较昂贵。在本文中,评估了使用三种不同的计算架构来解决这些问题的深度学习模型量子计算来训练复杂的拓扑结构,高性能计算(HPC)来自动确定网络拓扑结构,以及低功耗硬件的神经形态计算。由于目前量子计算机的输入尺寸限制,实验中使用MNIST数据集。结果显示了将这三种架构结合使用来解决上述深度学习限制的能力。结果表明,量子计算机可以在网络复杂度增加的情况下,在可控制的时间内找到高质量的层内连接权值;高性能计算机可以找到最优的基于层的拓扑结构;在低功耗记忆硬件中,神经形态计算机可以表示其他结构的复杂拓扑结构和权值。
简介:摘要:随着国家大力支持电力发展,电力研究正在经历一次深度革命。因此,对于火力发电厂的性能计算有着越来越严苛的要求。本篇主要针对于因为火力发电厂计算分析过程中造成的能损进行重点讨论与研究,其中包括关于应达值及基准工况的选取,能损细化分析比较原则。关于火力发电厂性能计算与能损分析也正式从四个方面进行深入研究,和细化钻研。首先,从计算性能和能损分析的研究现状进行本质化研究。然后,针对于能损分析的现状的理论提出一些创新方法。其次,本文对于能损分析提出了一套完整的计算方法。最后,对于上述中的方法进行全力论证。
简介:以磷酸铁锂(LiFePO4/C)为正极活性物质、石墨为负极物质组装成动力锂离子电池。详细研究了该电池的循环性能以及过充电对电池安全性能的影响。对电池充放电容量、循环性能和电压衰减进行测试。研究表明:LiFePO4/C电池在常温下具有较好的循环性能,但大电流放电性能欠佳;在低温状态下电池的容量和循环性能明显下降;频繁的过充电会导致LiFePO4/C电池的循环性能降低;大电流、高电压过充电对电池的性能影响最大,电池存在的安全隐患最多。以3C2A电流过充电时对电池的影响最大;使用LiFePO4/C材料做为动力电池的正极材料时须避免过充电现象发生。