走在汽車革命的路上論文書籍站
國立臺灣大學 資訊工程學研究所 楊佳玲所指導 蔡承佑的 著重於記憶體子系統的深度神經網路訓練效能分析模型 （2020），提出X-S10,XT-4 PTT關鍵因素是什麼，來自於深度神經網路、神經網路訓練、頻寬、快取容量、分析模型、資料再利用。
而第二篇論文國立清華大學 生醫工程與環境科學系 董瑞安所指導 黃忠越的 利用鉺摻雜之石墨烯量子點作為光學多模式生物探針應用於環境與生醫感測器 （2019），提出因為有 鐵離子、石墨烯量子點、鑭系元素的重點而找出了 X-S10,XT-4 PTT的解答。
著重於記憶體子系統的深度神經網路訓練效能分析模型
為了解決X-S10,XT-4 PTT 的問題，作者蔡承佑 這樣論述：
自從 AlexNet 在 2012 年的 ImageNet challenge 的突破後，深度神經網路 (DNN) 已經在眾多領域展現其價值。而現今許多 DNN 的硬體加速器設計都是採用小的晶片上快取 (onchip cache) 搭配大的晶片外記憶體 (offchip memory) 以避免頻繁的資料讀寫耗費太多時間或能量。然而，隨著科技及晶片製程的演進，除了上述的設計外，硬體設計者開始擁有更多的記憶體設計的選項。因此擁有一個用來衡量各種記憶體搭配的優劣利弊的工具變得重要。然而，現存的工具存在以下的限制： 1) 只能用於推論 (inference)，不能用於神經網路的訓練(traini
ng) 2) 只用圖像辨識的神經網路作為主要的效能評估指標 3) 只有模擬卷積層 (convolutional layer) 內部的資料流 (dataflow)，而忽略其他例如批正規層 (batch normalization layer)、活化層 (activation layer) 等層影響。我們認為神經網路的訓練對於拓展應用領域或是研究更有效率的網路結構皆極其重要，且除了卷積層及全連接層以外的層，在神經網路中訓練也具有不可忽略的影響。在這篇論文中，我們提出了一個著重於記憶體的神經網路訓練效能分析模型。這個分析模型以神經網路結構、晶片上快取的容量、晶片外快取的頻寬作為輸入參數，假設採用幾近
最佳化的軟體管理快取 (softwaremanaged cache) 以避開快取設計中實作細節對效能的折扣，預估這組輸入參數下能夠得到的訓練效能，例如訓練一回合需要的執行時間、平均頻寬、資料搬移量等等。這篇論文具有以下貢獻： 1) 提出一個可以用於評估整個深度神經網路訓練過程效能的模型，並且有將過程中的所有層皆考慮進去，而非只考量某些計算量較大的層。 2) 對於深度神經網路中各種規模的資料再利用提出徹底的分析。 3) 提出幾項對於現行神經網路的觀察及建議以提供未來深度神經網路的研究及優化可著重的方向。
利用鉺摻雜之石墨烯量子點作為光學多模式生物探針應用於環境與生醫感測器
為了解決X-S10,XT-4 PTT 的問題，作者黃忠越 這樣論述：
在此首次通過水熱法成功製備了石墨烯量子點（Er-GQDs），用於增強人血清中Fe3+的檢測。 GQDs僅在乳糖存在下製備。然後將Er3 +離子以1:50的比例添加到GQDs溶液中。 TEM圖像清楚地表明，Er-GQDs的納米顆粒尺寸在1.9 – 5 nm範圍內。 XRD和XPS清楚地表明Er3 +已成功整合到GQDs晶格中。有趣的是，摻Er3+的GQDs在360 – 730 nm的波長下均具有上轉換和下轉換的光學特性。 730 nm的上轉換和360 nm的下轉換均可產生440 nm的激發波長，這可以靈敏地選擇性檢測Fe3 +。在這項研究中，證據清楚地顯示了飲用水和人血清中Fe3+的出色靈敏度
，LD50 1mg mL-1的MTT結果證明了這一點，線性範圍從40 nM – 8 µM，LOD 11.2 nM和1.2 µM – 10觀察到LOD為336 nM的µM。此外，當在波長360 nm下轉換時，觀察到Er-GQDs的良好分析性能。結果清楚地表明，Er-GQDs具有出色的光學性能，這可以為摻雜鑭系元素的GQDs打開通往各種應用的大門。關鍵詞：鐵離子；石墨烯量子點；鑭系元素；熒光；選擇性。