Startups need various resources to survive and scale, while large corporations have vast resources but search for innovations and take startups as a valuable source (Wymer and Regan, 2005). Corporate accelerators are an emerging trendy phenomenon that large organizations are adopting to collaborate with startups. Corporate accelerators take startups either from a specific industry or from all industries (Cohen and Hochberg, 2014), and achieve economic benefit either by financial returns or innovation integration (Deloitte, 2019). The types of partnerships between startups and large corporations can be classified into exploitation, exploration, or the hybrid. The exploitative partnership focus on utilizing existing capabilities from both parties, the explorative partnership aims at building new competitive advantages for involved companies, and the hybrid focus on both sides (Koza and Lewin, 2000). Therefore, the purpose of this study is to explore strategies for startups to select suitable corporate accelerators and partner with large organizations. This research used the explorative method and gathered knowledge from the literature review on startups, strategic partnership and corporate accelerator and thoughts from startups via semistructured qualitative interviews. The author compared the startups’ experience and outcome in different corporate accelerators. The findings show that early-stage startups need a framework to guide their process in building partnerships with large corporations. Also, corporate accelerators were found to be a good tool that brings startups with network, corporate resources, and future customers. Moreover, the key success factors in startup-corporation partnerships are trust, clear objectives, and partner compatibility. A partnership framework was developed to facilitate startups to build partnerships with large corporations through corporate accelerators. / Startups behöver olika resurser för att överleva och växa, medan stora företag har stora resurser men söker efter innovationer och ser startups som en värdefull källa (Wymer och Regan, 2005). Företagsacceleratorer är ett trendigt fenomen som stora organisationer använder för att samarbeta med startups. Företagens acceleratorer tar startups antingen från en specifik bransch eller från alla branscher (Cohen och Hochberg, 2014) och uppnår ekonomisk fördel antingen genom finansiell avkastning eller innovationsintegration (Deloitte, 2019). De typer av partnerskap mellan nystartade företag och stora företag kan klassificeras i exploatering, utforskning eller en hybrid. Det exploaterande partnerskapet fokuserar på att utnyttja befintliga kapaciteter från båda parter, det efterforskande partnerskapet syfte är att bygga nya konkurrensfördelar för involverade företag och hybridens fokus ligger på båda sidorna (Koza och Lewin, 2000). Därför är syftet med denna studie att utforska strategier för nystartade företag för att välja lämpliga företagsacceleratorer och samarbeta med stora organisationer. Utforskande metoden och samlade in kunskap från litteraturöversikt om startups, strategiska partnerskap och företagens acceleratorer och tankar från startups via semistrukturerade kvalitativa intervjuer. Författaren jämförde startups upplevelser och resultat i olika företagsacceleratorer. Resultaten visar att startups i tidigt skede behöver ett ramverk för att styra deras process för att skapa samarbeten med stora företag. Även företagens acceleratorer visade sig vara ett bra verktyg som ger startups nätverk, företagsresurser och framtida kunder. Vidare så är de viktigaste framgångsfaktorerna i partnerskap mellan startups förtroende, tydliga mål och parternas kompatibilitet. Ett ramverk för partnerskap utvecklades för att underlätta för startups att skapa samarbeten med stora företag genom företagsacceleratorer.

Betong är världens mest använda byggnadsmaterial och en stor utsläppskälla av koldioxid. Det är framför allt produktion av cementet i betongen som bidrar till koldioxidutsläppen. Globalt sett är produktionen av cement den tredje största orsaken till koldioxidutsläpp, 8 % av världens utsläpp. Därför ligger det stort intresse i att minska mängden cement i betongen för att nå lägre klimatpåverkan. Ett sätt att göra detta på är att delvis byta ut cementet mot andra tillsatsmaterial med cementliknande egenskaper, till exempel slagg. Det största problemet med detta är att betongens härdningstid förlängs. Detta arbete genomförs tillsammans med RISE för att hjälpa Hedareds Sand och Betong att ställa om till klimatförbättrad betong i sina prefabelement. För att göra detta måste härdningstiden i den klimatförbättrade betongen sänkas. Denna studie ska därför undersöka om accelererande tillsatsmedel kan korta härdningstiden i slaggbetong. För att undersöka detta användes två experimentella metoder: isotermisk kalorimetri och gjutning med tryckprovning. Resultatet från den isotermiska kalorimetrin visade att acceleratorn Master X-Seed 140 gav kortast induktionsperiod och klart högre värmeflöde än referensprovet. Resultatet från gjutningen visade att den prövade betongen nådde en tryckhållfasthet på 29,73 MPa efter 24 timmar. Vilket är 62,5 % högre än referensprovet utan accelerator och tydligt över kravet på 16 MPa efter 24 timmar. Slutsatsen som gick att dra efter detta arbete var att acceleratorn visade mycket god effekt på tryckhållfastheten och ger utökade möjligheter att använda klimatförbättrad betong inom prefabindustrin. / Concrete is the world's most widely used building material and a significant source of carbon dioxide emissions. It is primarily the production of cement in concrete that contributes to these emissions. Globally, cement production is the third-largest contributor to carbon dioxide emissions, accounting for 8 % of the world's emissions. Therefore, there is considerable interest in reducing the amount of cement in concrete to achieve lower climate impact. One way to do this is by partially replacing cement with other supplementary materials with cement-like properties, such as slag. The main challenge with this approach is that it extends the curing time of the concrete. This work is conducted in collaboration with RISE to assist Hedareds Sand and Betong in transitioning to climate-enhanced concrete in their precast elements. To achieve this, the curing time in the climate-enhanced concrete must be reduced. This study aims to investigate whether accelerating admixtures can shorten the curing time in slag concrete. Two experimental methods were used to investigate this: isothermal calorimetry and casting with pressure testing. The results from isothermal calorimetry showed that the accelerator Master X-Seed 140 had the shortest induction period and significantly higher heat flow than the reference sample. The results from casting showed that the tested concrete reached a compressive strength of 29,73 MPa after 24 hours, which is 62,5 % higher than the reference sample without accelerator and clearly exceeds the requirement of 16 MPa after 24 hours. The conclusion drawn from this work was that the accelerator demonstrated a very good effect on compressive strength and provides expanded opportunities for using climate-enhanced concrete in the precast industry.

Deep Learning and Neural Networks have been studied and developed for many years as of today, but there is still a great need of research on this field, because the industry needs are rapidly changing. The new challenge in this field is called edge inference and it is the deployment of Deep Learning on small, simple and cheap devices, such as low-power microcontrollers. At the same time, also on the field of hardware design the industry is moving towards the RISC-V micro-architecture, which is open-source and is developing at such a fast rate that it will soon become the standard. A batteryless ultra low power microcontroller based on energy harvesting and RISC-V microarchitecture has been the final target device of this thesis. The challenge on which this project is based is to make a simple Neural Network work on this chip, i.e., finding out the capabilities and the limits of this chip for such an application and trying to optimize as much as possible the power and energy consumption. To do that TensorFlow Lite Micro has been chosen as the Deep Learning framework of reference, and a simple existing application was studied and tested first on the SparkFun Edge board and then successfully ported to the RISC-V ONiO.zero core, with its restrictive features. The optimizations have been done only on the convolutional layer of the neural network, both by Software, implementing the Im2col algorithm, and by Hardware, designing and implementing a new RISC-V instruction and the corresponding Hardware unit that performs four 8-bit parallel multiply-and-accumulate operations. This new design drastically reduces both the inference time (3.7 times reduction) and the number of instructions executed (4.8 times reduction), meaning lower overall power consumption. This kind of application on this type of chip can open the doors to a whole new market, giving the possibility to have thousands small, cheap and self-sufficient chips deploying Deep Learning applications to solve simple everyday life problems, even without network connection and without any privacy issue. / Deep Learning och neurala nätverk har studerats och utvecklats i många år fram till idag, men det finns fortfarande ett stort behov av forskning på detta område, eftersom industrins behov förändras snabbt. Den nya utmaningen inom detta område kallas edge inferens och det är implementeringen av Deep Learning på små, enkla och billiga enheter, såsom lågeffektmikrokontroller. Samtidigt, även på området hårdvarudesign, går industrin mot RISC-V-mikroarkitekturen, som är öppen källkod och utvecklas i så snabb takt att den snart kommer att bli standarden. En batterilös mikrokontroller med ultralåg effekt baserad på energiinsamling och RISC-V-mikroarkitektur har varit den slutliga målenheten för denna avhandling. Utmaningen som detta projekt är baserat på är att få ett enkelt neuralt nätverk att fungera på detta chip, det vill säga att ta reda på funktionerna och gränserna för detta chip för en sådan applikation och försöka optimera så mycket som möjligt ström- och energiförbrukningen. För att göra det har TensorFlow Lite Micro valts som referensram för Deep Learning, och en enkel befintlig applikation studerades och testades först på SparkFun Edge-kortet och portades sedan framgångsrikt till RISC-V ONiO.zero-kärnan, med dess restriktiva funktioner. Optimeringarna har endast gjorts på det konvolutionerande skikt av det neurala nätverket, både av mjukvara, implementering av Im2col-algoritmen, och av hårdvara, design och implementering av en ny RISC-V-instruktion och motsvarande hårdvaruenhet som utför fyra 8-bitars parallella multiplikation -och-ackumulationsoperationer. Denna nya design minskar drastiskt både slutledningstiden (3,7 gånger kortare) och antalet utförda instruktioner (4.8 gånger färre), vilket innebär lägre total strömförbrukning. Den här typen av applikationer på den här typen av chip kan öppna dörrarna till en helt ny marknad, vilket ger möjlighet att ha tusentals små, billiga och självförsörjande chip som distribuerar Deep Learning-applikationer för att lösa enkla vardagsproblem, även utan nätverksanslutning och utan någon integritetsproblematik.