A collective die-to-wafer bonding flow is extended beyond the N=2 tier to the N=3 and N=4 tier by collectively bonding multiple layers of dies on top of a target wafer. The N=2 die-level is shown to be consistently free of bonding voids (bond yields close to 100%) with +99% die transfer yields. For the N=3 and N=4 die-levels, both the transfer yields and bonding yields are significantly lower. Both N=2 and N=3 stacks show similar die-to-target wafer alignment. A cross sectional SEM of a 5-micron pitch shows excellent alignment and connectivity between Die 1 and Die 2 (N=3).

The inter-provincial electricity spot market(IPESM) tariff mechanism is different from the calculation of tariffs under the traditional spot market, which is mainly affected by the declared price and declared capacity of market players, transaction paths, transmission capacity of the channel as well as the ratio of supply and demand, and the research on the prediction of transacted tariffs in the IPESM is of great significance. In this paper, an method based on a graph convolutional network is proposed for predicting transaction fees. Firstly, the input matrix of the prediction model is established by considering the inter-provincial trading paths and the information of market players. Secondly, the GCN was combined with the IPESM trading model for the prediction of electricity turnover and turnover price. Finally, the model prediction results were evaluated using MAPE and MAE. The simulation results show that the graphical neural network can effectively identify the mapping relationship between the characteristics of trading channels and declaration volume and the transacted electricity price in IPESM, and the results have high accuracy.

PV power is difficult to predict accurately during fluctuation, and considering the correction of prediction error in PV power prediction is an effective countermeasure to increase PV power prediction accuracy. For this reason, this essay suggests a day-ahead PV power combination prediction method considering prediction error correction. Firstly, Numerical Weather Prediction (NWP) data and measured PV power are utilized to obtain the PV predicted power of every individual model through the single forecasting model. Then, the weight coefficients of each single prediction model are determined according to the gray wolf optimization algorithm, and the PV predicted power of the combined model is obtained by weighting. Finally, based on the PV predicted power acquired from the combined model and the measured PV power, an error prediction model is established using the AdaBoost algorithm to obtain the corrected intraday PV power prediction results. Validation is performed using a two-year dataset that was gathered from a PV field station located in a region of China. The prediction accuracies using different prediction models and with or without prediction error correction are compared to comprehensively assess the suggested method's efficacy. The prediction results under diverse weather types demonstrate that the suggested error correction technique can significantly increase the accuracy of the PV power forecast and that the suggested prediction method's performance is stable.