随着功率模块集成化程度的提高,其散热结构优化已成为研发中的关键。拓扑优化可通过变换散热器形貌、结构来最大化地提升散热效果,因此受到了广泛关注。但在拓扑优化过程中,每步迭代均需要计算模块与散热器温度分布,占用较庞大的计算资...随着功率模块集成化程度的提高,其散热结构优化已成为研发中的关键。拓扑优化可通过变换散热器形貌、结构来最大化地提升散热效果,因此受到了广泛关注。但在拓扑优化过程中,每步迭代均需要计算模块与散热器温度分布,占用较庞大的计算资源和计算时间。为加速传统散热器拓扑优化进程,在基于传统固体各向同性材料惩罚SIMP(solid isotropic material with penalization)散热器拓扑优化方法的基础上,提出一种嵌套神经网络NN(neural network)同步学习的快速迭代方法。首先,构建散热器基于编码器-解码器结构的NN预测模型,即基于散热器形貌迭代进化过程实现优化结构的快速预测;其次,将NN模型与散热器SIMP拓扑优化流程相嵌套,利用迭代过程中的中间形貌同步训练NN;最后,针对单芯片、两芯片模块结构,对比所提方法与传统迭代方法的拓扑优化结果,验证了所提NN同步学习方法的准确性和快速性。展开更多
联邦学习是一种高效的分布式机器学习方法,其中多个设备使用自己的本地数据进行分布式模型训练,不需要交换本地数据,仅通过交换模型参数来构建共享的全局模型,从而保护用户的隐私。为了平衡模型性能和通信延迟,在半同步联邦学习场景下,...联邦学习是一种高效的分布式机器学习方法,其中多个设备使用自己的本地数据进行分布式模型训练,不需要交换本地数据,仅通过交换模型参数来构建共享的全局模型,从而保护用户的隐私。为了平衡模型性能和通信延迟,在半同步联邦学习场景下,使用权重参数建立了一个最小化模型性能和聚合时间的加权和的优化问题。优化变量包括进行全局模型更新的聚合时间、用户调度以及参与上传的用户的带宽和发射功率,通过使用交替方向乘子法(Alternating Direction Method of Multipliers, ADMM)将所提混合整数非线性规划(Mixed Integer Non-Linear Programming, MINLP)问题分解为两个子问题进行求解。仿真实验证明,所提算法能够以牺牲4%模型性能为代价,降低73%的聚合时间,显著提高了通信效率。展开更多
文摘随着功率模块集成化程度的提高,其散热结构优化已成为研发中的关键。拓扑优化可通过变换散热器形貌、结构来最大化地提升散热效果,因此受到了广泛关注。但在拓扑优化过程中,每步迭代均需要计算模块与散热器温度分布,占用较庞大的计算资源和计算时间。为加速传统散热器拓扑优化进程,在基于传统固体各向同性材料惩罚SIMP(solid isotropic material with penalization)散热器拓扑优化方法的基础上,提出一种嵌套神经网络NN(neural network)同步学习的快速迭代方法。首先,构建散热器基于编码器-解码器结构的NN预测模型,即基于散热器形貌迭代进化过程实现优化结构的快速预测;其次,将NN模型与散热器SIMP拓扑优化流程相嵌套,利用迭代过程中的中间形貌同步训练NN;最后,针对单芯片、两芯片模块结构,对比所提方法与传统迭代方法的拓扑优化结果,验证了所提NN同步学习方法的准确性和快速性。
文摘联邦学习是一种高效的分布式机器学习方法,其中多个设备使用自己的本地数据进行分布式模型训练,不需要交换本地数据,仅通过交换模型参数来构建共享的全局模型,从而保护用户的隐私。为了平衡模型性能和通信延迟,在半同步联邦学习场景下,使用权重参数建立了一个最小化模型性能和聚合时间的加权和的优化问题。优化变量包括进行全局模型更新的聚合时间、用户调度以及参与上传的用户的带宽和发射功率,通过使用交替方向乘子法(Alternating Direction Method of Multipliers, ADMM)将所提混合整数非线性规划(Mixed Integer Non-Linear Programming, MINLP)问题分解为两个子问题进行求解。仿真实验证明,所提算法能够以牺牲4%模型性能为代价,降低73%的聚合时间,显著提高了通信效率。