XiaoMi-AI文件搜索系统
World File Search System性能模型
用于工业制造中使用的高功率激光器的环形光束轮廓的分析建模和表征
主动纤维激光器在行业中广泛用于不同的制造应用，从切割到焊接和添加剂制造。最近引入了多核光纤激光器，这些源可以灵活地将功率密度分布（PDD）从常规高斯曲线转换为环形形状。尽管仍在探索新颖光束比传统束相比的优势，但建模工具来定义PDD形状的需求变得更加明显。这项工作研究了高斯对环轮廓的分析建模，目的是朝着标准化参数转向制造过程。所提出的模型结合了高斯和环形成分，以定义新型梁形状。在评估的不同模型中，圆环和多高斯方法表现出最佳拟合质量，从而实现了PDD描述性指标的定义。开发的建模框架已在具有双核光源的工业激光粉末融合（LPBF）系统上进行了验证。评估了沿传播轴的光束形状变化，以分析使用开发的梁参数散腹的效果。最终，最佳性能模型通过板体验的珠子进一步验证，以解释如何使用高斯或环形梁曲线共同利用模型系数来预测材料响应。
模拟还是数字内存计算？通过定量建模进行基准测试
摘要 - 内存计算（IMC）已成为边缘的能效，吞吐量和面积的机器学习的有希望的范式。但是，已发表的IMC实现中硬件体系结构，阵列维度和制造技术的差异使得很难掌握它们的相对优势。此外，以前的研究主要集中于探索和台式，标记了单个IMC宏的峰值性能，而不是在实际工作负载上进行完整的系统性能。本文旨在解决对模拟内存计算（AIMC）和数字内存计算（DIMC）处理器体系结构的定量比较的缺乏。我们提出了一个分析性IMC性能模型，该模型已针对已发表的启动进行了验证，并将其集成到系统级勘探框架中，以便对具有不同IMC配置的不同工作负载进行全面的性能评估。我们的实验表明，虽然DIMC通常比AIMC更高，但具有较大宏观尺寸的AIMC比在卷积层和尖端的层中的DIMC具有更好的能量效率，这可以利用高空间传播。另一方面，具有小宏大小的DIMC在深度层上优于AIMC，这在宏内具有有限的空间展开机会。索引术语 - 机器学习，定量建模，模拟内存计算，数字内存计算
精密热控制技术使望远镜具有热稳定性
摘要。精密热控制 (PTC) 项目是一项多年的努力，于 2017 财年启动，旨在完善超热稳定紫外/光学/红外空间望远镜主镜组件所需的技术就绪水平 (TRL)，以对系外行星进行超高对比度观测。PTC 有三个目标：(1) 验证热光学性能模型，(2) 推导热系统稳定性规范，(3) 演示多区域主动热控制。PTC 成功实现了其目标，并将主动热控制技术成熟到至少 TRL-5。PTC 的主要成就是演示了 1.5 米超低膨胀 (ULE ® ) 先进镜面技术开发-2 (AMTD-2) 镜面在相关热/真空环境中暴露于热扰动时优于 2 mK 均方根稳定热控制，以及将 1.5 米 AMTD-2 镜面塑造成皮米精度的能力。此外，还展示了一种分析方法，用于量化热诱导的中空间频率误差，这种误差可能导致日冕仪黑洞中的散斑噪声。© 作者。由 SPIE 根据知识共享署名 4.0 国际许可发布。分发或复制本作品的全部或部分内容需要完全署名原始出版物，包括其 DOI。[DOI：10.1117/1.JATIS .8.2.024001]
dexter：通过扩散模型学习和控制性能表达
摘要：在追求使用人工智力的发展表达音乐性能模型时，本文介绍了Dexter，Dexter是一种利用扩散概率模型来实现西方古典钢琴表演的新方法。性能渲染任务中面临的主要挑战是随着时间的推移表达时机和动态的连续和顺序建模，这对于捕捉表征现场音乐表演的不断发展的细微差别至关重要。在这种方法中，性能参数在连续的表达空间中表示，并且训练了扩散模型，以预测这些连续参数，同时以乐谱为条件。此外，Dexter还可以通过共同以分数和感知性表征来指导，以感知有意义的特征引导的解释（表达性变化）。因此，我们发现我们的模型对于学习表达性能，产生感知转向的表演以及转移性能样式很有用。我们通过定量和定性分析来评估模型，重点介绍有关诸如异步和发音等维度的特定绩效指标，以及通过将产生的性能与不同人类解释进行比较的听力测试。结果表明，Dexter能够捕获表达性pa-Rameters的随时间变化的相关性，并且与主观评估的评分中的现有渲染模型进行了很好的比较。通过预测不同转向性能的感知特征的代理模型，通过委托模型来验证dexter的感知功能的生成和传递能力。
带有参考物体的推理路径在大视觉模型中引起定量空间推理
尽管最近展示了视力模型的进步，但使用自然语言描述图像中复杂关系的能力，但它们对物体大小和距离进行定量研究的能力仍未得到充实。在这项工作中，我们介绍了一个手动注释的基准Q-As-Spatial Batch，其中有271个问题，旨在定量空间原因，并系统地研究了最新的VLMS对此任务的表现。我们的分析表明，对物体之间的差异的推理对SOTA VLM尤其挑战。但是，有些VLM的表现明显优于其他VLM，两个最佳性能模型之间的差距超过40点。我们还令人惊讶地观察到，当使用参考对象的推理路径在响应中自然出现时，表现最佳VLM的成功率会增加19点。受到这一观察的启发，我们开发了一种零射击提示技术，即“空间”，该技术鼓励VLMS使用参考对象作为视觉提示，从而鼓励VLMS进行定量的空间问题。通过指示VLM通过空间启示，Gemini 1.5 Pro，Gemini 1.5 Flash和GPT-4V在其理性路径中使用参考对象，将其成功率提高了40、20和30点，并显着地提高了其成功率。我们强调，可以获得这些重大改进，而无需更多的数据，模型架构修改或微调。1
铁路语义分段的多上下文点云数据集和机器学习
摘要：铁路场景的理解对于各种应用程序至关重要，包括自主火车，数字缠绕和基础设施变更监控。但是，后者的开发受到现有算法缺乏注释的数据集和局限性的限制。为了应对这一挑战，我们提出了铁路3D，这是铁路环境中语义细分的第一个综合数据集，并进行了比较分析。Rail3D涵盖了来自匈牙利，法国和比利时的三种不同的铁路环境，捕获了各种各样的铁路资产和条件。有超过2.88亿个注释点，Rail3D超过了大小和多样性的现有数据集，从而可以训练可概括的机器学习模型。我们进行了一个通用的分类，该分类使用了九个通用类（地面，植被，铁路，电线，信号，围栏，安装和建筑物），并评估了三种最先进模型的性能：KPCONV（内核点卷积），LightGBM和随机森林。最佳性能模型，一种经过的kPCONV，在联合（MIOU）上达到了平均值为86％。基于LightGBM的方法获得了71％的MIOU，但表现优于随机森林。这项研究将通过为3D语义细分提供全面的数据集和基准，从而使基础设施专家和铁路研究人员受益。数据和代码可公开用于法国和匈牙利，并根据用户反馈进行连续更新。
汽车工程中的材料科学 提高燃油效率的轻质材料
减轻车辆重量可提高效率，从而影响运输能耗。燃料中 85% 以上的能量会因传动系统的热效率和机械效率低下而损失 1，而剩余的 12-15% 则用于克服阻碍前进运动的牵引力。2 在这些牵引力中，车辆重量对惯性（加速度）和滚动阻力的影响最大，而空气动力与质量关系不大。虽然质量与惯性和摩擦力之间的具体关系已广为人知，但要计算车辆重量减轻对能源效率的确切影响却很复杂，原因包括车队组合、质量分解（即减轻车身等部件的质量可使用重量更轻的系统，如刹车和悬架）以及车辆设计决策。一些研究已经使用实证技术探索了质量与燃料消耗之间的关系。对 2008 年款车型的整备质量与二氧化碳 (CO 2 ) 排放量（与燃油消耗相关的效率衡量指标）进行线性回归分析表明，车辆重量减轻 10% 与 CO 2 排放量减少 8% 相关。3 将整备质量和燃油消耗数据与车辆性能标准化技术相结合的模型表明，车辆重量减轻 10% 图 8.D.1 车辆轻质材料使用趋势8 轿车的燃油消耗减少 5.6%，轻型卡车的燃油消耗减少 6.3%。4 其他研究使用了更复杂（但仍以经验为基础）的模型。一个详细的基于物理的车辆性能模型，该模型是几个
挑战机器学习算法在预测脆弱的JavaScript函数Rudolf Ferenc†，p´eter Hegedus ∗，p´eter gyimesi†，g´abor
摘要 - 网络犯罪活动的迅速上升以及受其威胁越来越多的设备将软件安全问题引起了人们的关注。由于所有攻击中约有90％利用已知类型的安全问题，因此寻找脆弱的综合和应用现有的缓解技术是与网络犯罪作斗争的可行实际方法。在本文中，我们研究了最新的机器学习技术（包括流行的深度学习算法）如何在预测JavaScript程序中可能具有安全性漏洞的功能方面执行。我们应用了8个机器学习算法来构建从节点安全项目和SNYK平台的公共数据库中为本研究构建的新数据集构建预测模型，并从GitHub中构建了代码修复补丁。我们使用静态源代码指标作为预测变量和广泛的网格搜索算法来找到最佳的性能模型。我们还研究了各种重新采样策略的影响，以处理数据集的不平衡性质。最佳性能算法是KNN，该算法为预测弱势函数的模型以0.76（0.91 Precision和0.66召回）的预测模型。此外，深度学习，基于树木和森林的分类器和SVM具有竞争力，其F-MEASERIORS超过0.70。尽管F-测量结果与重新采样策略没有很大差异，但精度和召回的分布确实发生了变化。似乎没有重新采样似乎会产生偏爱高精度的模型，而重新采样策略可以平衡IR措施。索引术语 - 泄气性，JavaScript，机器学习，深度学习，代码指标，数据集
基于机器学习的鉴定和抑郁症患者的糖尿病患者基于韩国国家健康和营养检查调查：横断面研究
糖尿病患者（DM）患有抑郁症的可能性是非糖尿病患者的两倍，这是一种普遍但通常未诊断的精神病合并症。DM抑郁症患者的血糖控制较差，生活质量较差，糖尿病并发症的风险增加以及死亡率更高。本研究旨在开发机器学习（ML）模型，以鉴定DM患者的抑郁症，通过评估多种ML算法来确定最佳性能模型，并研究与抑郁症有关的特征。我们开发了六个ML模型，包括随机森林，K-Neart邻居，支持向量机（SVM），自适应提升，轻度梯度增强机以及基于韩国国家健康和营养检查调查的极端梯度提升。结果表明，SVM模型的性能很好，在接收器操作特征曲线下的跨验证区域为0.835（95％置信区间[CI] = 0.730-0.901）。13个特征与DM患者的抑郁有关。置换特征的重要性表明，最重要的特征是主观健康状况，其次是一般压力意识的水平；压力识别率；平均每月收入；甘油三酸酯（mg/dl）水平；活动限制状态；欧洲生活质量（Euroqol）：过去1个月的病床通常活动和躺在病床中； EuroQol：过去2周内的疼痛 /不适，自我保健和身体不适；和Euroqol：流动性和咀嚼问题。目前的发现可能会使临床医生使用ML方法更好地了解DM与抑郁症之间的关系，并且可能是开发更具预测性模型的第一步，用于早期检测DM患者的抑郁症状。
考虑到电力共享策略影响
混合储能系统（HESS）结合了针对整体系统性能和寿命改进的不同储能技术。在这项工作中，研究了用于研究HESS设计的钒氧化还原流量电池（VRFB，5/60 kW/kWh）和锂离子电池（LIB，3.3/9.8 kW/kWh）的控制组合。文献综述介绍了正在全世界在电池中研究和应用的可用能源管理/功率分配选项。有必要有机会解决更好的HESS配置建筑应用的经济和能源观点。与单盘情景相比，基于能源管理的情况下，对这种赫斯的投资的理由应改善指标。在这种情况下，使用实验验证的电池性能模型，通过15年的经济和充满活力的分析，认为实时算法应用方法的四种方案可以通过15年的经济和能量分析来运行混合存储解决方案。将每种情况获得的结果与单个技术电池性能进行比较，以分析这种赫斯对竞争力以及在不同的ESS技术中的功率共享技术的相关性，这应该加权。在场景的定义中，从两个太阳能光伏装置（3.2 kwp和6.7 kwp）和服务建筑物的估计代表负载中考虑了实际的发电。hess Perfor mance通过特定的能源和经济关键绩效指标进行评估。结果表明，使用定制的能源管理策略（EMSS）使VRFB和LIB特征表现出了统治，除了增强VRFB作为单个技术的竞争力之外。此外，赫斯管理会影响季节性因素，从而有助于整个电力系统智能管理。