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：摘要本文关注电力系统软件可靠性，其归根为软件可靠性。贯穿需求工程、建模到软件测试的整个过程，探讨了将人为因素工程融入到软件开发过程中，提高软件可靠性的思路。我们建议通过分析在重建和建模阶段出现的人为错误，优化需求检查方法和建模方法/工具。我们还建议通过人为因素分析来扩展经典的测试技术，特别是关注人为错误的检测和结构。通过预测哪些类型的故障更有可能被用户和/或程序员触发或引入，我们专门设计了检测这些故障类型的测试策略。此外，通过对人类使用和发展历史的分析，我们可以根据分析结果对测试用例进行优先级排序，目的是在软件开发时及早发现更多的故障。

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：摘要本文关注电力系统软件可靠性，其归根为软件可靠性。贯穿需求工程、建模到软件测试的整个过程，探讨了将人为因素工程融入到软件开发过程中，提高软件可靠性的思路。我们建议通过分析在重建和建模阶段出现的人为错误，优化需求检查方法和建模方法/工具。我们还建议通过人为因素分析来扩展经典的测试技术，特别是关注人为错误的检测和结构。通过预测哪些类型的故障更有可能被用户和/或程序员触发或引入，我们专门设计了检测这些故障类型的测试策略。此外，通过对人类使用和发展历史的分析，我们可以根据分析结果对测试用例进行优先级排序，目的是在软件开发时及早发现更多的故障。