NIST Has Significant Presence at IEEE Industrial Cyber-Physical Systems (ICPS) Conference
2024 年 5 月，NIST 研究人员受邀在密苏里州圣路易斯举行的第 7 届 IEEE 工业网络物理系统国际会议 (ICPS) 上发表多场演讲。ICPS 每年举行一次，汇集了行业专家
在最近出版的《人工智能和通信研究手册》中，NIST 研究员 Edward Griffor 博士与学术合作者一起描述了 NIST 网络物理系统 (IoT) 框架对于人工智能 (AI) 的重要性
SDCPS: Symbiotic Design for Cyber-Physical Systems
项目负责人：Matthew Wilding 博士 赞助组织：DARPA网站：https://www.darpa.mil/program/symbiotic-design-for-cyber-physical-systems 项目概要：SDCPS 的目标是开发基于 AI 的方法，以实现与军事相关的 CPS 的正确构造设计。 SDCPS 寻求缩短时间
基于RVC的“网络物理系统”技术委员会与卡巴斯基实验室一起，正在提交一系列初步国家标准供公众讨论，这些标准规范了俄罗斯物联网系统的基本组件和定义。
AI Models Keep Getting Physics Wrong but This Method Fixes It
理解和预测复杂的物理系统仍然是科学研究和工程的重大挑战。机器学习模型虽然强大，但通常无法遵循物理的基本规则，从而导致不准确或非物理结果。为了解决这个问题，通过将这些规则嵌入机器学习模型中，物理知识的机器学习已成为解决方案。但是，创建[…]
Common feature between forest fires and neural networks reveals universal framework
与Aisin Corporation合作的东京大学的研究人员表明，通用缩放定律（描述了系统的属性随尺寸和规模的变化）如何适用于表现出吸收相位过渡行为的深神经网络，这一现象通常在物理系统中观察到。该发现不仅提供了描述深神经网络的框架，还有助于预测其可训练性或可推广性。这些发现发表在《物理评论研究》杂志上。
Simulation-based pipeline tailors training data for dexterous robots
由麻省理工学院研究人员开发的物理系统，通过将培训数据定制到特定机器来帮助机器人处理房屋和工厂中的项目。
在副副部长国防部和武器投资组合管理办公室内的网络战董事，国防部长办公室的收购和维持办公室Garstka先生在美国东部时间上午9:00在NDIA网络物理系统安全峰会上发表讲话（ndia-mich.org register）。参议院武装服务委员会在副副部长国防部和武器投资组合管理办公室内的网络战董事，国防部长办公室的收购和维持办公室Garstka先生在美国东部时间上午9:00在NDIA网络物理系统安全峰会上发表讲话（ndia-mich.org register）。参议院武装服务委员会
有史以来观察到的最高质量亚核粒子。最高的夸克是通过CDF实验在1994年首次通过CDF和D0确认的，后来由CDF和D0确认，是我们所知道的最重的基本粒子，这是一个出色的物理系统，在过去的三十年中，在Tevatron和LHC碰撞者中已经对此进行了研究。顶级QuarkRead更多
From Physics to Probability: Hamiltonian Mechanics for Generative Modeling and MCMC
汉密尔顿力学是一种描述物理系统（如行星或钟摆）的方式，随着时间的推移，专注于能量而不是力量。通过通过能量镜头重新构架复杂的动力学，这个19世纪的物理框架现在可以为尖端生成的AI提供动力。它使用广义坐标（q）（例如位置）及其共轭动量（P）（与动量有关），形成捕获系统状态的相空间。这种方法对于具有多个部分的复杂系统特别有用，可以更轻松地找到模式和保护定律。从物理学到概率的帖子：用于生成建模的汉密尔顿力学和MCMC的机制首先出现在数据科学方面。
Transfer Learning in Scalable Graph Neural Network for Improved Physical Simulation
近年来，基于图形神经网络（GNN）模型在模拟复杂物理系统方面显示出令人鼓舞的结果。但是，培训专用的图形网络模拟器可能会昂贵，因为大多数模型都局限于完全监督的培训。训练模型需要从传统模拟器产生的大量数据。如何应用转移学习来提高模型性能和训练效率。在这项工作中，我们引入了图形网络模拟器的预处理和转移学习范式。首先，我们提出了可扩展的图形u-net…
Robot Talk Episode 106 – The future of intelligent systems, with Didem Gurdur Broo
Claire 与乌普萨拉大学的 Didem Gurdur Broo 聊了聊如何塑造机器人技术、自动驾驶汽车和工业自动化的未来。 Didem Gurdur Broo 是乌普萨拉大学信息技术系的助理教授兼副高级讲师。她领导网络物理系统实验室，指导协作等智能系统的研究[...]
Maths quirk explains why crosswords are so hard – until they aren't
解决填字游戏的过程在数学上类似于经过充分研究的物理系统——但有一个属性使游戏独一无二
上周，我上了统计学家亚核物理学课程（是的，帕多瓦统计科学系有这样的课程，自 6 年前成立以来我就一直在教这门课程！），其中我讨论了中性 K 介子系统中的 CP 破坏。在现代物理学最令人惊讶的实验之一中，Cronin 和 Fitch 的团队在 1964 年证明，两种对称运算的组合，即“电荷共轭”C 和“宇称反转”P，在某些情况下可以改变物理系统的性质。阅读更多
The Transformative Power of Digital Twins in the Aerospace Sector
航空航天业处于技术创新的前沿，不断寻求提高效率、安全性和性能的方法。该领域最具变革性的新兴技术之一是数字孪生的概念。数字孪生是物理系统、流程或产品的虚拟复制品，可实现实时监控、模拟和分析。本博客深入探讨了数字孪生在航空航天领域的作用，探索了它们的优势、应用和未来潜力。了解数字孪生数字孪生是物理对象或系统的动态实时数字对应物。它集成了来自各种来源的数据，包括传感器、历史数据……文章《数字孪生在航空航天领域的变革力量》首次出现在《航空和国防市场报告》上。
Reinforcement Learning for Physics: ODEs and Hyperparameter Tuning
使用 gymnasium 控制微分方程并优化算法超参数照片由 Brice Cooper 在 Unsplash 上拍摄如前所述，强化学习 (RL) 提供了一种强大的新工具来应对控制非线性物理系统的挑战。非线性物理系统的特点是行为复杂，输入的微小变化可能导致输出的剧烈变化，或者只有微小的输出变化可能来自大输入。解决方案可以分裂，相同条件可以产生不同的输出，甚至以路径依赖的形式具有“记忆”。我们介绍了两种将 RL 应用于非线性物理系统的不同方法：传统的基于神经网络的软演员评论家 (SAC) 和不常见的基于遗传算法的遗传编程 (GP) 方法。简而言之，SAC 使用两个神经网络，一个用于学习环境的行为方
Silicon metasurfaces unlock broad-spectrum infrared imaging
红外成像技术对于增进我们对世界的理解至关重要，从探索生物样本到检查复杂材料和检测物理系统中的隐藏模式。
