头条 英伟达官宣：CUDA将全面支持RISC-V架构！ 早在2024年10月，英伟达在RISC-V北美峰会上透露，其在2015年就选定将RISC-V选定为其专有Falcon微控制器（MCU）的继任架构。由于 MCU 内核是通用的，因此可以在英伟达的产品中广泛使用。根据英伟达当时的预计，2024年英伟达将交付10亿个内置于其 GPU、CPU、SoC 和其他产品中的 RISC-V 处理器，这也凸显了定制 RISC-V 内核在英伟达硬件中的普遍性和重要性。 在此次RISC-V中国峰会上，Frans Sijstermanns也指出，英伟达是RVI和RISE的董事会成员和技术委员会代表，也是相关规范的贡献者。英伟达产品中的微控制器都是基于RISC-V架构，具有可配置、可扩展和安全保护功能，并且也被集成在30多个IP中，每年出货量超过10亿个RISC-V MCU。 最新资讯 碳化硅大厂Wolfspeed即将申请破产 6月19日消息，据路透社等外媒报道，碳化硅（SiC）材料领导厂商Wolfspeed即将申请破产，将由Apollo Global Management 带领的债权人接管，股价暴跌30.14%，收于0.8732美元/股，年初迄今已跌去了86.89%。 发表于：6/19/2025 中国科学院研制出超高并行光计算集成芯片流星一号 6 月 18 日消息，光计算以光子作为载体，实现信息传递、交互与计算，具有低功耗、低时延、高并行的天然优势，是后摩尔时代建设新质算力基础设施的有效途径，为人工智能、科学计算、多模态融合感知、超大规模数据交换等“算力密集 + 能耗敏感”场景提供硬件加速。 发表于：6/19/2025 平衡AI投资支出 微软计划再裁员数千人 6月19日消息，据媒体报道，微软（MSFT.US）正计划进行新一轮大规模裁员，预计将影响数千个工作岗位，其中销售部门将成为重灾区。此举是微软为控制员工规模采取的最新措施，主要动因在于该公司在人工智能领域投入巨大，需要平衡整体开支。 据知情人士透露，裁员计划预计在本月底前（微软财年结束之际）正式公布。虽然主要针对销售团队，但具体裁员规模和最终时间仍存在变数。这将是继今年5月裁员约6000人（主要涉及产品和工程岗位）后的又一次人员缩减。 值得注意的是，微软4月份已向员工透露，将借助第三方公司拓展对中小客户的软件销售业务，这为此次销售团队调整埋下了伏笔。 微软表示，公司会定期评估组织架构，以确保投资聚焦于增长领域。由于在服务器和数据中心等AI基础设施上投入了数百亿美元，微软高管已向华尔街承诺并将向员工强调，需要严格控制其他方面的成本。 截至2024年6月底，微软全球员工总数约为22.8万人，其中从事销售和市场营销工作的员工达4.5万人。微软通常在6月底财年结束前后进行团队重组和业务调整。 发表于：6/19/2025 微软宣布与AMD达成多年战略合作 6月18日消息，微软在最新的视频中宣布与AMD达成多年战略合作，双方将共同设计包括下一代Xbox主机在内的多款设备芯片。 微软Xbox部门总裁莎拉·邦德在视频中表示，微软与AMD的合作将涵盖多种设备，包括次世代Xbox主机和掌机。 发表于：6/19/2025 华为：未来五年5G车联网占比将提升至95% 6月18日消息，今日，在2025MWC上海期间，华为轮值董事长徐直军表示：“2025年中国乘用车销量中5G车联网占比达30%，2026-2030年将逐步提升至95%。” 发表于：6/19/2025 电力系统较大波动数据条目自适应检索方法研究 针对电力系统数据具有复杂性、多样性特点，导致检索难度过高的问题，设计了电力系统较大波动数据条目自适应检索方法。依据电力系统出力变化率，选取二分量一维混合高斯模型，构建电力系统波动概率分布模型。对比概率分布模型模拟的电力系统波动数据与量测数据，依据判定阈值辨识电力系统较大波动数据条目，构建数据条目检索库。利用哈希函数获取检索库内较大波动数据条目的哈希特征，生成二值码。较大波动数据条目检索时，生成用户检索词的二值编码，计算检索词二值码与检索库内条目二值码的汉明距离，并对其加权处理，利用加权汉明距离排序数据条目，获取较大波动数据条目的自适应检索结果。实验结果表明，该方法能够依据用户输入的检索词，自适应检索电力系统较大波动数据条目，检索结果的归一化折损累积增益均高于0.9，检索时间低于500 ms。 发表于：6/18/2025 基于机器阅读理解的电力安全命名实体识别方法 为解决现有命名实体识别方法在电力安全规程等领域文本中识别效果不佳的问题，提出了一种基于机器阅读理解的电力安全命名实体识别方法。首先，使用预训练模型对待识别文本进行编码处理得到文本向量表示。其次，利用层次化注意力机制捕捉嵌套实体间的层次关系，重新分配文本序列的注意力权重；在此基础上，利用分类器预测文本中实体范围，得到最终实体识别结果。将该方法在ACE 2005与OntoNotes 4.0公开数据集上进行验证，对比主流方法其取得最优的识别效果，在电力安全领域实体识别场景下，该方法可达到89.3%的识别准确率，实现电力安全领域命名实体的精准识别。 发表于：6/18/2025 数据驱动的商业负荷集群动态聚合研究 商业负荷集群的动态聚合对提高电网的调度灵活性、优化需求侧管理以及促进可再生能源消纳具有重要意义。基于典型相关分析（CCA）选取商业负荷特征，并结合DBSCAN 和 K-means等聚类算法对负荷进行分类，以构建适用于不同场景的负荷集群。进一步，提出了三种负荷聚合标准，即基于调节速度、负荷稳定性和经济性的标准，并分析不同标准下的商业负荷聚合特性、适用性及其在电力调度中的潜在应用。 发表于：6/18/2025 面向电气设施火灾早期检测的多模态融合模型 高层建筑电气火灾难以预测，危害程度大。为此，提出了一种面向高层建筑电气火灾早期检测的多模态数据融合模型，该模型融合了温度、CO气体浓度与烟雾三种不同模态传感器的数据，利用了各模态间的互补优势。首先使用gMLP捕捉三种模态数据的内在模式，完成特征提取。然后利用基于多头注意力的融合方法，融合不同模态数据间的有效信息，完成特征融合，并识别出存在火情隐患的电气设施。通过在无隐患与不同电气设施存在火情隐患情况下的多模态数据集上进行实验，证明了多模态数据融合模型的早期预测具有较高的准确率，表明了融合方法的优越性。 发表于：6/18/2025 AirGAN：空调机理模型增强生成对抗模型 为引导资源庞大、调控灵活的空调负荷参与需求响应实现“源荷互动”，保障电网的安全经济运行，各大研究单位开展了楼宇空调需求响应实时控制仿真与实践研究。然而，如何准确地估算空调的负荷，并对空调负荷进行预测是目前面临的重要挑战。当前主流方法包括模型驱动型、数据驱动型两种方法体系。其中模型驱动型依赖对空调负荷的建模，难以实现对空调负荷复杂变化的模拟。数据驱动则是依赖大量数据进行模型训练，但难以覆盖空调负荷的各类特点。为此，拟从模型驱动及数据驱动相结合的角度进行空调负荷的智能拟合，以提升空调负荷生成预测的准确性和适应性。提出了一种基于机制模型与生成对抗网络（GAN）相结合的负荷生成方法和模型AirGAN。该方法通过GAN生成器生成的虚拟数据，持续调整物理模型的超参数，以使其更好地符合实际空调负荷特性。同时，采用GAN判别器对机制模型预测的负荷进行判别，以此训练机制模型，从而提升其预测精度。 发表于：6/18/2025 «…29303132333435363738…»
