XiaoMi-AI文件搜索系统
World File Search System参数优化
具有主动偏好学习的多目标贝叶斯优化
有很多现实世界的黑框优化概率需要同时优化多个标准。然而，在多目标优化（MOO）问题中，确定整个帕累托阵线需要过度的搜索成本，而在许多实际情况下，决策者（DM）只需要在帕累托最佳解决方案集中的特定解决方案。我们提出了一种贝叶斯操作方法（BO）方法，以使用昂贵的目标功能识别MOO中最喜欢的解决方案，其中DM的贝叶斯偏好模型是根据两种称为成对偏好和改进请求的Supperions类型的交互方式自适应估算的。要探索最优选的解决方案，我们定义了一个采集函数，在该函数中，在观察函数和DM偏好中的不确定性都已合并。为了最大程度地减少与DM的相互作用成本，我们还为偏好估计提出了一种主动学习策略。我们通过基准功能优化和机器学习模型的高参数优化问题来证明我们提出的方法的有效性。
CNT 互连优化 - Enlighten Publications
摘要 — 本文第一部分介绍了 5 纳米碳纳米管场效应晶体管 (CNFET) 静态随机存取存储器 (SRAM) 单元的尺寸和参数优化。在此基础上，我们提出了一种由原理图优化的 CNFET SRAM 和 CNT 互连组成的碳纳米管 (CNT) SRAM 阵列。我们考虑由金属单壁 CNT (M-SWCNT) 束组成的 CNFET SRAM 单元内部的互连来表示金属层 0 和 1 (M0 和 M1)。我们研究了考虑 CNFET 器件、M-SWCNT 互连和金属电极钯与 CNT (Pd-CNT) 触点的 CNFET SRAM 单元的布局结构。探索了两种版本的单元布局设计，并在性能、稳定性和功率效率方面进行了比较。此外，我们实现了一个 16 Kbit SRAM 阵列，由提出的 CNFET SRAM 单元、多壁 CNT (MWCNT) 单元间互连和 Pd-CNT 触点组成。这种阵列表现出明显的优势，其读写总能量延迟积（EDP）、静态功耗和核心面积分别为采用铜互连的7nm FinFET-SRAM阵列的0.28×、0.52×和0.76×，而读写静态噪声裕度分别比FinFET高6%和12%。
模块化建模
综合模型中的行为是研究人员之间的争论点[6]。这场辩论强调了计算模型中的多种方法，通常以“自下而上”和“自上而下”的方式来表征。自下而上的建模强调了大脑中发生的详细生物学过程的模拟[4，5]。模型参数主要由现有的生物学数据告知，其目的是为功能能力提供明显的约束，这些功能能力被假定自发出现[4，6]。自上而下的建模从功能能力明确开始。传统上是从识别大脑结构的功能，然后开发出实现这些功能的神经计算算法。近年来，这种假设驱动的方法已补充了目标驱动的深度学习[7]。这种启用的动力智能方法旨在生成通过参数优化实现大脑功能的神经计算算法，以便模型可以解决生态有效的任务[8]。自上而下的模型旨在通过模拟大脑的总体原理来实现脑样功能，而无需模拟其生物学细节。为了对这些方法进行深入评论，我们将有兴趣的读者推荐给[5-9]。
风能转换系统的数字孪生
摘要：工业 4.0 的数字孪生概念将为风能转换系统带来许多优势，例如，在状态监测、预测性维护和控制或设计参数优化方面。虚拟副本是数字孪生的核心。要构建虚拟副本，必须为涡轮机组件选择适当的建模技术。选择这些模型时必须考虑数字孪生的预期用例，在模型保真度和计算负载之间找到适当的平衡。这篇评论文章概述了有关涡轮机空气动力学、结构和传动系统力学、永磁同步发电机、电力电子转换器以及俯仰和偏航系统的建模技术的最新文献。对于每个组件，都给出了具有不同模型保真度和计算负载的模型的平衡概述，范围从简化的集中参数模型到基于高级数值有限元方法 (FEM) 的模型。文献综述的结果以图形方式呈现，以帮助读者进行模型选择。在此基础上，提出了数字孪生的高级结构以及具有最小计算负载的虚拟副本。提出了多级分层虚拟副本的概念。
DSVV 研究手册
1. 项目名称：Wiki 文章项目资助机构：印度政府教育部印度知识系统司 2. 项目名称：InnoPat AI：通过大型语言模型方法推动创新的生成式人工智能资助机构：Arctic Innovation Consulting Solutions Pvt Ltd，诺伊达资助金额：124.2 万卢比 3. 项目名称：一种基于物联网的糖尿病患者足部保健系统，具有健康分析功能。资助机构：印度政府科技部 NIDHI PRAYAS 2023 资助金额：56.5 万卢比 4. 项目名称：基于人工智能的原子干涉量子传感器参数优化自动化过程 资助机构：Atomionics Pte Ltd，新加坡 资助金额：258.4 万卢比 5. 项目名称：基于人工智能的印度古代健康技术 资助机构：NxtGenX 资助金额：15 万卢比 6. 项目名称：市场基于人工智能的博士研究净零转型 资助机构：Climate Connect，古尔冈，印度 资助金额：60 万卢比
新抗精神病药物使用者的多重疾病特征和重大心血管事件风险：使用可解释机器学习的事件发生时间预测研究
这项回顾性队列研究使用了香港公共医疗机构的电子健康记录。我们纳入了 18-65 岁无 MACE 的患者，这些患者在首次使用抗精神病药物前三年内曾患过两种或两种以上慢性疾病。研究考虑了基线特征，例如年龄、性别、慢性病史、抗精神病药物使用史和前一年的服药史。结果是主要不良心血管事件 (MACE)，包括中风、急性心肌梗死 (AMI) 和心血管相关死亡 (CV 死亡)。根据抗精神病药物处方的初始年份，将数据集按 7:3 的比例随机分为训练和验证子集。使用条件推断生存树 (CISTree) 来识别 MACE 风险组。使用 5 倍交叉验证对十个机器学习模型进行超参数优化训练，并在验证集上进行验证。我们进行了时间依赖性的 ROC 曲线分析、校准图和决策曲线分析图，分别比较模型的判别能力、校准和临床应用价值。使用时间相关变量重要性、部分依赖图和 SHAP 图来解释所选模型。
基于机器学习的网络入侵检测优化云计算环境
摘要 - Cloud Computing是世界各地企业之间的新兴选择，因为它提供了灵感和全球的Web计算机功能作为可自定义的服务。由于云服务的分散性质，安全是一个主要问题。由于入侵者对任何形式的攻击，隐私和安全性都是极大的选择，这是对按需服务成功的重大障碍。网络交通量的大量增加为日益困难和广泛的安全脆弱性开辟了道路。使用传统的入侵检测系统（IDS）防止这些尝试无效。因此，本文提出了一种基于机器学习（ML）模型的新型网络入侵检测系统（NIDS），称为支持向量机（SVM）和极端梯度增强（XGBoost）技术。此外，基于乌鸦搜索算法的高参数优化技术正在利用来优化NID的性能。此外，基于XGBoost的特征选择技术用于提高NIDS方法的分类精度。最后，使用NSL-KDD和UNR-IDD数据集评估了提出的系统的性能，实验结果表明，它的性能优于基线，并且有可能在现代NID中使用。
一个用于优化深神经网络体系结构和超参数
在本文中，我们提出了Dragon（用于定向的无环形优化），这是一种自动生成效率高的深神经网络体系结构并优化其相关超参数的算法框架。该框架基于不断发展的无环图（DAG），定义比文献中现有的搜索空间更具灵活的搜索空间。它允许进行不同的古典操作的混合物：卷积，相互作用和密集的层，但也有更多新的操作，例如自我注意力。基于此搜索空间，我们建议邻里和进化搜索操作员，以选择网络的体系结构和超参数。这些搜索操作员可以与能够处理混合搜索空间的任何元疗法一起使用。我们在时间序列预测基准的时间序列上使用异步进化算法测试了我们的算法框架。结果表明，龙的表现优于最先进的手工制作的模型和汽车技术，用于在众多数据集上预测时间序列。Dragon已被实施为Python开源软件包1。关键字：神经体系结构搜索，超参数优化，元启发式学，进化算法，时间序列预测
太棒了！开发和使用瑞士军刀......
tadah！代码提供了一个多功能平台，用于开发和优化机器学习间的原子质潜力（MLIP）。通过集成综合描述符，它允许对系统交互的细微表示，并具有独特的截止函数和交互距离。tadah！支持贝叶斯线性回归（BLR）和内核脊回归（KRR），以增强模型的准确性和不确定性管理。关键特征是其超参数优化周期，迭代精炼模型体系结构以提高可传递性。这种方法结合了构图的限制，将预测与实验和理论数据保持一致。tadah！提供了一个用于LAMMP的接口，从而使MLIP在分子动力学模拟中的部署。它专为广泛的可及性而设计，支持桌面和HPC系统上的并行计算。tadah！利用模块化的C ++代码库，利用编译时间和运行时多态性来灵活性和效率。神经网络支持和预定义的粘结方案是潜在的未来发展，以及塔达！仍然对社区驱动的功能扩展开放。综合文档和命令行工具进一步简化了MLIP的开发和应用。
一种新型的VAE分子生成模型与变压器结合了未见结构的生成
最近，在药物发现中积极研究了使用深度学习的分子产生。在该领域，变压器和VAE被广泛用作强大的模型，但由于结构和性能不匹配，它们很少被用作组合。本研究提出了一个模型，该模型通过处理多种分子的结构和参数优化结合了这两个模型。所提出的模型显示出与现有模型生成分子相当的性能，并且在具有看不见的结构的产生分子时表现出了较高的性能。该VAE模型的另一个优点是它从潜在的表示中产生分子，因此可以很容易地通过它预测或条件，实际上，我们证明该模型的潜在表示成功地预测了分子特性。消融研究表明，VAE比其他生成模型（如语言模型）在产生新分子方面具有优势。还表明，潜在表示可以缩短为〜32维变量而不会丢失重建，这表明比现有的分子描述符或模型更小。这项研究有望提供一个虚拟化学文库，其中包含多种化合物用于虚拟筛选并实现有效筛选。