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
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。
文摘星系的光谱包含其内部恒星的年龄和金属丰度等信息,从观测光谱数据中测量这些信息对于深入了解星系的形成和演化至关重要.LAMOST(Large Sky Area Multi-Object Fiber Spectroscopic Telescope)巡天发布了大量的星系光谱,这些高维光谱与它们的物理参数之间存在着高度的非线性关系.而深度学习适合于处理多维、海量的非线性数据,因此基于深度学习技术构建了一个8个卷积层+4个池化层+1个全连接层的卷积神经网络,对LAMOST Data Release 7(DR7)星系的年龄和金属丰度进行自动估计.实验结果表明,使用卷积神经网络通过星系光谱预测的星族参数与传统方法基本一致,误差在0.18dex以内,并且随着光谱信噪比的增大,预测误差越来越小.实验还对比了卷积神经网络与随机森林回归模型、深度神经网络的参数测量结果,结果表明卷积神经网络的结果优于其他两种回归模型.
