XiaoMi-AI文件搜索系统
World File Search System反复试验
化学的高级深度学习课程
化学的高级深度学习课程标题：深度学习和强化学习在分子产生中的应用。持续时间：12小时的课程 +独立工作（〜10小时）。先决条件： - Python的好指挥。- 配备了GPU或Google Colab的计算机。- 深度学习基础知识（对反向传播的良好理解是必不可少的）。实用项目：通过增强学习产生分子。摘要：本课程主要侧重于加强学习，这是一种机器学习技术，在该技术中，代理商学习为顺序行动制定策略。参与者将深入了解深度学习和深度增强学习的优势和局限性，探索各种分子表示，产生分子并可视化结果。强化学习模仿了行为心理学中研究的动物和人类中观察到的学习过程。RL算法通过反复试验学习。因此，对代理人进行了训练以最大程度地提高累积奖励。尽管增强学习算法非常强大，但用户必须开发专门的技能才能正确利用它们。宏观技能：
自动植物浇水系统
自动植物浇水系统的创建旨在通过基于土壤湿度水平的自动灌溉来简化植物护理和维持植物健康所需的工作。该项目使用 Arduino Uno 微控制器作为系统的核心，集成了土壤湿度传感器、继电器模块和微型水泵，以监测土壤状况并在需要时供水。该系统使用在线购买的套件中的可用组件和在线找到的 Arduino 代码构建而成。主要目标是创建一种经济高效且易于组装的解决方案，以减少灌溉中对人为干预的需求并防止灌溉不足或过度。通过实时分析土壤湿度，系统仅在必要时启动水泵，确保最佳用水量。在开发过程中，通过反复试验以及额外的在线指南解决了传感器校准、泵控制和电路设计等挑战。结果表明，该系统可以可靠运行，准确响应不同的湿度条件。潜在的改进将包括一个可以取代插入计算机的系统。总的来说，这个系统表明自己是一个有价值的工具。关键词 自动化、Arduino-Uno、灌溉、DIY、湿度传感器、节水、园艺
飞行器的建模、仿真、分析和稳定...
本论文旨在开发一种基于具有六个自由度的飞翼非线性模型的逼真模拟器，目的是将其用作研究不同环境中的飞机的工具，以及用于任务规划和稳定性控制设计，为 HABAIR 项目提供进一步的概念验证。此类工具可用于验证飞机设计，最大限度地减少物理实施中的反复试验过程。这种类型的飞机在过去几年中越来越受欢迎，可以进行具有成本效益的测绘、监控和监视。为了保证模拟器的真实性，大气、空气动力学和推进模型与刚体运动的牛顿-欧拉方程和运动学方程相结合。飞翼飞行包线是根据高度和空速确定的。开发了修剪和线性化函数作为实现和分析非线性模型的线性化版本的方法。线性化后的纵向和横向模型允许应用经典分析工具来评估整个飞行包线内的系统动力学。通过比较非线性和线性化模型的响应来验证修剪和线性化功能。最后，介绍了模拟器的实现，以及对飞机模型的机动性、动力学、可控性的研究，确保了使用的可行性
弥漫性大B细胞淋巴瘤模型的概述
摘要：淋巴瘤研究是诊断和治疗领域基础研究和临床研究整合的范式。目前使用临床，表型和遗传数据来预测哪些患者可以从标准治疗中受益。然而，通常会根据反复试验和错误在经验上提出了较高风险患者的替代疗法，而无需考虑侵袭性B细胞淋巴瘤的遗传复杂性。这主要是由于淋巴瘤中遗传和表观遗传改变的复杂镶嵌物，这是预测哪种药物对任何给定患者有效的障碍。通过直接测试活组织，将患者的基因与药物敏感性相匹配，包括“精确医学”概念。但是，对于淋巴瘤，应扩大基因组学的扩展，最终为需要替代治疗方法的患者提供更好的治疗选择。我们概述了弥漫性大的B细胞淋巴瘤基因组学的最新发现，从用于研究肿瘤生物学的经典功能模型以及使用细胞系和小鼠模型对实验处理的反应到针对球形/类动物模型的最新方法。我们还讨论了它们对日常临床实践的潜在相关性和适用性。
Meniere病：以患者为中心的决策指南
我们很高兴您在UCSF寻求您的护理！我们已经注意到，患者就诊的时间不足以彻底介绍有关梅尼尔氏病等复杂话题的所有重要信息。因此，我们编写了该患者指南，希望有助于填补空白，并为您提供有关我们对Meniere病的管理方法的详细信息。您已经意识到，梅尼尔氏病没有快速简便的答案。通常，我们的治疗方法是“反复试验”，我们将在其中启动治疗，并在尝试其他治疗方案之前查看它是否适合您。因此，我们一起搭档以确定一个良好的治疗计划非常重要。通常，我们对梅尼尔氏病的患者的指示较少。相反，我们认为我们的工作是对患者进行各种可用治疗方案的教育。患者将返回随访，并报告他们的经验。例如，“低盐饮食工作了一段时间，但是在上个月我遭受了几次不良攻击。我们可以尝试类固醇注射吗？”鉴于我们与您的合作伙伴关系，对于您来说，了解Meniere疾病，可用的不同治疗方案以及每个人的风险和好处这里提供的许多信息来自几年前Sharon博士写的一篇文章。1
偏好对人对齐的优化优化
大型语言模型（LLMS）通常包含误导性内容，强调需要使它们与人类价值观保持一致以确保安全的AI系统。从人类反馈（RLHF）中学习的强化已被用来实现这一路线。然而，它包括两个主要的抽签：（1）RLHF表现出与SFT相反的对超参数的复杂性，不稳定和对超参数的现象。（2）尽管进行了大规模的反复试验，但多次抽样却降低为配对的对比度，因此缺乏宏观角度的对比度。在本文中，我们提出优先排名优化（PRO）作为有效的SFT算法，以直接对人类对齐进行微调。pro扩展了逐对的骗局，以适应任何长度的偏好排名。通过迭代对比候选人，Pro指示LLM优先考虑最佳响应，同时逐步对其余响应进行排名。以这种方式，Pro有效地将Human对齐方式转换为LLM产生的N重点的概率排名与Humans对这些响应的偏好排名。实验表明，Pro的表现优于基线算法，通过基于自动的，基于奖励的GPT-4和人类评估，与CHATGPT和人类反应取得了可比的结果。
哲学。精神病学通讯| aapp
亚瑟·克里格（Arthur Krieger）是博士学位。坦普尔大学（美国宾夕法尼亚州费城）哲学系的候选人。他从事行动哲学，精神病学哲学和生物伦理的工作。 他主要是关于上瘾的代理的文章，认为成瘾是一种强迫性 - 在哲学家中引起了争议。 他目前正在开发有关开处方习惯性药物的伦理的论文，以及实际必要性的形而上学。 亚瑟（Arthur）的博士工作由尤金·奇斯伦科（Eugene Chislenko）教授监督。 亚瑟（Arthur）的贾斯珀斯（Jaspers）奖提交，“成瘾中可靠的禁欲的认识论预示”提出，大多数瘾君子失去了可靠戒除的能力，同时仍然能够恢复这种能力。 他认为，成瘾中的可靠禁欲需要特殊的自我知识和元认知技能，通常必须通过反复试验和其他人的重大帮助来学习。 在这张照片上，尽管许多人康复了，但很容易看出成瘾是一种强迫。 欧文·弗拉纳根（Owen Flanagan），伦纳特（Lennart Nordenfelt），艾伦·马拉特（G. Alan Marlatt）和钱德拉·斯里帕达（Chandra Sripada）的作品强烈了解了“认知先决条件模型”。他从事行动哲学，精神病学哲学和生物伦理的工作。他主要是关于上瘾的代理的文章，认为成瘾是一种强迫性 - 在哲学家中引起了争议。他目前正在开发有关开处方习惯性药物的伦理的论文，以及实际必要性的形而上学。亚瑟（Arthur）的博士工作由尤金·奇斯伦科（Eugene Chislenko）教授监督。亚瑟（Arthur）的贾斯珀斯（Jaspers）奖提交，“成瘾中可靠的禁欲的认识论预示”提出，大多数瘾君子失去了可靠戒除的能力，同时仍然能够恢复这种能力。他认为，成瘾中的可靠禁欲需要特殊的自我知识和元认知技能，通常必须通过反复试验和其他人的重大帮助来学习。在这张照片上，尽管许多人康复了，但很容易看出成瘾是一种强迫。欧文·弗拉纳根（Owen Flanagan），伦纳特（Lennart Nordenfelt），艾伦·马拉特（G. Alan Marlatt）和钱德拉·斯里帕达（Chandra Sripada）的作品强烈了解了“认知先决条件模型”。
建筑能耗校准文献综述...
校准模拟是使用现有的建筑模拟计算机程序并“调整”或校准程序的各种输入的过程，以便观察到的能源使用情况与模拟程序预测的能源使用情况密切匹配。采用这种方法的两个主要原因是它允许 (1) 更可靠地识别现有建筑中的节能和需求减少措施（涉及设备、操作和/或控制变化）和 (2) 在实施这些措施后增强对监测和验证过程的信心。从历史上看，校准过程是一种艺术形式，不可避免地依赖于用户知识、过去的经验、统计专业知识、工程判断和大量的反复试验。尽管专业界对此有广泛的兴趣，但不幸的是，尚未发布关于如何使用详细的模拟程序进行模拟校准的共识指南。ASHRAE 发起了一项研究项目 (RP-1051)，旨在从现有研究成果中筛选出最佳工具、技术、方法和程序，并开发一种连贯而系统的校准方法，其中包括“参数估计”和校准模拟中不确定性的确定。本文对校准模拟技术进行了中肯而详细的文献综述，描述了它们的优点、缺点和适用性，从而作为在后续论文中报告研究项目结果的先行者。
ard-vae：一种统计公式，以找到变异自动编码器的相关潜在维度
变异自动编码器（VAE）[19，41]是一个人口，深，潜伏的模型（DLVM），这是由于其简单而有效的数据用于建模数据分布。优化VAE目标函数比其他DLVM更易于管理。VAE的瓶颈维度是一个至关重要的设计选择，并且对模型的性能具有很强的冲突，例如使用VAE学到的代表来找到数据集的隐藏解释因素。但是，VAE的潜在维度的大小通常被视为通过反复试验和误差经验估计的高参数。为此，我们提出了一个统计公式，以发现建模数据集所需的潜在因素。在这项工作中，我们在潜在空间中使用层次先验，使用编码数据估算潜在轴的方差，该数据标识了相关的潜在维度。为此，我们用层次的先验代替了VAE客观功能中的固定先验，使剩余的配方保持不变。我们将所提出的方法称为变异自动编码器（ARD-VAE）1中的自动相关性检测。我们证明了ARD-VAE在多个基准数据集中找到相关的LATENT尺寸及其对不同评估的效果（例如FID得分和分离分析分析）的疗效。
加速科学模拟和设计Kamyar Azizzadenesheli 1，Nikola Kovachki 1，Zongyi li 2，Miguel Liu-Schiaffini
科学发现和工程设计目前受到物理实验的时间和成本的限制，主要是通过需要深入域专业知识的反复试验和直觉选择。数值模拟是物理实验的替代方法，但由于现有数值方法的计算要求，通常对于复杂的现实世界域而言是不可行的。人工智能（AI）通过开发快速数据驱动的替代模型来提出潜在的范式转移。尤其是一个称为神经操作员的AI框架提出了一个原则上的框架，用于在连续域上定义的功能之间学习映射，例如时空过程和部分微分方程（PDE）。他们可以在训练期间看不见的新位置推断和预测解决方案，即执行零拍的超分辨率。神经操作员可以在许多应用中增强甚至替换现有的模拟器，例如计算流体动力学，天气预报和材料模型，而速度更快4-5个数量级。此外，可以将神经操作员与物理和其他领域的约束集成在一起，以获得更高的重点，以获得高保真的解决方案和良好的概括。由于神经操作员是可区分的，因此他们可以直接优化用于反设计和其他反问题的参数。我们认为，神经操作员提出了一种变革性的模拟和设计方法，从而可以快速的研发。