Métodos numéricos en diferencias finitas para la estimación de recursos de Hardware FPGA en arquitecturas LFSR(n,k) fractales
Bibliographic record
Abstract
En este trabajo se estudia el método numérico en diferencias finitas para la estimación de recursos en hardware, específicamente sobre tecnología FPGA (arreglo de compuertas programables por campo), aplicado a un modelo fractal de componentes de arquitectura LFSR (registros desplazamiento con realimentación lineal) paralelizada, como elemento básico de sistemas de multiplicadores en campos finitos, código Reed Solomon y Redes Neuronales Artificiales. El método abordado consistió en la discretización de las variables arrojadas en el reporte de síntesis sobre hardware de los casos de estudio, por medio del modelado matemático se obtienen las ecuaciones descriptivas, lo que permite validar las estrategias de optimización de los diseños usando la base de un operador matemático con estructura concurrente de realimentación lineal LFCS (n,k), definido por funciones compuestas con auto similitud. Se obtiene como resultado un conjunto de ecuaciones que describen el comportamiento del parámetro estimado, facilitando la evaluación del diseño en etapas previas, así como la aplicación de un elemento recursivo, que permita obtener el consumo de recursos en función a este operador lógico-matemático. Estos métodos pueden ser extendidos en el análisis y estimación de eficiencia energética de los diseños, con lo que se aportan soluciones en materia de consumo de energía de los modelos electrónicos y rendimiento de sistemas.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".