关键词:控制系统、燃气涡轮发动机、液力机械系统、全权限数字电子控制 (FADEC)、数字电子发动机控制 (DEEC) 1.0 简介 任何发动机控制系统的目标都是让发动机在给定条件下以最高效率运行。此任务的复杂性与发动机的复杂性成正比。从历史上看,喷气发动机一直由液力机械控制系统控制,该系统由飞行员控制的简单机械连杆组成。随着发动机变得越来越复杂,控制信号越来越多,对性能和功能的要求越来越高,电子控制系统应运而生 [1]。当今用于飞机推进的现代航空发动机在过去 60 年中发展成为现在的形式,控制技术在提高性能、可靠性、使用寿命和安全性方面发挥着关键作用。今天,所有现代航空发动机都由全权限数字电子控制 (FADEC) 系统或电子和液力机械系统的组合控制。在许多这些系统中实现的控制功能并没有太大变化。仅使用燃料流量进行速度控制并限制瞬态过程中的流量的原理,就像在第一套液压机械系统中一样
农业部门占全球国内生产总值的三分之一左右。然而,人口增长趋势导致粮食需求量增加。土壤质量、养分供应、环境条件以及土壤的生物健康是提高单位面积作物产量以实现粮食安全目标的重要标准,尽管化学肥料的养分含量高,能够加快作物的生长速度,但大量使用化学肥料也被证明会对土壤质量、土壤养分、水、环境以及最终的植物和人类健康产生有害影响。生物肥料是这些肥料的替代品,由于其具有环保、经济高效和易于在农业领域应用等特点,如今应运而生。生物肥料是一批多样化的微生物,即使在非生物胁迫条件下,也可以促进植物生长和土壤健康。所有这些都使它们在可持续农业中变得越来越重要。在大多数农业系统中,氮通常是决定作物产量的限制性养分;这就是为什么从多个角度讨论了增强氮营养和增强磷营养的生物肥料。本研究旨在探索微生物生物肥料在农业应用和粮食安全整体解决方案的潜力和前景。
我们将量子资源理论的工具扩展到存在多个量(或资源)的场景,它们的相互作用决定了物理系统的演化。我们推导出这些资源相互转化的条件,这些条件概括了热力学第一定律。我们研究了多资源理论的可逆性条件,发现与理论不变集的相对熵距离在资源的量化中起着根本性的作用。一般多资源理论的第一定律是一个单一关系,它将状态转换过程中系统属性的变化与交换资源的加权和联系起来。事实上,这个定律可以被看作是将不同状态集的相对熵的变化联系起来。与典型的单一资源理论相比,自由状态和不变状态集的概念在多重约束的情况下变得截然不同。此外,亥姆霍兹自由能、绝热和等温变换的推广也应运而生。因此,我们有了一套通用量子资源理论定律,这些定律概括了热力学定律。我们首先在具有多个守恒定律的热力学上测试这种方法,然后将其应用于能量限制下的局部操作理论。
我们将量子资源理论的工具扩展到存在多个量(或资源)的场景,它们的相互作用决定了物理系统的演化。我们推导出这些资源相互转化的条件,这些条件概括了热力学第一定律。我们研究了多资源理论的可逆性条件,发现与理论不变集的相对熵距离在资源的量化中起着根本性的作用。一般多资源理论的第一定律是一个单一关系,它将状态转换过程中系统属性的变化与交换资源的加权和联系起来。事实上,这个定律可以被看作是将不同状态集的相对熵的变化联系起来。与典型的单一资源理论相比,自由状态和不变状态集的概念在多重约束的情况下变得截然不同。此外,亥姆霍兹自由能、绝热和等温变换的推广也应运而生。因此,我们有了一套通用量子资源理论定律,这些定律概括了热力学定律。我们首先在具有多个守恒定律的热力学上测试这种方法,然后将其应用于能量限制下的局部操作理论。
摘要:步态和平衡直接影响患者的独立性和生活质量。由于预期寿命的提高,患有神经系统疾病的患者数量呈指数级增长,步态和平衡障碍是主要副作用。在此背景下,使用康复机器人设备作为恢复步态和平衡功能的有效补充工具应运而生。在康复设备中,末端执行器具有一些优势,并已显示出令人鼓舞的结果。本研究的目的有两个:提出步态和平衡康复设备的一般分类,并回顾现有的用于此类目的的末端执行器。我们将设备分为五类:跑步机、外骨骼、患者引导系统、扰动平台和末端执行器。总体而言,文献中确定了 55 种末端执行器,其中 16 种已商业化。我们发现,能够提供两种康复类型的末端执行器(2/55)和专注于平衡(21/55)或步态(32/55)的数量不成比例。从机械角度(自由度、拓扑和训练模式)分析它们的特征,使我们能够确定并联机械手作为末端执行器装置驱动机制的潜力,并提出了几个未来的研究方向。
在一个科学探究和发现层出不穷的世界里,对于那些熟悉机器学习潜力的人来说,机器学习在各个行业的大量推出并不令人意外。同样,以伦理为重点的研究也应运而生,这些研究是为了应对源自这些应用的偏见和不公平问题而出现的。公平性研究专注于对抗算法偏见的技术,现在比以往任何时候都得到更多的支持。公平性研究的很大一部分用于开发机器学习从业者在设计算法时可以用来审核偏见的工具。尽管如此,这些公平性解决方案在实践中仍然缺乏应用。本系统综述深入总结了已定义的算法偏见问题和已提出的公平性解决方案空间。此外,本评论深入分析了自发布以来解决方案领域出现的问题,并列出了机器学习从业者、公平研究人员和机构利益相关者提出的需求分类。这些需求已被整理并提交给对其实施影响最大的各方,其中包括公平研究人员、生产 ML 算法的组织以及机器学习从业者本身。这些发现可用于弥合从业者和公平专家之间的差距,并为创建可用的公平 ML 工具包提供信息。
摘要:随着计算能力的提高和海量数据集的增长,人工智能(AI)得到了迅速发展。然而,这一进步也增加了解释人工智能模型“黑箱”性质的挑战。为了解决这些问题,可解释人工智能(XAI)应运而生,它注重透明度和可解释性,以增强人类对人工智能决策过程的理解和信任。在多模态数据融合和复杂推理场景的背景下,多模态可解释人工智能(MXAI)的提出将多种模态集成在一起用于预测和解释任务。同时,大型语言模型(LLM)的出现导致了自然语言处理方面的重大突破,但它们的复杂性进一步加剧了 MXAI 的问题。为了深入了解 MXAI 方法的发展,并为构建更透明、公平和值得信赖的 AI 系统提供重要指导,我们从历史角度回顾了 MXAI 方法,并将它们分为四个时代:传统机器学习、深度学习、判别基础模型和生成式 LLM。我们还回顾了 MXAI 研究中使用的评估指标和数据集,最后讨论了未来的挑战和方向。与此评论相关的项目已在 https://github.com/ShilinSun/mxai review 上创建。
数据驱动学习是人工智能 (AI) 许多领域的最新技术,但原始统计性能次于人类的信任、理解和安全。为了在现实世界中大规模部署自主代理,具有各种背景和职责的人必须具备强大的学习和推理心理模型。然而,现代学习算法涉及复杂的反馈回路,缺乏语义基础,从人类的角度来看,它们是黑匣子。可解释人工智能 (XAI) [5] 领域应运而生,以应对这一挑战。XAI 中的大多数工作都侧重于深入了解在静态数据集上训练的分类和回归系统。在这项工作中,我们考虑由代理与其环境交互组成的动态问题。我们介绍了可解释模仿学习 (I2L) 的方法,该方法旨在通过分析黑箱代理的输入输出统计数据来建模其策略。我们称该策略模型为可解释的,因为它采用二叉决策树的形式,易于分解和可视化,可用于事实和反事实解释 [3]。我们通过明确学习代理用作决策基础的潜在状态表示,超越了模仿学习文献中大多数当前工作。在形式化我们的方法后,我们报告了在交通模拟器中实施的初步结果。
本手册是模块化代码系统(称为 SCALE)用户文档的第 4 次修订版。SCALE 代码系统的历史可以追溯到 1969 年,当时橡树岭国家实验室 (ORNL) 的当前计算应用部开始为美国原子能委员会的运输包认证人员提供计算支持,以使用新的 KENO 代码通过统计蒙特卡罗方法进行临界安全评估。从 1969 年到 1976 年,认证人员依靠 ORNL 人员的协助,正确使用代码和数据进行运输包的临界、屏蔽和传热分析。但是,认证人员了解到,如果只是偶尔使用代码,很难熟练地执行独立安全审查通常需要的计算。因此,在认证人员调往美国核管理委员会 (NRC) 后不久,NRC 工作人员提议开发一种易于使用的分析系统,该系统应具备他们熟悉的各个模块的技术能力。根据这一建议,标准化计算机许可评估分析 (SCALE) 代码系统的概念应运而生。NRC 工作人员为 ORNL 提供了 SCALE 的一些通用开发标准:(1) 专注于与核燃料设施和包装设计相关的应用,(2) 使用成熟的计算机
本手册是模块化代码系统(称为 SCALE)用户文档的第 4 次修订版。SCALE 代码系统的历史可以追溯到 1969 年,当时橡树岭国家实验室 (ORNL) 的当前计算应用部开始为美国原子能委员会的运输包认证人员提供计算支持,以使用新的 KENO 代码通过统计蒙特卡罗方法进行临界安全评估。从 1969 年到 1976 年,认证人员依靠 ORNL 人员的协助,正确使用代码和数据进行运输包的临界、屏蔽和传热分析。但是,认证人员了解到,如果只是偶尔使用代码,很难熟练地执行独立安全审查通常需要的计算。因此,在认证人员调往美国核管理委员会 (NRC) 后不久,NRC 工作人员提议开发一种易于使用的分析系统,该系统应具备他们熟悉的各个模块的技术能力。根据这一建议,标准化计算机许可评估分析 (SCALE) 代码系统的概念应运而生。NRC 工作人员为 ORNL 提供了 SCALE 的一些通用开发标准:(1) 专注于与核燃料设施和包装设计相关的应用,(2) 使用成熟的计算机
