AI 機房混合 BBU + 嵌入式電池數位孿生 SaaS · ATCC 第 23 屆全國大專院校創業競賽 · 議題 C13(系統電 Sysgration)
English · Live demo · 技術白皮書 v1.3 · 精煉版 v1.3 · 實作計畫 v2.0 · RD Brief · Investor Brief · 關於 ATCC 大賽
第 23 屆 ATCC 全國決賽亞軍(2026-07-05)— repo 進入 archive / maintenance 模式。 本倉儲保留完整的競賽成果與可重現工程資產;所有 headline 數字由自動化驗證鏈鎖定(見下方「驗證鏈總覽」),make verify 一條命令可全部重跑。
| 階段 | 時間 | 交付 |
|---|---|---|
| 初賽 | 2026-05-05 | 企劃書 v2.2 + 軟體三件套上線(/tco · /twin · /dashboard) |
| 複賽 pivot | 2026-05-27 | 8S 實機 demonstrator(v1.x M1-M4)pivot 至 twin-first 驗證鏈 V1-V6;硬體全數退貨 |
| 複賽 | 2026-06-11 | 白皮書 v1.3 + make verify CI gate + 業師四層驗證(技術/財務/供應鏈/專利) |
| 全國決賽 | 2026-07-05 | V7 pack 篩檢 + V8 監督層閉環 + fleet 推論切換 production TCN;全國亞軍 |
競賽期陳述與「真正量產上市」規格的五點差異(LIC 選型 / 削峰倍率邊界 / DC-DC / NPU 模型 / Tier-C 拆分),誠實列管。
展開五點勘誤對照表
| # | 競賽期原陳述 | 更正(真實產品基準) |
|---|---|---|
| 1 | Tier-A「LIC 鋰離子電容」錨定 Eaton XLR | Eaton XLR-48R6167-R 官方 datasheet 為 EDLC 超級電容;量產 Tier-A 改採真 LIC(Musashi ULTIMO CPQ3300SD) |
| 2 | 5.7× / 3.5× 削峰 | ±30%/100ms reference 波形理想無損耗上界、非壽命倍率;含 DC-DC 損耗後典型 2.4–3.9×、>100Hz 退到 ~1.5× |
| 3 | 雙向 DC-DC 前級 | OCP ORV3 禁 Oring 後 bus 放電容 → DC-DC 為合規必要件;sim 為開環等效,電力電子層 closed-loop 為 EVT deliverable(監督層閉環 SOH→τ 已於 V8 模擬驗證,make v8) |
| 4 | STM32N6 NPU 推論 LSTM(54.7 µs) | Neural-ART NPU 不支援 LSTM/GRU;量產 RUL 改 TCN/1D-CNN(NPU 原生 + 可 static INT8 量化) |
| 5 | Tier-C 單晶片整合(含 OpenBMC) | M55 無 MMU 跑不了 OpenBMC;拆三層(BMS-AFE + safety MCU + N6 推論),BBU 走 MCTP/PLDM 不自稱 BMC |
另:先發空窗已關;真實 BOM 約 v2.2 之 2.0–2.7×;認證須擴 UL 9540 / 9540A;cell 在地化以 pack 組裝為主、進口走 UFLPA。詳
docs/product_realization/(本地交付,未公開於 repo)。
針對北美 Tier-2/3 AI 機房 BBU 市場的軟硬整合方案 —— LFP + 鋰離子電容(LIC)混合 BBU 搭配 Battery Digital Twin SaaS,一次解掉:
- GB200 毫秒級電壓瞬態 — 純電池 BBU 撐不住 50–200 ms 壓降造成下游 PSU 重啟
- 48 V → ±400 V HVDC 過渡 — Vertiv 等只賣 48 V,客戶 2027 後須 forklift 換代
- 1000+ 節 fleet 維運 — 人工巡檢 hit-rate 低,業界無公開 SaaS 提供 BBU-level RUL
6 個關鍵數字:5.7× 功率波動下降 · ~25 % LFP 浮充壽命優勢† · 33 % 客戶 10 年 TCO 下降 · 60 sec graceful @ 120 kW rack peak(8 台 BBU 並聯 / per rack,動態 ramp profile,業師最關注點見下) · 8.38 % RUL 預測 MAPE · 3.49× INT8 量化壓縮(完整推導見白皮書)。
†「~25 %」的主要來源是 BBU 低 duty 排程(§G.3
duty_factor=0.33,~50 cyc/yr vs Severson 1C/1C 實驗室 cadence),不是 hybrid 拓樸貢獻;hybrid 拓樸的 per-Ah 損傷差由 rainflow + Wang 2011 獨立驗證(aging_rainflow_validation.json)估算為 worst-case ~5 %、demo waveform 近於 neutral。
每個對外 headline 數字都掛在一條可重跑的驗證鏈上;本地 make verify 一鍵全跑(含 V1,需 Severson 資料),CI 於每次 push 自動執行 V2-V5 + V8 + XCHECK(V1 需 8 GB Severson 原始資料,僅本地執行)。
| 鏈 | 驗證什麼 | 判準 / 結果 | Artifact |
|---|---|---|---|
| V1 | PyBaMM Prada2013 vs Severson 實測放電曲線 | RMS 誤差 2.15 %(門檻 ≤ 5 %)[v] | data/processed/pybamm_lfp_fit_error.json |
| V2 | LIC 一階 RC 模型 vs Eaton XLR datasheet(含 4 條非線性延伸) | droop 低估 ≤ 2.93 %(門檻 10 %)[v] | scripts/eval_lic_rc_fit.py |
| V3 | 整 rack 60 s graceful 動態模擬(含熱模型) | 電壓 / 溫度 / C-rate 全程合規,DoD 2.66 % [v] | apps/web/public/scenarios/rack_60s_graceful.json |
| V4 | N-1 容錯:t = 15 s 拔除 1 台 BBU | 剩 7 台撐滿 60 s,單台負載 +14 % 仍合規 [v] | apps/web/public/scenarios/rack_n_minus_1.json |
| V5 | Severson → BBU duty 跨工況 transfer | MAPE 9.04 % → 80.20 %(誠實揭露之限制) | data/processed/severson_transfer_mape.json |
| V6 | make verify reproducibility orchestrator |
6/6 chains PASS | data/processed/verify_all_report.json |
| V7 | 15S pack 不均衡篩檢(cell spread + 熱梯度 + 2 芯並聯電容 A/B) | 最弱電芯瞬態負擔 −13.3 %(screening,非 gate) | apps/web/public/scenarios/pack_imbalance.json |
| V8 | 監督層閉環(SOH → τ 自適應) | aged pack 峰值 6.06C 越過 6C 設計點 → 閉環回 5.47C [v] | apps/web/public/scenarios/adaptive_split.json |
| XCHECK | 白皮書 / README / UI 數字交叉一致 | 43/43 assertions [v] | scripts/check_whitepaper_numbers.py |
結論:per-rack 為 8 台 BBU 並聯(每台 2.5 kWh / 15 kW peak,rack 總能量 20 kWh); 120 kW rack peak 對應 per-cell 6C peak(非 48C)、60 秒為動態 ramp(2 秒後降至 1.5C 連續), 全部落在車規 LFP datasheet 允許區。「48C 不可行」是拿單台容量除整 rack 功率的 unit-mixing 誤讀。
展開完整推導(unit-mixing 防呆 / 60 秒功率曲線 / cell datasheet 合規)
讀者若用 **單台 BBU 容量(2.5 kWh)除以整 rack 功率(120 kW)**心算 「2.5 kWh ÷ 120 kW = 75 秒 → 48C → LFP 物理不可行」,會錯誤推導出致命矛盾。 這是 unit-mixing:2.5 kWh 是單台 BBU,120 kW 是整 rack(8 台並聯)。
| 心算誤讀 | 正確算法 |
|---|---|
| 2.5 kWh ÷ 120 kW = 75 秒 → 48C [x] | 20 kWh ÷ 120 kW = 600 秒理論 / 60 秒承諾,8 倍 DoD 餘量,per-cell 6C peak [v] |
來源交叉一致(架構先行於文件):
scripts/generate_twin_scenarios.py:65N_BBU_PER_RACK = 8·LFP_PACK_KWH = 2.5·TARGET_PEAK_C_RATE = 6.0apps/web/src/lib/tco.ts:4「Per-rack 10-year cost (USD) for a 100 kW-class rack with 8 BBUs」
| 時段 | rack 負載 | 每台 BBU | per-cell C-rate | 主導機制 |
|---|---|---|---|---|
| t = 0–500 ms | 120 kW 滿載 | 15 kW | 6C peak | LIC 主導(2× XLR-48-166 共 ~290 kJ usable,可單獨撐 ~2.4 秒) |
| t = 500 ms–2 s | 120 → 30 kW(線性 ramp) | 15 → 3.75 kW | 6C → 1.5C | BMC 觸發 GPU power-cap,LIC + LFP 共同 ramp down |
| t = 2–60 s | 30 kW 穩態(checkpoint + idle) | 3.75 kW | 1.5C 連續 | LFP 獨撐(LIC 已耗盡進入待機) |
60 秒總放電能量積分 ≈ 0.53 kWh per rack,僅 rack 總容量 20 kWh 的 2.6 % (留 38 倍能量餘量)。
| 工作點 | 持續時間 | 車規 LFP datasheet 規格 | 結論 |
|---|---|---|---|
| 6C peak | < 2 秒 | LG ESS B-series / Samsung SDI 高功率版 pulse 5–10C × 30 秒允許 | [v] 落在 pulse 允許區 |
| 1.5C 連續 | 58 秒 | 車規 LFP 連續放電 1–3C 規格 | [v] 連續允許區下緣 |
沒有任何工作點需要「車規 LFP × 連續 6C × 60 秒」(這個工作點才是 48C 誤讀的物理不可行點)。Sysblade 設計把 6C 限制在 < 2 秒 pulse、把 60 秒連續 工作點壓到 1.5C —— 兩個不同的 datasheet 規格條目,各自合規。
完整推導:docs/whitepaper_restructured.md §2.1.1
(含拓撲層 / 時序層 / cell 工作點層 / GPU 協同 ramp / 業師預期追問與答辯六層完整防禦)。
授權與資料聲明:本 repo 公開供學術透明與工程展示使用,授權詳見 LICENSE。儀表板與孿生情境中的客戶 / 機房名稱全為示意 persona,非實際部署資料(
fleet_devices.json的 disclaimer 欄位 + UI 上 SIMULATED DATA 浮水印雙重標註)。競賽提交版本明細見上方「專案狀態」。
| 路由 | 功能 | 突出技術 |
|---|---|---|
/ |
首頁 — 5 張頭條卡 + 板塊導引 | 從 scenario JSON 動態取真實量測值 |
/twin |
Battery Digital Twin | PyBaMM DFN (LFP) + closed-form RC (LIC, Eaton XLR datasheet anchor) + TCN RUL(LSTM baseline)+ 90 % MC-Dropout PI 經 split conformal 縮窄 44 % + 示波器掃描動畫 + v_lic(t) chart 顯示 UVLO 餘裕 |
/tco |
10 年 TCO 計算器 | 4 個 slider × 3 個 preset · 純 HTML/Tailwind bar chart · Payback period tile + 5 條 §G.3 source anchor panel |
/dashboard |
1000 台機隊 Fleet Dashboard | US fleet map + 三層服務分層 + per-device drilldown(SOH / RUL / 熱 / 操作層 metrics + LIC bank envelope headroom bar)· 全頁 SIMULATED DATA 浮水印 · site 名為虛擬 persona |
Python 物理引擎離線預跑 → JSON → Next.js build-time fs.readFile → static export → Vercel CDN。
PyBaMM DFN simulation (Python) scenario JSONs in two sinks:
scripts/generate_twin_scenarios.py ─► ├ packages/shared/scenarios/
scripts/export_lstm_onnx.py └ apps/web/public/scenarios/
│
│ fs.readFile (build time only)
▼
apps/web Server Components
→ next build (static export)
→ out/ → Vercel CDN
LFP 走 PyBaMM DFN(化學最 critical);LIC 走 closed-form 一階 RC 等效模型,參數錨 Eaton XLR datasheet。 Demo waveform worst-case droop 2.32 V、距 UVLO 餘裕 10.98 V;droop 95 % 來自 ESR → 降 droop 加並聯模組比加電量有效。
展開 RC 參數表與 droop 解析
LFP cell 走 PyBaMM DFN(化學最複雜、最 critical);LIC 側走 closed-form 一階 RC 等效模型
(_simulate_lic_rc() in scripts/generate_twin_scenarios.py),參數錨 Eaton XLR-48-166 × 2 並聯 datasheet:
| 參數 | 值 | 來源 |
|---|---|---|
| Bank capacitance C | 332 F | 166 F × 2 modules in parallel |
| Bank ESR | 2.5 mΩ | 5 mΩ × 0.5 (parallel) |
| V_nominal | 51.3 V | 滿電終端電壓 |
| V_min (datasheet UVLO) | 38.0 V | Eaton XLR discharge cutoff |
Demo waveform 跑出來:worst-case droop 2.32 V(從 51.3 → 48.98 V)、headroom 10.98 V 到 UVLO、
passes_cutoff = true。Droop 組成:95 % 來自 ESR drop(926 A peak × 2.5 mΩ)、5 % 來自累積電容放電
(13.31 kJ ÷ 332 F)— 換句話說 production 若需降 droop,加並聯模組(降 ESR)比加電量(加 C)有效。
未模:pseudo-capacitance、temperature-dependent ESR、self-discharge、electrode kinetics
(Helmholtz layer dynamics)— production 階段以 Eaton in-the-loop 量測校正。/twin 第 3 張 ChartCard
渲染 v_lic(t) 配紅色 dashed line 標 UVLO,業師可直接指螢幕。
# 1. Web app
cd apps/web && pnpm install
pnpm dev # → http://localhost:3000
# 2. Python 環境(可選 — 跑 PyBaMM / LSTM 訓練才需要)
python -m uv venv .venv --python 3.11
.venv/Scripts/activate # Windows bash
python -m uv pip install -e "packages/battery-twin[dev,api]"
# 3. 重生 4 個場景 JSON(改 physics constants 後;雙寫到兩個 sink)
pnpm scenarios # = scripts/generate_twin_scenarios.py
# 4. 數字 cross-check gate(CI 上自動跑)
pnpm check:numbers # = scripts/check_whitepaper_numbers.py
# 5. Web app 完整檢查 + build
cd apps/web && pnpm check # typecheck + lint + check:numbers
pnpm build # 推 main 之前先跑這條Severson .mat v7.3 訓練資料(8.3 GB)需手動下載,流程見 docs/severson_download.md;
資料夾 data/raw/ 與 data/processed/ 均 .gitignore(只 commit .gitkeep 與 4 個 derived JSON 給 number-checker 驗證)。
更多 reproducibility commands(LSTM 重訓 / 全 sweep / INT8 量化 / cross-dataset / NPU 靜態分析)
# 重訓 LSTM + 匯出 ONNX(~3 min CPU)
python scripts/export_lstm_onnx.py # → apps/web/public/scenarios/model_validation.json
# OLS / GBT / bagged-* 全 sweep(模型卡那張表)
python scripts/eval_severson_models.py # → data/processed/severson_model_eval.json
# INT8 動態量化驗證(白皮書附錄 C.5,~ 30 s)
python scripts/quantize_lstm_onnx.py # → data/processed/lstm_quantization_report.json
# Cross-dataset(Severson → NASA NMC)跨化學測試
python scripts/eval_cross_dataset.py # → data/processed/cross_dataset_mape.json
# STM32N6 NPU 靜態 graph 分析
python scripts/onnx_static_analysis.py # → data/processed/x_cube_ai_static_analysis.json兩條 RUL 預測管線並行,「one model, two views」:/twin 與 /dashboard 共用同一個
production TCN 推論輸出(白皮書 §3.4.1)。頭條數字:
- Production TCN(dilated 1D-CNN,NPU-native):test MAPE 18.15 % / R² 0.892;INT8 QAT(ONNX QDQ)實測 14.54 %
- 學術 baseline bagged-GBT(13-feat):random-split 8.38 %(達 < 10 % 承諾);跨批次改用 bagged-OLS 13.9 %
- LSTM 19.10 % 保留為文件化 baseline 與 regime-augmentation 反證載體
展開完整模型卡(Severson 回歸全表 / TCN vs LSTM / augmentation 反證 / INT8 量測)
| 模型 | Random split MAPE | Cross-batch MAPE | R² | 備註 |
|---|---|---|---|---|
| Variance OLS(1-feat / unfilt) | 17.9 % | 15.8 % | 0.57 | 重現 Severson 2019 paper 頭條 |
| Discharge OLS(5-feat) | 17.5 % | 19.9 % | 0.53 | paper Table 1 5-feat |
| Full + IR OLS(13-feat) | 14.5 % | 14.5 % | +0.08 | 加 internal-resistance,cross-batch R² 由負轉正 |
| Full + IR bagged-GBT(K=24, xstrict ≥400, n=134) | 8.38 % | 17.9 %(GBT 退化) | 0.89 | 首次達企劃書附件 B 軟體技術棧 < 10 % 承諾;per-seed [5.93, 12.91],7/10 seeds < 10 % |
| Full + IR bagged-OLS(13-feat / xstrict) | 12.4 % | 13.9 % | +0.21 | cross-batch generalisation 最佳 |
達標:bagged-GBT + xstrict cell filter 把 random-split median MAPE 從 14.51 % 拉到 8.38 %。 跨 protocol 部署改用 bagged-OLS(13.87 %),GBT 在 cross-batch 因 protocol-specific 過擬合退化。
Production fleet 模型 = TCN:
/twin、/dashboard的 fleet 推論已切換為 dilated 1D-CNN(NPU-native,無 recurrent op;QAT 後匯出為 ONNX QDQ artifact(models/tcn_rul.int8.qat.onnx,QuantizeLinear/DequantizeLinear),onnxruntime 實測 14.54 % MAPE、torch backend 14.68 % / R² 0.948,FP32 18.15 % / R² 0.892,勝 LSTM 19.10 %)。measured 見data/processed/tcn_rul_report.json與技術白皮書 §3.4.1。下表 LSTM 數字保留為文件化 baseline 與 regime-augmentation 反證。
Augmentation 反證(P1-1):跑
python scripts/export_lstm_onnx.py --severson-only用同一條 LSTM 架構、同 seed=42、同 60/20/20 random split,只訓 138 顆 Severson 真實 cell(去掉 50 顆合成 BBU)— 結果 test MAPE 16.17 %、R² 0.553、conformal PI median width 793 cycles(完整 JSON 在data/processed/lstm_severson_only_eval.json)。augmentation 把 MAPE 從 16.17 → 19.10 % 反而略升(因為要 fit 跨 100-13,000 cycles 的大 dynamic range),R² 從 0.55 → 0.86 是因為加入長壽命 cell 後 explainable variance 比例上升。augmentation 純粹是 regime coverage,不是 MAPE 障眼法 — 這條反證在白皮書 §3.3.8 加入,反駁「BBU 合成 cell 是不是 self-fulfilling」的合理質疑。
| 項目 | 值 | 備註 |
|---|---|---|
| 訓練 cell 數 | 188 | 138 Severson 2019 fast-charge + 50 Severson-anchored synthetic BBU-duty(analytic decay,not PyBaMM aging) |
| Test MAPE(隨機 split) | 19.1 % | Severson-only baseline → augment 後 span 雙 regime |
| Test R² | 0.86 | 跨 regime trade-off 後仍維持高解釋度 |
| ONNX size | FP32 219 KiB → INT8 63 KiB(3.49× 壓縮 measured) | 遠小於 STM32N6 1.6 MB ML FLASH;scripts/quantize_lstm_onnx.py 量測 |
| INT8 精度退化 | ΔMAPE +0.10 pp(19.10 → 19.20 %),R² 不變 | 平均預測偏移 0.57 %,STM32N6 部署的 go/no-go 證據 |
| ONNX 延遲(laptop CPU p99) | FP32 0.44 ms / INT8 0.40 ms | 50 ms 規格達標 ~125×;STM32N6 NPU 推估 27–109 µs(靜態 graph 分析,scripts/onnx_static_analysis.py) |
| 不確定性方法 | MC Dropout + split conformal | 100 forward passes,raw 1910 → conformal 1075 cycles(縮窄 44 %),test coverage 100 %、≥ 90 % 保證,校準集 37 cells held-out |
Production 推論主力為 TCN(§3.4.1;LSTM 為文件化 baseline);bagged-GBT 13-feat 為「Severson paper 對齊」的學術 baseline(< 10 % 承諾達標)。 MAPE 上升是 regime gap closure 的取捨,完整論述見白皮書 §3.3.5。
展開檔案樹
atcc/
├── docs/
│ ├── proposal_v2.2_additions/
│ │ └── Sysblade_HyperBuffer_Proposal_v2.2.docx 企劃書 v2.2(2026-05-06,主要繳交版本)
│ ├── whitepaper.md 技術白皮書 v1.3(完整版)
│ ├── whitepaper_restructured.md 精煉版 v1.3(三段式)
│ ├── RD_BRIEF.md / INVESTOR_BRIEF.md 跨領域 RD / 投資人 brief(v2.0)
│ ├── BBU_IMPLEMENTATION_PLAN.md 實作計畫 v2.0(twin-first)
│ ├── MIRROR_SETUP.md / BINDER_README.md contingency + 複賽日紙本 binder
│ ├── severson_download.md Severson 2019 .mat v7.3 下載 SOP
│ ├── x_cube_ai_install_sop.md STM32N6 X-CUBE-AI 安裝 SOP
│ └── figures/ 架構圖 + 截圖 + 業務模型 canvas
├── apps/
│ └── web/ Next.js 14 三件套(static export)
│ ├── src/app/
│ │ ├── page.tsx /
│ │ ├── twin/page.tsx + twin-client.tsx /twin
│ │ ├── tco/page.tsx + tco-client.tsx /tco
│ │ └── dashboard/page.tsx + ... /dashboard
│ ├── public/scenarios/ PyBaMM 預跑 JSON(build-time 讀)
│ └── src/lib/{tco.ts, types.ts} TCO 公式 + Device 型別
├── packages/
│ ├── battery-twin/ Python: physics + ML
│ │ ├── lstm_rul/ PyTorch LSTM + linear baseline
│ │ └── data_loaders/ Severson + NASA + CALCE 解析器
│ └── shared/scenarios/ JSON 雙寫 sink #2
├── notebooks/ EDA + 訓練 smoke test
├── scripts/
│ ├── generate_twin_scenarios.py 4 個 PyBaMM 場景 + 1000-device fleet(單一產生器,雙 sink)
│ ├── generate_full_rack_60s_sim.py V3 整 rack 60 s graceful sim + 熱模型
│ ├── generate_n_minus_1_sim.py V4 N-1 BBU 容錯 sim
│ ├── generate_adaptive_split_sim.py V8 監督層閉環(SOH → τ 自適應)sim
│ ├── generate_bbu_duty_cells.py 50 顆 Severson-anchored synthetic BBU duty cell(analytic decay)
│ ├── eval_pybamm_lfp_fit.py V1 PyBaMM vs Severson 實測 fit(2.15 % RMS)
│ ├── eval_lic_rc_fit.py V2 LIC RC vs Eaton datasheet(含非線性延伸)
│ ├── eval_severson_transfer.py V5 跨工況 transfer MAPE
│ ├── eval_severson_models.py OLS / bagged-OLS / GBT / bagged-GBT / HistGBT / stack 全 sweep
│ ├── eval_cross_dataset.py Severson → NASA NMC 跨化學測試
│ ├── train_tcn_rul.py · export_tcn_onnx.py production TCN 訓練 + ONNX(QAT / QDQ)匯出
│ ├── export_lstm_onnx.py LSTM baseline + MC Dropout + split conformal
│ ├── quantize_lstm_onnx.py INT8 動態量化 + accuracy 退化 + CPU latency 量測
│ ├── onnx_static_analysis.py STM32N6 NPU 靜態 graph 分析
│ ├── hybrid_control_emulator.py STM32 控制律 Python 鏡像(V3 baseline)
│ ├── calibrate_from_measured.py H3 bench 校準:量測 CSV → 取代 datasheet 錨點(EVT 前置)
│ ├── verify_all.py V6 orchestrator(make verify / verify-fast)
│ └── check_whitepaper_numbers.py XCHECK:whitepaper / README / UI 數字 cross-check gate
├── firmware/stm32_hybrid_control/ STM32F411 韌體骨架(v1.x archive;engineering process evidence)
├── models/ .gitignore(LSTM / TCN ONNX 產物,腳本可重生)
├── data/raw/ data/processed/ .gitignore(>8 GB;只 commit derived JSON 給 CI)
├── Makefile make verify / verify-fast / v8 等驗證入口
└── DEPLOY.md
apps/web/ 由 Vercel 自動部署(main push 觸發 build)。
- build command:
npm install --legacy-peer-deps && next build(避開 pnpm 9 + Node 22 的ERR_INVALID_THISURLSearchParams bug,見vercel.json) - output:
output: "export"純靜態,丟 Vercel CDN - rollback:Vercel dashboard 一鍵退回上一個 commit
完整 SOP 見 DEPLOY.md。
核心文件:
| 文件 | 用途 |
|---|---|
docs/proposal_v2.2_additions/…Proposal_v2.2.docx(含財務,未公開) |
競賽企劃書 v2.2(2026-05-06,canonical 商業 spec) |
docs/whitepaper.md |
技術白皮書 v1.3(canonical 完整版:完整證據 + 局限討論 + 驗證鏈) |
docs/whitepaper_restructured.md |
精煉版 v1.3(三段式快翻;數字以 canonical 版為準) |
docs/BBU_IMPLEMENTATION_PLAN.md |
實作計畫 v2.0(twin-first;v1.x 硬體路線保留為 archive) |
docs/RD_BRIEF.md |
RD / 顧問 2 頁 executive brief |
docs/INVESTOR_BRIEF.md |
投資人 1 頁 narrative |
DEPLOY.md |
Vercel 部署 SOP |
更多文件(交接 / 營運 / 法務 / EVT 前置 / 歷史紀錄)
| 文件 | 用途 |
|---|---|
docs/BBU_PROPOSAL.md |
對外繳交提案 v2.0 — Twin-first Validation 實作企劃 |
docs/SysBlade_HyperBuffer_複賽實作企劃_v3.1.docx(未公開) |
複賽實作企劃 v3.1(軟體深化 + 技術背書 + 商業論證 + IP 佈局) |
docs/HANDOVER.md |
交接文件(v2.0 導引 + v1.x archive;§5 數字由 XCHECK 釘住) |
docs/hardware_characterization_protocol.md |
H3 bench 量測 protocol(EVT 前置,配 scripts/calibrate_from_measured.py) |
docs/severson_download.md |
Severson 2019 三層下載備援 SOP |
docs/MIRROR_SETUP.md |
Standby mirror SOP(GitHub 帳號 contingency) |
docs/BINDER_README.md |
複賽日紙本 binder 清單(歷史紀錄) |
docs/IP_AUDIT.md |
IP / 授權盤點(法務審閱前草稿) |
docs/JOINT_PROCUREMENT_STRATEGY.md |
聯合採購四槓桿供應鏈補充 |
docs/x_cube_ai_install_sop.md |
STM32N6 X-CUBE-AI 安裝 SOP(EVT 依賴,未動工) |
docs/citations_audit.md |
外部引用查證審計(對象 v2.1,歷史紀錄) |
docs/archive_v1.x/PURCHASE_LIST.md |
v1.x 採購清單(2026-05-27 全數退貨) |
- Severson, K.A. et al. (2019) Nature Energy 4, 383–391 — 124-cell LFP fast-charge 公開資料集
- Sulzer, V. et al. (2021) Journal of Open Research Software 9, 14 — PyBaMM(Doyle-Fuller-Newman PDE 求解器)
- Prada, E. et al. (2013) J. Electrochem. Soc. 160, A616–A628 — 本案採用之 LFP-graphite DFN 參數集
- Choukse, E., Buck, I., Alben, J. et al. (Microsoft + NVIDIA, 2025), arXiv:2508.14318 — Power Stabilization for AI Training Datacenters(GB200 power-swing context;§2.3.2 worst-case 10 C × 30 ms 脈衝為團隊依本文 per-cell 下尺度推導)
- JLL Research, Year-End 2025 Report — 北美 colo 機房在建容量基準(企劃書 §C.1 引述 Texas 18.6 % / Virginia 15 %;本 fleet 1000 台模擬以 AI 機房密度加權放大為 Texas 49 % / Virginia 27 %,模擬假設,非 JLL 直接數字)
- 系統電股份有限公司(Sysgration TWSE 6312) — ATCC C13 議題出題單位