XiaoMi-AI文件搜索系统
World File Search System实际应用
![通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。](/simg/d/dd5abf0752fcc9f891dc4a96743f916f96f28350.png)
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
环形聚合朝向全氟胞列酰丁基和邻苯二甲烯衍生的材料：从合成到实际应用
摘要：聚合物的许多理想特征源于其重复单元的聚合方法和结构特征，这些方法通常是由于可加工性成本而导致聚合物的性能。虽然线性替代方案很受欢迎，但通常证明由骨干上的循环重复单元组成的聚合物通常显示出较高的光学透明度，较低的吸收和较高的玻璃过渡温度。这些特定的包括用取代的蓝环或芳族环或两者兼而有之的聚合物。在本评论文章中，我们强调了两个有用的环形聚合物基团，每个胞核丁基（PFCB）芳基聚合物和基于 - 二烯烯丙烯 - （ODA）基于基于的二烯丙烯 - （ODA）基于良好的热稳定性，既表现出杰出的热稳定性，化学抗性稳定性，化学耐药性，机械完整性和提高的加工能力。讨论了不同的合成途径（重点放在环形聚合中）和这些聚合物的性能，然后在广泛的方面进行了相关应用。
打造人工智能实际应用环境
企划管理部 IoT应用推进部 社会基础设施解决方案本部 金融及企业解决方案本部 网络系统本部 防卫系统本部 IoT平台本部 系统中心 基础技术中心 信息通信本庄工厂 信息通信沼津工厂
b'片上微型超级电容器（MSC）是最有前途的器件之一，可集成到微/纳米级电子设备中以提供足够的峰值功率和能量支持。然而，较低的工作电压和有限的能量密度极大地限制了它们更广泛的实际应用。在此，设计了基于Ti3C2TxMXene作为负极、活性炭作为正极的高压片上MSC，并通过一种新颖的切割喷涂法简单地制造了它。通过解决MXene的过度极化，单个非对称片上MSC可以在中性电解质（PVA / Na2SO4）中提供高达1.6V的电位窗口，并具有7.8 mF cm2的高面积电容（堆栈比电容为36.5 F cm3）和大大提高的能量密度3.5 mWh cm3在功率密度为100 mW cm3时，这远远高于其他片上储能产品。此外，MSC 表现出优异的容量保持率（10,000 次循环后仍保持 91.4%）。更重要的是，MSC 可以轻松扩大为硅晶片上串联和/或并联的高度集成阵列。显然，这项研究为开发用于片上电子产品和便携式设备的高压 MXene 基 MSC 开辟了新途径。'
b'片上微型超级电容器（MSC）是最有前途的器件之一，可集成到微/纳米级电子设备中以提供足够的峰值功率和能量支持。然而，较低的工作电压和有限的能量密度极大地限制了它们更广泛的实际应用。在此，设计了基于Ti3C2TxMXene作为负极、活性炭作为正极的高压片上MSC，并通过一种新颖的切割喷涂法简单地制造了它。通过解决MXene的过度极化，单个非对称片上MSC可以在中性电解质（PVA / Na2SO4）中提供高达1.6V的电位窗口，并具有7.8 mF cm2的高面积电容（堆栈比电容为36.5 F cm3）和大大提高的能量密度3.5 mWh cm3在功率密度为100 mW cm3时，这远远高于其他片上储能产品。此外，MSC 表现出优异的容量保持率（10,000 次循环后仍保持 91.4%）。更重要的是，MSC 可以轻松扩大为硅晶片上串联和/或并联的高度集成阵列。显然，这项研究为开发用于片上电子产品和便携式设备的高压 MXene 基 MSC 开辟了新途径。'
注视眼动的实际应用...
在各种各样的研究环境中，微扫视和其他注视眼球运动的记录为实际问题提供了见解和解决方案。本文，我们回顾了有关注视眼球运动（尤其是微扫视）在应用和生态有效场景中的文献。最近的技术进步使得在观察者执行各种任务时，可以在现实世界中进行非侵入式注视眼球运动记录。因此，注视眼球运动测量已在多种现实世界场景中获得，例如与驾驶员疲劳、宇航员前庭感觉剥夺和精英运动员训练等有关。本文，我们介绍了注视眼球运动研究的实际应用的最新进展，研究了其未来的潜在用途，并讨论了在现有眼球运动检测技术中加入微扫视测量的好处。当前证据支持将注视眼球运动测量纳入现实世界环境，作为开发新的或改进的眼球运动评估工具的一部分。随着价格实惠的高速、高空间分辨率眼动仪变得越来越普遍，注视眼球运动测量在现实世界中的应用只会变得越来越大、越来越广泛。
现代科学研究及其实际应用
编辑委员会： Alexandr G. Shibaev – 技术科学博士，教授 Alexandr V. Yatsenko – 副教授，创业与创新学院院长 Sergiy M. Goncharuk – 技术科学博士，教授，俄罗斯交通科学院和国际信息化学院院士，俄罗斯交通荣誉工作者 Denis V. Lomotko – 技术科学博士，乌克兰国家铁道运输学院副校长，乌克兰交通科学院副院长 Inna A. Lapkina – 经济学博士，教授。 Sergiy I. Rylov – 经济学博士，教授。 Julia L. Kantarovich – 艺术史科学博士 Elena V. Kirillova – 博士，副教授 Petrov I – 博士，副教授。 Demidova V - 教育学博士 Stovpets A. - 哲学博士，副教授 Stovpets V. - 语言学博士，副教授 Alexandra D. Markova 出版者：Kupriyenko SV 关于 SWorld 项目 P.O. Box 38, Odessa, 65001Ukraine 电话：+380667901205 电子邮件：orgcom@sworld.com.ua 网站：www.sworld.com.ua
指挥和参谋培训以及 HLA 的实际应用
摘要 在过去三年中，位于堪萨斯州莱文沃思堡的指挥与参谋学院和训练与条令司令部分析中心以及训练与条令司令部陆军实验/转型计划办公室赞助了多项培训活动，使用先进的模拟技术来推动参谋培训活动。推动这些活动的设备和软件套件被称为数字领导者反应课程 (DLRC)。DLRC 的主要目标是训练战斗人员利用信息战的进步来赢得下一场战争。它为培训领导者提供了一个环境，让他们了解如何在时间受限的数字化环境中可视化战场并做出战术决策。挑战在于以最具成本效益的方式创建这种环境，以驱动参谋人员的感觉，使他们完全沉浸在正在进行的战斗中，让幻想变成现实。本文将描述此环境，重点介绍高级架构的使用及其在促进多个软件应用程序快速联合方面的重要性。本文的背景是本财年正在进行的 TRADOC 陆军转型计划，旨在开发临时旅战斗队 (IBCT) 高级领导人培训课程。。