XiaoMi-AI文件搜索系统
World File Search System性能预测
公用事业规模电池存储的成本预测：2021 年更新
执行摘要 在这项工作中，我们描述了公用事业规模锂离子电池系统的成本和性能预测的发展，重点是 4 小时持续系统。这些预测是根据对考虑公用事业规模存储成本的近期出版物的分析得出的。这一系列出版物表明，随着时间的推移，电池存储的预计成本降低幅度存在很大差异。图 ES-1 显示了从文献中收集的一系列预计成本降低（以标准化为基础）（以灰色显示）以及本研究中开发的低、中、高成本预测（以黑色显示）。图 ES-2 显示了基于这些预测的 4 小时电池系统的总资本成本，2030 年的存储成本分别为 143 美元/千瓦时、198 美元/千瓦时和 248 美元/千瓦时，2050 年的存储成本分别为 87 美元/千瓦时、149 美元/千瓦时和 248 美元/千瓦时。还讨论了电池变量操作和维护成本、寿命和效率，并根据调查的出版物选择了推荐值。
用于优化半导体的量子启发式人工智能模型
半导体技术的快速发展需要创新方法来提高器件的性能和效率。本文讨论了使用量子启发式人工智能模型作为优化半导体器件的先进解决方案。我们在真实数据集的帮助下创建和训练这些人工智能模型，以准确预测和改进不同半导体元件的重要性能参数。与传统的优化方法不同，量子启发式人工智能利用量子计算原理的力量更有效地探索复杂的参数空间，从而产生远远优越的优化结果。我们的实验进一步表明，此类模型在性能预测方面具有更高的准确性，并且将优化所需的时间和计算资源减少了几个数量级。所提出的方法可以通过集成真实数据来实现这一点，从而使整个方法实用且稳健。克服这些挑战将有助于半导体行业满足速度、尺寸和能源效率不断增长的需求。本文研究了量子启发式人工智能为下一代电子技术半导体设计和制造领域带来革命性的潜力。
特刊 - 纳米材料
人工智能（AI）的最新进步彻底改变了用于储能技术（包括超级电容器和电池）的先进纳米材料的开发。AI驱动的方法可以使设计和发现，结构优化以及精确材料的性能预测，从而增强了储能解决方案。AI在材料设计中的整合促进了新型高性能纳米材料的识别。基于AI的未来可持续能源材料创新和可再生能源系统的具有成本效益的储能解决方案是重中之重。Subtopics of focus may include: Advanced energy storage materials;Novel new dimensions: Carbon-based nanomaterials and their heteroatom- doped GO, RGO, CNT, CNFs;Artificial Intelligence and future energy research;Artificial Intelligence for energy storage materials discovery;Solar-based and hybrid energy storage innovations and AI;AI for supercapacitor development: merits and demerits;AI for battery materials design;Behind安全电动电动电动电动电池的锂离子电池和替代电池系统。
2021 年博士和硕士研究主题
研究领域的一般描述：第四次工业革命，或工业 4.0，是制造技术中自动化和数据交换的当前趋势，人们对许多其他领域的兴趣也日益浓厚。工业 4.0 愿景依赖于关键的支持技术，例如信息物理系统 (CPS)、物联网 (IoT) 和云计算服务。我们的研究重点是开发反映现实的架构，用于三个级别的 CPS 的多领域实施：(1) 在“智能连接级别”，考虑无线通信和传感器网络等物联网相关问题。(2) “数据到信息转换级别”考虑诸如组件机器健康和退化的智能分析以及性能预测等问题。(3) “网络层”考虑了诸如组件和机器的孪生模型（或数字孪生）、机器时变识别和记忆以及数据挖掘的数据聚类等问题。我们还考虑了人类及其集成的作用，既作为任务执行者，又作为决策者，作为 CPS 以及与工业 4.0 环境中的其他 CPS 的集成。我们对控制架构的适应性以及使用技术（例如协作机器人和增强现实）来促进这种集成感兴趣。更多信息可在 www.sun.ac.za/mad 上找到。
数字孪生、模型和参数估计简介
报告介绍了建筑环境中的数字孪生概念。报告指出，数据和以这些数据为基础的模型对于构建数字孪生至关重要。根据建模方法，模型分为白盒、灰盒和黑盒模型，根据建模问题，分为正向和反向模型。报告解释了这些模型中的每一个，以阐明如何根据可用数据和要实现的目标类型选择模型。目标可以是性能预测、参数估计、控制、优化和故障检测和诊断。报告的下一部分简要介绍了参数估计模型。参数估计模型本质上是灰盒模型。它们在做出改造决策时很有用，因为它们有助于描述现有房屋的特征，并检查拟议改造方案的有效性。报告阐明了数据选择和热网络配置选择如何影响估计参数。它还进一步解释了为什么需要详细测量来验证参数估计模型。报告的最后一部分简要描述了行为模型、实施这些模型的挑战以及将它们纳入其中以缩小性能差距的重要性。该报告包括来自科学文献的几个行为模型示例，重点介绍了所使用的数据、建模方法和居住者行为研究
农历着陆系统的设计和分析
摘要：在航天器的整体设计和性能预测中，旨在完成月球上的微妙着陆时，着陆阶段的达阵动态分析是最重要的任务之一。过去的任务由于覆盖着死火山和撞击火山口覆盖的月球范围的表面而经历了降落器的倒塌，这些山口限制了降落者的光滑着陆。将来也可能出现类似的问题。工作的主要目的是确保同时六英尺触摸倾斜的地形，以使胶囊保持水平与地面平行并在着陆期间完整。当着陆器撞到地面时，部队将从地面传播到打滑垫，然后转到下腿，最后到阻尼器。然后，阻尼器吸收了着陆造成的影响。蜂窝结构通过垂直压碎来消耗施加力。在特定点上，这种力不足以进一步粉碎结构，而折断的停止，而着陆器实现了其稳定性。进行了阻尼器设计和起落架设计的模拟，以达到月球着陆稳定性。关键字：月球勘探，兰德，漫游者，支柱，蜂窝软骨阻尼器，BLDC电机简介
活动悬崖估计的半监督分子学习框架
机器学习（ML）实现了准确，快速的分子性能预测，这与药物发现和材料设计有关。假设相似的分子表现出紧密的特性，他们的成功基于其心脏相似性的原理。然而，活动悬崖挑战了这一原理，它们的存在导致了现有ML算法的性能，尤其是基于图的方法的急剧解脱。为了克服低数据表情况下的这一障碍，我们提出了一种新型的半监督学习（SSL）方法，称为Semimol，该方法对众多未注释的数据进行了预测，作为伪信号，以进行后续训练。具体来说，我们引入了一个附加的讲师模型来评估代理标签的准确性和可信度，因为存在伪标记的方法需要概率输出以揭示模型的置信度并且无法应用于回归任务。此外，我们设计了一个自适应课程学习al-gorithm，以逐步移动目标模型以可控的速度进行硬性样本。在30个活动悬崖数据集上进行的广泛实验表明，Semimol显着增强了基于图形的ML架构，并超过了最先进的预处理和SSL基准。
生成的AI用于设计和验证易于合成且结构新颖的抗生素
抗泛细菌的兴起正在迫切需要结构新颖的抗生素。人工智能方法可以发现新的抗生素，但是现有的方法具有明显的局限性。性能预测模型，该模型评估给定特性的分子一对一，尺度较大到大化的化学空间。直接设计分子的生成模型迅速探索了巨大的化学空间，但产生了构成挑战的分子。在这里，我们引入了Synthemol，这是一种设计新化合物的生成模型，从近300亿个分子的化学空间易于合成。我们将合成醇应用于设计分子，该分子抑制了鲍曼尼杆菌的生长，鲍曼尼（Baumannii）是一种繁重的革兰氏阴性细菌病原体。我们合成了58个产生的分子并实验验证它们，六个结构新颖的分子表明抗菌活性针对鲍曼尼a。这证明了生成人工智能设计的潜力，这些潜力是从广阔的化学空间中设计出结构新颖的，可综合和有效的小分子抗生素候选物，具有经验验证。
验证预测行为的分析方法...
本报告总结了协调研究项目 (CRP) 下开展的工作，该项目名为“核结构抗震性能预测分析方法验证”。该项目由国际原子能机构根据其快堆技术工作组 (TWGFR) 的建议组织实施，于 1996 年至 1999 年间开展。核电站和设施的主要要求之一是确保安全，并在地震等强外部动态载荷下不发生损坏。液态金属冷却快堆 (LMFR) 的设计包括在低压下运行的系统，并包括薄壁和柔性部件。这些系统和部件可能会受到地震区地震的严重影响。因此，国际原子能机构通过其先进反应堆技术开发计划支持成员国将抗震技术应用于 LMFR 的活动。将该技术应用于 LMFR 和其他核电站及相关设施将带来优势，即在存在地震风险的地区可以安全地使用标准设计。该技术还可以提供一种抗震升级核设施的方法。应用于此类关键结构的设计分析需要牢固确立，而 CRP 为评估其可靠性提供了宝贵的工具。来自印度、意大利、日本、韩国、俄罗斯联邦、美国的十个组织
HOSHI Takeo PM“通过超维状态工程实现回溯数字系统”
项目概要 该项目将构建一个数字平台和虚拟实验室（V-Lab），以便在数字空间中设计和测试利用聚变反应发电和其他各种用途的聚变能系统的性能。为了在数字空间中重现等离子体（电离气体）的状态以及聚变能系统中组件的复杂性和时空尺度（时间和空间范围），我们将定义一个新的“超维数据空间”（图 1），它结合了时间轴、空间（坐标）轴、速度轴、物理量等。我们将建立结合该空间独特属性的计算方法。此外，为了将这些计算方法应用于“超维状态工程”，我们将开发前所未有的创新型 AI/数据驱动科学技术。通过这样做，我们将构建一个 V-Lab，可以在数字空间中进行聚变能系统的实验，从而能够在数字空间中对下一代聚变能系统的元素和整个系统进行性能预测（未来预测）（图 2）。本项目旨在大幅减少现实空间中耗费大量时间和成本的试错过程（开发和测试原型）。通过这样做，我们寻求实现各种聚变能源系统的早期社会应用和降低成本，最终致力于实现由聚变能源驱动的社会。