模型量化的案例
全新發(fā)布 | COMSOL 6.0版本: 新增"模型管理器"和"不確定性量化模塊"
不確定性量化模塊增強(qiáng)了敏感和可靠性分析能力
模型管理器擴(kuò)展了COMSOL在工程設(shè)計(jì)和開發(fā)領(lǐng)域的應(yīng)用范圍，而不確定性量化模塊使其能夠生成更加完整、準(zhǔn)確且實(shí)用的多物理場模型。
基于概率設(shè)計(jì)法，用戶可以通過可靠性分析估算制造公差如何影響最終產(chǎn)品的預(yù)期性能，以避免對設(shè)備或工藝過程的過度設(shè)計(jì)或設(shè)計(jì)不足。
參數(shù)篩選和敏感性分析揭示了哪些參數(shù)比其他參數(shù)更為重要，可以用于測試模型的基本假設(shè)是否有效，而誤差傳遞可以用來預(yù)估輸出量的概率分布。
圖|不確定性量化模塊揭示了輸入?yún)?shù)的變化對仿真結(jié)果的影響
“不確定性量化模塊的一個(gè)優(yōu)勢是，它可以與COMSOL Multiphysics中的所有物理場仿真結(jié)合使用。” COMSOL數(shù)值分析技術(shù)總監(jiān)Jacob Ystr?m介紹道，“該模塊不僅適用于結(jié)構(gòu)分析，還可以對聲學(xué)、流體、電磁以及多物理場耦合問題進(jìn)行類似分析，其應(yīng)用范圍非常廣泛。”
6.0版本帶來求解器性能和建模能力的廣泛提升
COMSOL Multiphysics 6.0版本對軟件平臺(tái)和附加產(chǎn)品進(jìn)行了全面更新，對特定工程領(lǐng)域的問題，以內(nèi)存消耗和計(jì)算速度為指標(biāo)的求解性能提升了10倍以上；除此之外，新版本還增強(qiáng)了針對 PCB 電路板設(shè)計(jì)的電磁仿真能力，并為聲學(xué)領(lǐng)域的用戶帶來了一個(gè)全新的仿真方向：流致噪聲。
了解 COMSOL 軟件新版本的更多信息，請點(diǎn)擊【閱讀原文】訪問 6.0 版本發(fā)布亮點(diǎn)。
展開 西南交大《IJP》：高熵合金溫度相關(guān)變形行為的本構(gòu)建模和性能調(diào)控
圖1 通過熱力學(xué)理論模型計(jì)算不同溫度下iHEA的層錯(cuò)能和Gibbs自由能變化
隨后，發(fā)展了考慮多重強(qiáng)化機(jī)制（林位錯(cuò)、晶界、碳化物顆粒、晶格摩擦力）和塑性變形機(jī)制（位錯(cuò)滑移、變形孿生、馬氏體相變）的晶體塑性本構(gòu)模型，并在不同機(jī)制中針對性地引入溫度效應(yīng)。本構(gòu)模型通過德國馬普鋼鐵所開發(fā)的DAMASK平臺(tái)移植有限元方法，以用戶子程序的形式與商業(yè)軟件Abaqus進(jìn)行關(guān)聯(lián)。在驗(yàn)證多晶Voronoi幾何模型合理性的基礎(chǔ)上，通過模擬實(shí)驗(yàn)加載工況，對本構(gòu)參數(shù)進(jìn)行識(shí)別和校核，驗(yàn)證本構(gòu)模型的有效性。對比發(fā)現(xiàn)發(fā)展的本構(gòu)模型和所采用的參數(shù)能夠較好地描述iHEA溫度相關(guān)的單拉變形行為（如圖2）和微結(jié)構(gòu)演化（如圖3）。
圖2 不同溫度和晶粒尺寸下iHEA單拉變形行為的模擬和實(shí)驗(yàn)值對比
圖3 不同溫度和晶粒尺寸下iHEA微結(jié)構(gòu)演化的模擬和實(shí)驗(yàn)值對比
最后，利用本構(gòu)模型量化了各種強(qiáng)化機(jī)制在iHEA屈服應(yīng)力中的占比（如圖4(a)），分析了不同溫度下孿晶和馬氏體形核應(yīng)力的變化，對低溫下iHEA屈服應(yīng)力變化和馬氏體相變增強(qiáng)等問題進(jìn)行了討論。通過對比模擬量化了馬氏體相變對iHEA應(yīng)變硬化的貢獻(xiàn)。在此基礎(chǔ)上，通過發(fā)展的本構(gòu)模型和模擬手段，預(yù)測了不同溫度和不同晶粒尺寸下iHEA的強(qiáng)韌性分布（如圖4(b)），相關(guān)規(guī)律可為iHEA的工程服役和性能設(shè)計(jì)提供參考。
展開 首創(chuàng)開源架構(gòu)，天璣AI開發(fā)套件讓端側(cè)AI模型接入得心應(yīng)手
Neuron Studio可針對模型到應(yīng)用，提供一站式、全鏈路、自動(dòng)化的開發(fā)協(xié)助，不僅讓AI應(yīng)用開發(fā)的全流程可視化，更帶來整個(gè)多種工具的一站式開發(fā)能力，還支持神經(jīng)網(wǎng)絡(luò)自動(dòng)化調(diào)優(yōu)和跨模型全鏈路分析功能，針對AI應(yīng)用開發(fā)的三大痛點(diǎn)逐個(gè)擊破。
當(dāng)前AI應(yīng)用開發(fā)者在使用開發(fā)工具時(shí)會(huì)面臨一個(gè)很頭疼的問題，種類多、功能不聚合、過于碎片化，導(dǎo)致開發(fā)過程非常復(fù)雜。Neuron Studio整合了多個(gè)MLKits工具，包含模型轉(zhuǎn)換、模型量化和模型調(diào)優(yōu)，將關(guān)鍵模塊融合成一站式、可視化的完整開發(fā)鏈路，開發(fā)者不再需要“拼積木式”組合多個(gè)工具，只用一套工具就可以已全部搞定，極大提升開發(fā)效率。
Neuron Studio 還支持自動(dòng)化調(diào)優(yōu)神經(jīng)網(wǎng)絡(luò)使用的帶寬及性能，在開發(fā)過程中，將性能和內(nèi)存占用自動(dòng)優(yōu)化至最佳配置。而且，開發(fā)者可以全程監(jiān)控大模型演化過程。以前萬組參數(shù)手動(dòng)調(diào)優(yōu)動(dòng)輒需要一周，而現(xiàn)在只要幾個(gè)小時(shí)即可完成。
此外，Neuron Studio打造了跨模型全鏈路分析功能，提供全局視角和執(zhí)行流程。開發(fā)者不在需要針對大模型中不同模塊各自獨(dú)立分析，實(shí)現(xiàn)“全局視角、一站掌控”，大幅節(jié)省模型分析時(shí)間。
這不僅僅是工具的升級，更是邁向智能體化用戶體驗(yàn)的關(guān)鍵基礎(chǔ)設(shè)施。
天璣AI開發(fā)套件 2.0，全面釋放天璣端側(cè)AI能力
去年，天璣AI開發(fā)套件一經(jīng)發(fā)布就廣受開發(fā)者好評和推薦。在MDDC 2025上，聯(lián)發(fā)科帶來了全面升級的天璣AI開發(fā)套件2.0，在模型庫規(guī)模、架構(gòu)開放程度、前沿端側(cè)AI技術(shù)支持和端側(cè)LoRA訓(xùn)練落地等方面均迎來全面躍遷，為開發(fā)者提供了更全面、更開放、更強(qiáng)大的端側(cè)AI開發(fā)解決方案。
端側(cè)AI應(yīng)用開發(fā)往往需要調(diào)用各種各樣的大模型能力，需要更豐富、類型更多的模型適配。
展開 如何在資源受限的RISC-V內(nèi)核上嵌入人工智能？
這使設(shè)計(jì)者能夠在L31內(nèi)核的標(biāo)準(zhǔn)變體之間進(jìn)行選擇，并評估使用TFLite-Micro 進(jìn)行量化的好處。
圖4 包含了PPA 圖表，顯示了識(shí)別測試集的單一圖像所需的相對時(shí)鐘周期數(shù)、消耗的能量和利用的芯片面積。沒有浮點(diǎn)硬件的基本L31 配置是有效的，但性能相對較慢，因?yàn)镕P 操作必須在軟件中模擬。而通過在L31 中添加硬件浮點(diǎn)單元可以解決這個(gè)問題，并使總時(shí)間減少近85%，功耗減少42%，但代價(jià)是芯片面積擴(kuò)大（+207%）。
圖4 Codasip的L31 32位整數(shù)內(nèi)核、32位浮點(diǎn)內(nèi)核以及運(yùn)行手寫數(shù)字識(shí)別的量化TFLite模型的32位整數(shù)內(nèi)核之間的PPA比較
此外還有一個(gè)解決方案：TFLite-Micro 支持神經(jīng)網(wǎng)絡(luò)參數(shù)和輸入數(shù)據(jù)的量化。這個(gè)功能是從最初的TensorFlow Lite 框架中提取的， 并提供了將任何TensorFlow 模型轉(zhuǎn)換為整數(shù)（有符號(hào)/ 無符號(hào)8/16 位）表示的能力，因此它可以直接在整數(shù)內(nèi)核上運(yùn)行。圖4顯示，在標(biāo)準(zhǔn)整數(shù)L31 內(nèi)核上運(yùn)行的int8 量化模型幾乎達(dá)到了浮點(diǎn)內(nèi)核的性能，運(yùn)行時(shí)間減少了80% 以上，功耗比初始水平進(jìn)一步提高了78%，而不需要增加內(nèi)核的復(fù)雜性和硅面積。
神經(jīng)網(wǎng)絡(luò)模型的量化總是在預(yù)測精度和算法復(fù)雜性之間進(jìn)行權(quán)衡。從浮點(diǎn)版本切換到int16 和int8 不可避免地會(huì)降低精度，而用戶有責(zé)任確保它不會(huì)降太多。量化（int8）和初始浮點(diǎn)模型都在包含10,000 張圖片的測試集上得到了驗(yàn)證，結(jié)果準(zhǔn)確率為98.91%（fp32）和98.89%（int8），這似乎是對資源、功率和性能增益的合理權(quán)衡。
展開 
Transformer在BEV、2D/3D檢測上的應(yīng)用、量化與加速！
矩陣乘法加速不僅需要定點(diǎn)設(shè)計(jì)，還需要精確的量化設(shè)計(jì)。作者試圖通過針對特定數(shù)據(jù)和模型定制量化設(shè)計(jì)來解決這個(gè)問題，因?yàn)樗鼈儗?yīng)的量化值范圍和范圍不同。這種方法有助于防止溢出，這種溢出很容易發(fā)生，因?yàn)槌朔ɡ奂舆\(yùn)算的維數(shù)很大。
5、Section Summary
采用了各種優(yōu)化技術(shù)來改進(jìn)基于Transformer的模型。數(shù)據(jù)重組運(yùn)算符，如reshape、permute、split、concat和transpose，用于處理不規(guī)則數(shù)據(jù)，依賴片上存儲(chǔ)器進(jìn)行中間結(jié)果存儲(chǔ)。軟件編譯器優(yōu)化，包括operator合并和運(yùn)算符映射，被用來優(yōu)化這些operator。
模型量化是加速模型推理的關(guān)鍵技術(shù)，它用整數(shù)多項(xiàng)式近似方法或函數(shù)近似方法取代了Transformer網(wǎng)絡(luò)中的非線性算子。對于矩陣乘法加速，也考慮了替代量化方法，如指數(shù)量化。模型結(jié)構(gòu)的改進(jìn)，如使用有效的注意力機(jī)制或輕量級結(jié)構(gòu)，有助于進(jìn)一步優(yōu)化。
還研究了模型壓縮方法，如剪枝和知識(shí)蒸餾。剪枝涉及從訓(xùn)練的模型中刪除不重要的參數(shù)或連接，各種方法側(cè)重于多頭自注意力（MHSA）、通道、token或整個(gè)Transformer結(jié)構(gòu)。
知識(shí)蒸餾將知識(shí)從大的教師模型轉(zhuǎn)移到小的學(xué)生模型。將模型量化與知識(shí)提取相結(jié)合，減少了內(nèi)存開銷，提高了性能。視覺Transformer蒸餾技術(shù)檢查了特征圖和注意力，特征圖蒸餾將地圖劃分為patch，注意力蒸餾使用額外的蒸餾token進(jìn)行知識(shí)轉(zhuǎn)移。
對Transformer硬件加速的研究主要集中在NLP模型（如BERT）和視覺Transformer模型（如ViT）上。2022年，Transformer在自動(dòng)駕駛領(lǐng)域的應(yīng)用迅速發(fā)展，這導(dǎo)致人們對其實(shí)施的興趣增加。然而，自動(dòng)駕駛Transformer模型的硬件加速仍處于初級階段。
展開 洪水波傳播和地下設(shè)施洪水泛濫
為此，烏珀塔爾大學(xué)水利工程系的水利實(shí)驗(yàn)室建立一個(gè)水工物理模型。
關(guān)鍵詞：洪水，故障，地下設(shè)施，洪水波傳播，仿真
1. 引言防洪措施分為三個(gè)部分：（1）技術(shù)防洪（2）防洪區(qū)管理（3）預(yù)防措施。此外在洪水事件期間防洪措施操作規(guī)范也被提到日程上來（德國減少自然災(zāi)害委員會(huì)，2003）。而相關(guān)預(yù)防措施必須包括水利現(xiàn)象的詳細(xì)數(shù)據(jù)分析。因此，像上述技術(shù)防洪措施發(fā)生故障時(shí)，這種無法預(yù)料的災(zāi)害將格外的突顯與被重視。目前，調(diào)查研究的重點(diǎn)還是放在分析在河堤或堤壩發(fā)生破壞后的洪水波傳播過程的水利現(xiàn)象。但是由于對地下設(shè)施防洪過程沒有詳細(xì)描述，因此需要建立一個(gè)水工物理模型，利用仿真軟件模擬在平板上洪水波傳播過程和隨后的地下量注入過程，以監(jiān)測洪水的主要流動(dòng)特性。
2. 物理模型
物理模型（見圖1和圖2）的縮放比例從1:20調(diào)整到1:13。水工模型是帶有一個(gè)完整缺口的水槽，且該缺口是靠著權(quán)重系統(tǒng)打開。而在傳播板上可以找到不同幾何邊界條件的六個(gè)開口。
3. 結(jié)果
3.1 波傳播
由于水槽缺口處流動(dòng)速度不同，因此波傳播是非對稱的。利用紅外傳感裝置可記錄板上近1000待測點(diǎn)的波形，并通過分析和計(jì)算得出水深、速度及隨時(shí)間變化的波傳播。其中主要考慮兩個(gè)條件：（1）穩(wěn)態(tài)波（2）暫態(tài)傳播特性（見圖3和圖4）。波傳播現(xiàn)象可以用來驗(yàn)證地下洪水流動(dòng)控制體積的邊界條件。尤其考慮到縮放比例對結(jié)果的影響，因此數(shù)值模擬需加以詳細(xì)分析及描述。
3.2 縮放比例的影響
Briechle (2006) 建立一個(gè)波傳播的解析模型，該模型以缺口處為中心軸線并把縮放比例從1:1調(diào)整到1:2 。未調(diào)整（縮放比例）所獲結(jié)果與調(diào)整后的具有良好的一致性。
由于水深較淺和流動(dòng)速度較低，因此可假設(shè)結(jié)果是不受缺口-軸線的縮放比例影響。Briechle 進(jìn)行一項(xiàng)關(guān)于縮放比例影響的詳細(xì)分析，目的是把小比例模型量化。
展開 誠智鵬如何助力中國船舶攻克海上裝備高精度裝配難題？
解決思路：3DCC基于3D模型，通過建立零件之間的裝配約 束，自動(dòng)進(jìn)行尺寸鏈計(jì)算建模，模擬裝配誤差對運(yùn)動(dòng)性能的影響，量化軸向偏差、徑向跳動(dòng)等關(guān)鍵公差參數(shù)。同時(shí)考慮綜合誤差因素對產(chǎn)品裝配質(zhì)量、技術(shù)目標(biāo)進(jìn)行預(yù)測,優(yōu)化關(guān)鍵零件公差，提高運(yùn)行穩(wěn)定性。
2、場景描述：艦船動(dòng)力系統(tǒng)的軸系組件（如傳動(dòng)軸、聯(lián)軸器、減速器）因公差累積導(dǎo)致軸心線偏移，引發(fā)振動(dòng)加劇、效率降低等情況，甚至影響航行安全。
解決思路：3DCC自動(dòng)提取軸系結(jié)構(gòu)的尺寸鏈和裝配約束，精準(zhǔn)分析軸心線、安裝間隙的關(guān)鍵因素。建立誤差傳遞模型，計(jì)算誤差貢獻(xiàn)率，識(shí)別影響對中的關(guān)鍵因素。優(yōu)化聯(lián)軸器和軸承的公差，減少振動(dòng)，提高系統(tǒng)效率和可靠性。
3、場景描述：船艙門密封性受艙口框架的制造誤差、門板變形及密封條壓縮量的影響。
解決思路：3DCC可建立完整的密封結(jié)構(gòu)公差模型，分析艙門閉合后的密封間隙分布，計(jì)算極端工況下的密封壓力變化，并優(yōu)化艙門鉸鏈、鎖閉機(jī)構(gòu)的關(guān)鍵公差，提高密封可靠性，確保水密、氣密性能達(dá)到設(shè)計(jì)標(biāo)準(zhǔn)。
4、場景描述：雷達(dá)天線支架裝配誤差累積導(dǎo)致天線角度偏差，影響信號(hào)指向精度，降低探測性能。
解決思路：3DCC提取支架與艦體安裝面的關(guān)鍵尺寸及公差，建立誤差傳遞模型，量化角度偏差對波束指向的影響。優(yōu)化零件關(guān)鍵公差，提高安裝精度，減少調(diào)試成本，確保雷達(dá)系統(tǒng)探測性能穩(wěn)定。
3DCC的應(yīng)用價(jià)值
3DCC公差分析軟件能夠幫助該研究院所解決船舶與海洋裝備的復(fù)雜公差問題，通過精準(zhǔn)的公差仿真計(jì)算，提高裝配精度，降低試驗(yàn)成本，縮短研發(fā)周期。無論是高精度旋轉(zhuǎn)部件、關(guān)鍵傳動(dòng)軸系，還是大型結(jié)構(gòu)件的裝配誤差控制，3DCC都能提供科學(xué)的優(yōu)化方案，助力該院所在裝備制造領(lǐng)域提升技術(shù)水平。
展開 如何驗(yàn)證軍用飛機(jī)的噪聲模型？
歐洲“臺(tái)風(fēng)”戰(zhàn)斗機(jī)的聲強(qiáng)圖
利用波束形成的高性能軍用飛機(jī)噪聲模型的飛行試驗(yàn)驗(yàn)證
空中客車國防和航空公司正在開發(fā)軟件，以優(yōu)化其軍用飛機(jī)的機(jī)場起飛和著陸路徑，從而減少對附近社區(qū)產(chǎn)生的噪音影響。對噪聲影響的計(jì)算需要對飛機(jī)上噪聲源，傳播路徑（包括可能的反射）和用于量化地面上感知噪聲的參數(shù)進(jìn)行計(jì)算機(jī)建模。 飛機(jī)上的主要噪聲源通常是：噴氣，發(fā)動(dòng)機(jī)進(jìn)氣和起落架和機(jī)身周圍的空氣動(dòng)力源。 最初，空客公司使用簡單的分析模型來量化聲源強(qiáng)度和指向性，但是為了基于模型獲得準(zhǔn)確的預(yù)測，必須用測試的檢驗(yàn)模型。
2015年6月，空中客車國防和航空公司要求Brüel & Kj?r提供一系列飛越式波束形成的測量，用于校準(zhǔn)其歐洲臺(tái)風(fēng)戰(zhàn)斗機(jī)的聲源水平和方向。 該空中客車項(xiàng)目負(fù)責(zé)人是Christian Waizmann，而Ernst Grigat博士是技術(shù)項(xiàng)目協(xié)調(diào)員。 他們根據(jù)我們與日本航空研究開發(fā)機(jī)構(gòu)（JAXA）在飛越式波束形成方面的合作，看到了我們的會(huì)議論文，其中描述了在地面上使用傳聲器陣列來定位和量化一架飛越的商務(wù)噴氣機(jī)的噪聲源。除了聲源強(qiáng)度，另一個(gè)空中客車測量相涉及到的挑戰(zhàn)是確定其指向性。
2015年11月在德國諾伊堡機(jī)場，用Brüel & Kj?r的標(biāo)準(zhǔn)135通道，29米直徑的傳聲器陣列進(jìn)行了一系列測量。 兩天內(nèi)共進(jìn)行了20次飛越測量。通過使用GPS時(shí)間信獲得了陣列數(shù)據(jù)和飛機(jī)車載數(shù)據(jù)這兩個(gè)系統(tǒng)之間的同步。 該圖顯示了在高度為47米，速度為100米/秒的臺(tái)風(fēng)戰(zhàn)機(jī)在飛越時(shí)其底部聲強(qiáng)云圖。對飛機(jī)在陣列垂直軸的前10米和前20米之間的數(shù)據(jù)進(jìn)行平均。
起落架收起，但是兩個(gè)外部燃料箱安裝在機(jī)翼下方（以藍(lán)色顯示）。
展開 國產(chǎn)統(tǒng)計(jì)過程控制（SPC）工具，賦能離散制造智慧升級
一、一段話了解SPC
SPC是一種基于數(shù)據(jù)的科學(xué)管理方法，通過實(shí)時(shí)監(jiān)控關(guān)鍵質(zhì)量參數(shù)，利用數(shù)學(xué)模型識(shí)別生產(chǎn)中的異常波動(dòng)。讓你在不良品出現(xiàn)前，就察覺出工藝流程的“亞健康”狀態(tài)，被稱為質(zhì)量控制的“防火墻”。
二、誰需要SPC
■ 行業(yè)領(lǐng)域： 汽車、電子、家電、化工等對穩(wěn)定性、一致性有極高要求的制造企業(yè)。
■ 質(zhì)量工程（QE）：從海量數(shù)據(jù)中獲取 Cpk 指標(biāo)，即過程能力指數(shù)（Process Capability Index），定量反映產(chǎn)線質(zhì)量水平高低。
■ 工藝工程（ME）： 尋找波動(dòng)根因，優(yōu)化生產(chǎn)參數(shù) 。
■ 現(xiàn)場操作員： 實(shí)時(shí)接收異常預(yù)警，快速響應(yīng)。
三、SPC工具優(yōu)缺點(diǎn)一覽
目前市面上常見的質(zhì)控方式各具特色，讓不少企業(yè)選擇困難：
四、天洑 DTEmpower：低代碼SPC工具
作為工業(yè)智慧化領(lǐng)域的國家級專精特新“小巨人”企業(yè)，天洑面對小批量多品種的離散制造企業(yè)，自研的智能數(shù)據(jù)建模軟件DTEmpower 提供了一套“智能數(shù)據(jù)治理 + 專業(yè)統(tǒng)計(jì)分析 + AI 根因診斷”的一體化解決方案 。
1、AI驅(qū)動(dòng)的根因分析
這是 DTEmpower 的核心優(yōu)勢，它集成了回歸、時(shí)序、分類、聚類等 150 余種機(jī)器學(xué)習(xí)算法，且低代碼易上手，不需要深厚的算法背景，通過拖拽式建模和 AI Agent 輔助，質(zhì)量工程師可以快速建立回歸模型或分類模型，量化各工藝因子對良率的貢獻(xiàn)率，實(shí)現(xiàn)“智能故障搜索”。
展開 要玩VoLTE，先搞定語音質(zhì)量評估與測試 - 全文
主動(dòng)式的評價(jià)是建立在原始語音信號(hào)和失真語音信號(hào)的誤差對比上，大多數(shù)這種方式的客觀評估采用數(shù)值距離或者描述聽覺系統(tǒng)如何來感知質(zhì)量的聽覺模型來量化語音質(zhì)量的好壞；被動(dòng)式的客觀評價(jià)是僅以語音系統(tǒng)的輸出信號(hào)來評估語音質(zhì)量的好壞。
主觀評價(jià)
國內(nèi)外使用較多的主觀評價(jià)方法包括平均意見分MOS（Mean Opinion Score）法，韻母可懂度測量DRT（Diagnostic Rhyme Tests），失真平均意見分DMOS（Degradation Mean Opinion Score），滿意度測量DAM（Diagnostic Acceptability Measure）等。
在實(shí)際語音質(zhì)量評價(jià)中，MOS法最為常見。ITU P.800標(biāo)準(zhǔn)定義了MOS評價(jià)方法。參加評價(jià)的評聽人在聽完測試語音后從下表5個(gè)等級中選擇某一級作為他對語音質(zhì)量的評價(jià)。全體實(shí)驗(yàn)者的平均分就是所測語音質(zhì)量的MOS值。
主觀性測試的的優(yōu)勢是符合人對語音的感受，缺點(diǎn)是耗時(shí)，昂貴，可重復(fù)性低，受人的主觀影響較大。
展開 CV算法工程師的一年工作經(jīng)驗(yàn)與感悟
，深度估計(jì)，ReID，SLAM，以及通用技術(shù)模型量化，剪枝，模型蒸餾，meta learning，遷移學(xué)習(xí)……
看到這應(yīng)該明白為啥CV這么卷了吧，而且有些方向的門檻和技術(shù)棧比較高，比如SLAM，一般社招SLAM的話基本都是要有相關(guān)經(jīng)驗(yàn)的，不然一個(gè)只做過分類任務(wù)的人去做SLAM估計(jì)會(huì)很吃力。我的想法就是要從一個(gè)小方向出發(fā)，在幾個(gè)小方向內(nèi)挖深，然后對其他大方向也觸類旁通，這樣才能有更好的進(jìn)步。畢竟方向是不一樣，能力需求還是差不多的。
算法工程師的技術(shù)成長
這一年下來，我感覺自己在技術(shù)上收獲還是蠻多的，在這個(gè)大項(xiàng)目組里，檢測，分割，分類，識(shí)別，關(guān)鍵點(diǎn)都有所接觸，同事也非常nice，不同方向的同事平時(shí)也樂于分享自己技術(shù)棧里的工作和前沿文章。
但是有點(diǎn)比較無奈的就是自己在算法創(chuàng)新這一點(diǎn)上還是有所欠缺。希望下一年的時(shí)間里，自己可以不斷加強(qiáng)這方面的能力提升。
算法能力
當(dāng)然是重中之重，leetcode不僅僅是招聘的篩選標(biāo)準(zhǔn)，也是鍛煉一個(gè)人算法思維的重要手段。雖然不得不說hard的題一般都是有一些ACM的技巧性在里面，但是我認(rèn)為一個(gè)成熟的算法工程師，一定是要有秒解easy題，對middle的題也要基本能cover得住。
不然用技巧性，題目和業(yè)務(wù)不搭邊這樣的說法只能是掩蓋自己思維能力不足的借口。這一點(diǎn)自己做得還不夠好，還是要不斷提高。
PPT和文字能力
對，沒錯(cuò)，我要把這個(gè)放到技術(shù)篇。因?yàn)閷慞PT真的是個(gè)技術(shù)活！！！看了組內(nèi)老大哥寫的那PPT，技術(shù)邏輯條理分明，布局結(jié)構(gòu)美觀大氣，講PPT那個(gè)滔滔不絕的樣子真是好萊塢大片一鏡到底，絕了！！！
展開 
Sherlock：基于多物理場耦合PCB封裝系統(tǒng)失效分析平臺(tái)
失效物理分析（PoF）
失效物理，即Physics of Failure (PoF)、是電子產(chǎn)品基于模型的量化可靠性評價(jià)方法。該方法基于產(chǎn)品失效的實(shí)際物理過程，通過構(gòu)建相應(yīng)的數(shù)學(xué)模型，達(dá)到對于產(chǎn)品失效的定量化描述和評價(jià)的目的，進(jìn)而輔助完成產(chǎn)品設(shè)計(jì)的優(yōu)化、產(chǎn)品的可靠性增長和保障等的產(chǎn)品研發(fā)目的。
SAE J3168為RPA而定的標(biāo)準(zhǔn)
Sherlock和Mechanical的聯(lián)系區(qū)別
Sherlock是什么？
【必看】分辨外部、內(nèi)部和貫穿型氣孔
新氣體模型的應(yīng)用，氣孔位置分類
分辨表面氣孔，內(nèi)部氣孔，貫穿型氣孔
接上一期，新的氣體模型，可以量化氣體質(zhì)量
還可以根據(jù)氣體的位置進(jìn)行分類，來判斷各種缺陷
Outer only：屬于鑄件的表面氣泡，或者稱為淺表層氣泡
Inner only：是指鑄件內(nèi)部的氣孔，距離外表皮相對比較遠(yuǎn)
Link：屬于貫穿型的氣體，連通內(nèi)部同時(shí)也靠近淺表層
通常，我們用Outer and Link 來判斷外部氣體，這部分的氣體一般會(huì)導(dǎo)致以下的缺陷類型：表面針眼、淺表層機(jī)加工裸露氣孔、電鍍氣泡等；
如果需要判斷機(jī)加工鉆孔位置，強(qiáng)度測試、氣密性試驗(yàn)泄露等缺陷，則推薦關(guān)注Inner and Link 內(nèi)部氣孔；
還有一部分缺陷，是屬于貫穿型氣體造成的，例如泄露、甚至出現(xiàn)淺表層裂紋
在模擬過程中，可能會(huì)出現(xiàn)多判的氣孔。氣體在模具連接處、滑塊、頂針縫隙等跑氣。另外一種是澆口附近的氣孔，可能會(huì)在第三相保壓的高壓力狀態(tài)下，被壓縮導(dǎo)致相對比較致密。
新的氣體模型和判據(jù)先介紹到這里。從量化到位置提供更詳細(xì)的判讀標(biāo)準(zhǔn)。
C家精講，初衷是用最短的時(shí)間，分享一些鑄造工藝設(shè)計(jì)與分析的經(jīng)驗(yàn)。雖然是點(diǎn)點(diǎn)滴滴，愿能匯流成河，如果鑄友們喜歡，
請點(diǎn)“在看”或分享，也歡迎留言。
Cast-Designer 熱分析與DFM免費(fèi)報(bào)告：
長按識(shí)別二維碼，填寫表格，獲得熱分析與DFM免費(fèi)報(bào)告：
展開 許可優(yōu)化技術(shù)落地，如何為企業(yè)贏得貿(mào)易戰(zhàn)先機(jī)
（3）技術(shù)自主性強(qiáng)化架構(gòu)
替代方案仿真器建立國產(chǎn)工業(yè)軟件與海外主流工具（如MATLAB/Simulink）的功能映射模型，量化替代成本與風(fēng)險(xiǎn)。某航天企業(yè)通過該模型，將某控制系統(tǒng)軟件國產(chǎn)化周期縮短58%。
斷供應(yīng)急沙盒當(dāng)核心軟件遭技術(shù)封鎖時(shí)，系統(tǒng)自動(dòng)啟動(dòng)許可證隔離模式：關(guān)鍵許可證優(yōu)先保障戰(zhàn)略項(xiàng)目閑置資源智能重分配到高優(yōu)先級產(chǎn)線觸發(fā)國產(chǎn)替代預(yù)案執(zhí)行某5G設(shè)備商應(yīng)用該機(jī)制，在MathWorks斷供期間保障97%研發(fā)進(jìn)度，贏得歐洲運(yùn)營商35億美元訂單。
沈航：面向金屬增材制造的拓?fù)鋬?yōu)化設(shè)計(jì)研究進(jìn)展
考慮最小尺寸約束的拓?fù)鋬?yōu)化：（a）節(jié)點(diǎn)設(shè)計(jì)變量與投影函數(shù) ；（b）魯棒公式 ；（c）空間梯度算子 ；（d）骨架提取與最小特征優(yōu)化
MBB 梁自支撐優(yōu)化：a）懸垂投影約束；b）優(yōu)化懸垂角度與打印方向；c）多邊形特征孔；d）非線性虛擬溫度場
考慮連通性約束的拓?fù)鋬?yōu)化：a）虛擬溫度場；b）最短連接隧道；c）邊約束；d）應(yīng)力最小化
考慮材料各向異性的拓?fù)鋬?yōu)化：a）強(qiáng)度各向異性 ；b）量化增材制造工藝參數(shù)
拓?fù)鋬?yōu)化設(shè)計(jì)存在設(shè)計(jì)變量巨大、計(jì)算效率較低、求解困難、弱收斂等不足，現(xiàn)有拓?fù)鋬?yōu)化算法往往難以輸出可直接應(yīng)用于增材制造的結(jié)構(gòu)性能最優(yōu)解，學(xué)者們往往基于最優(yōu)拓?fù)錁?gòu)型進(jìn)行二次簡化設(shè)計(jì)，損失了結(jié)構(gòu)性能。因此，結(jié)合并行計(jì)算技術(shù)，開展設(shè)計(jì)變量較少、收斂性較好的算法研究以輸出可直接應(yīng)用于增材制造的最優(yōu)拓?fù)浣Y(jié)構(gòu)具有重要現(xiàn)實(shí)意義。
宏觀拓?fù)鋬?yōu)化與微觀點(diǎn)陣結(jié)構(gòu)研究日趨完善，將宏觀拓?fù)鋬?yōu)化設(shè)計(jì)與微觀點(diǎn)陣結(jié)構(gòu)有效融合，建立多尺度結(jié)構(gòu)之間的高度銜接性，充分利用拓?fù)鋬?yōu)化的高性能構(gòu)型及增材制造提供的廣闊設(shè)計(jì)空間，追求高性能的輕量化設(shè)計(jì)具有廣闊發(fā)展前景。
考慮金屬增材制造約束的拓?fù)鋬?yōu)化方法采用較為理想的材料模型，與金屬增材制造技術(shù)實(shí)際打印過程存在一定的差異，因此，通過建立多元工藝參數(shù)下的材料各向異性精準(zhǔn)拓?fù)?em>模型，量化金屬增材制造設(shè)備工藝參數(shù)，模擬金屬增材制造加工過程及預(yù)測零件翹曲變形與開裂，可有效減少殘余應(yīng)力與變形，改善成形精度與表面質(zhì)量。
面向金屬增材制造的拓?fù)鋬?yōu)化往往是基于單一材料的優(yōu)化，將多材料、拓?fù)鋬?yōu)化及金屬增材制造有效結(jié)合，研究功能梯度材料的拓?fù)鋬?yōu)化設(shè)計(jì)與金屬增材制造技術(shù)，實(shí)現(xiàn)材料、結(jié)構(gòu)、工藝、性能一體化設(shè)計(jì)，是追求高性能、多功能、輕量化的又一突破點(diǎn)。
展開 