XiaoMi-AI文件搜索系统
World File Search System动态调整
13 II 2025年2月
1印度海得拉巴Jntuh Ucest的能源研究中心2能源研究中心，Jntuh Ucest，Hyderabad，Hyderabad，Hyderabad，印度海得拉巴，摘要：一种使用Solar和电力电力的网格连接双向充电站（BCS）的方法。 为了满足对能源系统不断增长的需求，该系统会动态调整其操作，以最大程度地利用能量使用和与网格的相互作用。 即使没有插入电动汽车，网格仍然可以用风力涡轮机和太阳能电池板的过量电源为储物电池充电。 当电动汽车位于该地区时，BDDC转换器优先考虑从太阳能电池板和风力涡轮机等可再生资源中的电池充电。 如果这些来源的总输出不足，则从网格中获取额外的功率。 此外，在V2G场景中，可以将太阳能电池板，风力涡轮机，储存电池和电池产生的所有电力都可以送回电网。 这可以提高网格稳定性，并更好地利用可再生能源。 电动汽车（EV）电池也可以直接从网格（G2V）中充电，即使没有可再生能源（例如风和阳光）。 通过使用MATLAB Simulink软件，建议的方法已得到验证。 关键字：术语“电动汽车”，“网格到车辆”，“交错双向DC-DC转换器”和“混合可再生能源”均互换使用。1印度海得拉巴Jntuh Ucest的能源研究中心2能源研究中心，Jntuh Ucest，Hyderabad，Hyderabad，Hyderabad，印度海得拉巴，摘要：一种使用Solar和电力电力的网格连接双向充电站（BCS）的方法。为了满足对能源系统不断增长的需求，该系统会动态调整其操作，以最大程度地利用能量使用和与网格的相互作用。即使没有插入电动汽车，网格仍然可以用风力涡轮机和太阳能电池板的过量电源为储物电池充电。当电动汽车位于该地区时，BDDC转换器优先考虑从太阳能电池板和风力涡轮机等可再生资源中的电池充电。从网格中获取额外的功率。此外，在V2G场景中，可以将太阳能电池板，风力涡轮机，储存电池和电池产生的所有电力都可以送回电网。这可以提高网格稳定性，并更好地利用可再生能源。电动汽车（EV）电池也可以直接从网格（G2V）中充电，即使没有可再生能源（例如风和阳光）。通过使用MATLAB Simulink软件，建议的方法已得到验证。关键字：术语“电动汽车”，“网格到车辆”，“交错双向DC-DC转换器”和“混合可再生能源”均互换使用。
电池 - CERES研究存储库
摘要：将电池保持在特定温度范围内对于安全性和效率至关重要，因为极端温度会降低电池的性能和寿命。此外，电池温度是电池安全法规的关键参数。电池热管理系统（BTMS）在调节电池温度方面是关键的。虽然当前的BTMS提供实时温度监测，但缺乏预测能力却构成了限制。本研究介绍了一种新型混合系统，该系统将基于机器学习的电池温度预测模型与在线电池参数识别单元相结合。标识单元不断实时更新电池的电气参数，从而提高了预测模型的准确性。预测模型采用自适应神经模糊推理系统（ANFIS），并考虑了各种输入参数，例如环境温度，电池电流温度，内部电阻和开路电压。该模型通过基于实时数据动态调整热参数来准确地在有限时间范围内准确预测电池的未来温度。实验测试是在一系列AMB温度范围内对锂离子（NCA和LFP）圆柱细胞进行的，以在不同条件下验证系统的准确性，包括电荷状态和动态载荷电流。提议的模型优先考虑简单，以确保实时的工业适用性。
tbdd- uts
将碎片区块链与物联网集成，为信任问题和优化数据流提供了解决方案。碎片通过将其节点分为平行的碎片来提高区块链的可扩展性，但它很容易受到1％攻击的攻击，在这种攻击中，不诚实的节点靶向碎片以破坏整个区块链。平衡安全性与可伸缩性对于此类系统至关重要。深度加固学习（DRL）熟练地处理动态，复杂的系统和多维优化。本文介绍了一个基于信任的和DRL驱动的（TBDD）框架，该框架旨在抵抗勾结攻击风险并动态调整节点分配，并在维持网络安全性的同时增强吞吐量。具有全面的信任评估机制，TBDD辨别节点类型，并针对潜在威胁进行有针对性的重塑。TBDD框架可最大程度地提高不诚实节点的公差，优化节点运动频率，确保碎片中的节点分布，并平衡碎片风险。广泛的评估验证了TBDD在碎片风险平衡中的常规随机，社区和基于信任的碎片方法的优势，并减少了交叉交易。
实时紧急情况的增强学习方法...
在紧急情况下，确保居住者从建筑物中快速而安全的疏散至关重要。传统的疏散计划通常依赖于可能无法很好地适应环境动态条件的静态路线，例如落下物体或开火阻碍。本文提出了增强学习（RL）的创新应用，以开发动态疏散路线指导系统，该系统可实时适应不断变化的条件。我们采用深层Q-NETWORKS（DQN）和近端策略优化（PPO）来根据实时数据优化疏散策略。我们的系统旨在最大程度地减少疏散时间，并通过随着环境的变化而动态调整路线来提高撤离人员的安全性。我们将基于RL的系统与模拟环境中的传统静态疏散计划进行了比较，这些环境包括不同的复杂性，例如不同的建筑布局和火灾传播模式。我们的结果表明，RL方法可以胜过静态方法，尤其是在具有高度不可预测性的情况下。这项研究通过证明机器学习在关键情况下增强安全性的潜力来促进紧急管理。
效率NETV2：较小的型号和更快的培训
可以通过在训练过程中逐步增加图像大小来进一步加速我们的培训。许多以前的作品，例如渐进式调整（Howard，2018），FixRes（Touvron等人，2019年）和混合匹配（Hoffer等人，2019年），在培训中使用了较小的图像尺寸；但是，它们通常对所有图像尺寸保持相同的正则化，从而导致准确性下降。我们认为，对不同图像大小保持相同的规则ization并不理想：对于同一网络，小图像大小会导致小网络小组，因此需要弱的正则化；反之亦然，较大的图像大小需要更强的正则化来对抗过度拟合（请参阅第4.1节）。基于这种见解，我们提出了一种改进的渐进学习方法：在早期的培训时期，我们以较小的图像大小和较弱的正则化（例如，辍学和数据增强）训练网络，然后我们逐渐增加图像大小并增加更强大的调节化。建立在渐进式调整的基础上（Howard，2018），但是通过动态调整正则化，我们的方法可以加快训练而不会导致准确性下降。
无线网络的分布式协议：来自EHealth Systems
摘要无线网络的快速发展正在通过启用无缝，低延迟的通信来改变各种域，从eHealth系统转变为无人机群和自动驾驶汽车。在医疗保健中，无线传感器和5G网络正在通过连续的数据收集，远程诊断和个性化治疗方法彻底改变患者监控，从而确保高可靠性传播。同时，无人机（无人机）群越来越多地部署在诸如灾难响应，环境监测和交付服务等平民应用中，需要可扩展的通信协议以实现有效的数据交换和与地面站的协调。随着这些技术收敛，人工智能（AI）正在成为下一代无线网络的关键推动因素，从而通过网络节点级别的预测分析来增强系统性能。通过预测网络条件，AI赋予了自动驾驶汽车和无人机，以增强互操作性，优化路由，动态调整通信策略并改善跨应用程序的资源管理。本演讲将探讨分布式数据传输协议中的挑战，当前的进步和未来的研究方向，重点关注它们在整合EHealth系统，无人机群，自动驾驶汽车和AI-Driendiven网络中的作用，以开发更适应性和智能的通信基础设施。
虚拟猫
虚拟交叉阵列任务（CAT）是一个教育平台，旨在评估瑞士强制性教育中学生之间的算法思维（AT）技能。此工具引入了适应性的多接口系统，使用户能够通过基于直观的手势命令或通过使用拖放块的视觉编程接口进行交互，从而促进了一种多功能方法来构建和理解算法。该平台涵盖了一个全面的培训模块，用于技能获取和评估验证模块。该系统在活动期间向用户提供实时反馈，根据他们的行动动态调整，提供有关进步和改进领域的见解，从而促进学习和绩效提高。具有扩展到英语，德语，法语和意大利语的多语言能力，虚拟猫精心制作，以满足各个地区教育环境的各种需求。通过一项小规模的研究进行初步应用和评估表明，虚拟猫提供了可扩展评估的潜力和一个可靠的平台，以将其整合到更广泛的教育和研究方法中，为其整合到学术研究和日常教学实践中奠定了基础。
探索大语模型中生成精度的神经梯度体系结构
摘要 - 将神经梯度体系结构（NGA）集成到大语言模型（LLMS）中，导致了自然语言处理的明显进步，从而增强了生成文本的精确性和相干性。通过采用梯度驱动的计算，NGA根据上下文提示动态调整内部途径，从而使LLMS能够更有效地适应各种语言任务。这种方法证明了在上下文理解至关重要的情况下，诸如机器翻译，摘要和对话生成等任务的改进。NGA的融合也有助于减少常见问题（例如重复性或无关的产出），从而提高了生成内容的总体质量。此外，NGA的适应性允许在各个领域对LLM进行更有效的微调，从而促进了其在专业领域的应用，而无需大量的重新培训。经验结果表明，NGA在完善LLM的生成过程中的功效，强调了其大大提高自然语言处理系统性能的潜力。因此，NGA的采用代表了LLM体系结构演变中的关键进展，为开发更响应敏感和上下文意识到的语言模型提供了强大的框架。
奇点：人工智能工作负载的行星级、抢占式和弹性调度
通过提高深度学习工作负载的利用率来降低成本是云提供商的关键杠杆。我们推出了 Singularity，这是微软的全球分布式调度服务，可高效可靠地执行深度学习训练和推理工作负载。Singularity 的核心是一种新颖的工作负载感知调度程序，它可以透明地抢占和弹性扩展深度学习工作负载，以提高利用率，而不会影响它们在全球 AI 加速器（如 GPU、FPGA）中的正确性或性能。默认情况下，Singularity 中的所有作业都是可抢占、可迁移和动态调整大小（弹性）的：实时作业可以动态且透明地 (a) 被抢占并迁移到不同的节点、集群、数据中心或区域集，并从抢占点准确恢复执行，以及 (b) 在给定类型的不同加速器集上调整大小（即弹性地扩大/缩小）。我们的机制是透明的，因为它们不需要用户对其代码进行任何更改，也不需要使用任何可能限制灵活性的自定义库。此外，我们的方法显著提高了深度学习工作负载的可靠性。我们表明，使用 Singularity 可以获得效率和可靠性的提升，而对稳态性能的影响可以忽略不计。最后，我们的设计方法与 DNN 架构无关，并且可以处理各种并行策略（例如数据/管道/模型并行）。
使用多代理 LLM 系统优化库存管理
摘要 有效的库存管理需要全面预测需求和优化库存水平的能力，而这传统上只限于人类专业知识。新兴的人工智能方法虽然通过深度学习模型和数据分析提供了有效的解决方案，但往往缺乏整合动态市场洞察和实时数据的灵活性。通过利用多个动态交互大型语言模型 (LLM) 的多样化功能，我们可以克服这些限制并开发一类新的人工智能驱动的库存管理系统。本文介绍了一个多智能体框架，包括项目经理智能体、销售预测智能体和库存经理智能体，它们自主协作以应对库存管理挑战。智能体通过自我和相互修正动态调整库存计划并保持产品可用性。模拟结果表明，库存周转率显著提高，运输成本和持有费用降低，总成本大幅下降，同时保持零缺货率。我们的框架展示了协同 LLM 智能、统计建模的精确度以及不同智能体之间的动态协作的潜力，为自动化和优化供应链管理开辟了新途径。关键词：库存管理、多智能体系统、大型语言模型 (LLM)、供应链优化。