XiaoMi-AI文件搜索系统
World File Search System数学方法
人工智能系统认证框架
摘要 — 当前的航空航天软件认证流程不适用于深度神经网络等“基于人工智能”的算法。与传统的航空航天软件不同，神经网络训练期间优化的精确参数与处理网络的代码一样重要（甚至更重要），而且它们不是直接用数学方法可以理解的。尽管这些算法缺乏可解释性，但它们很有吸引力，因为对于某些应用，它们可以表现出任何传统的逐行显式软件方法都无法达到的高性能。本文提出了一个框架和原则，可用于建立神经网络模型的认证方法，而当前的认证流程（例如 DO-178）无法应用这些模型。虽然这不是一个神奇的秘诀，但它是一套常识性的步骤，通过展示汇集、跟踪和追踪需求、数据、软件、训练过程和测试结果的能力，将使申请人和监管机构对开发的软件增加信心。
物理学硕士课程教学大纲...
物理学硕士课程教学大纲 3 PHY 411：数学方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 PHY 421：经典电动力学. . . . . . . . . . . . . . . . . . . . . 10 PHY 422：量子力学 II. . . . . . . . . . . . . . . . . . . . . 11 PHY 423：统计力学. . . . . . . . . . . . . . . . . . . . 12 PHY 511：原子、分子和激光物理学. . . . . . . . . . . . . . . 14 PHY 512：固体物理学. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 PHY 513：核物理学和粒子物理学. . . . . . . . . . . . . . . . . . . . . . . 18 PHY 521：高级 I . . . . . . . . . . . . . . . . . . . . . . . . 19 凝聚态物理学 I . . . . . . . . . . . . . . . . . . . . 19 原子核结构. . . . . . . . . . . . . . . . . . . . . . . . . . 21 量子电子学. . . . . . . . . . . . . . . . . . . . . . 22 量子场论. . . . . . . . . . . . . . . . . . . . 23 高等统计力学及其应用. . . . . . . . . . . . 24 PHY 522：高级 II. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 凝聚态物理学 II . . . . . . . . . . . . . . . . . . . . . 26 激光物理学和量子光学 . . . . . . . . . . . . . . . . . . . 28 材料物理学 . . . . . . . . . . . . . . . . . . . . . 29 核反应和核天体物理学 . . . . . . . . . . . . . . . 31 粒子物理学. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 广义相对论 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 量子计算和量子信息 . ...
关于直接雇用职位的公告...
a. 担任高级成本分析师、专家、顾问，负责开发和应用运筹学/统计/数学方法和技术，解决由 PEO/项目管理办公室 (PMO) 管理的航空系统研究、开发、生产和部署相关活动计划的成本估算/成本分析问题。 b. 计划并开展研究计划，旨在在指定领域内进行有效和高效的成本分析，包括估算和分析硬件成本和计划成本的适当方法，这些研究的范围需要其他组成要素和承包商的协调投入，以及跨学科研究的整合（例如数学建模、统计、工程、经济） c. 保持对程序、政策、指令等的最新了解并回答相关问题，并在适当的时候做出决定。 d. 在研究中，努力确定分析领域并制定基本研究目标
技术标准 - SAE International
7.3.1 区别 — 单位符号和单位缩写之间的区别并不总是被认识到，特别是对于某些美国英寸-磅计量单位。但是，单位符号和常规缩写之间还是有若干区别的。单位符号是标准形式，在所有语言中都相同。它们在单数和复数形式中具有相同的形式；它们可以用数学方法处理（例如，ft/s、cm 3 ）；它们后面不跟句号。常规缩写和首字母缩略词与语言相关（例如，cfm 表示立方英尺每分钟），是特定语言中单词或名称的缩写。某些美国单位的符号也是缩写（ft、in、yd）。在许多情况下，单位符号和缩写并不相同（例如，单位符号 ft 3 /min 和缩写 cfm；单位符号 A 和缩写 amp；单位符号 in 3 和缩写 cu in）；见表 1。
基于药用植物的抗糖尿病片剂的成分和技术的开发
摘要。根据世界卫生组织 (WHO) 的数据，如果 2021 年的患者人数为 5.29 亿，预计到 2050 年将达到 25 亿。缺乏及时和高质量的治疗、不遵守饮食以及各种其他因素导致患者身体出现不良并发症，引起免疫系统和神经系统以及心血管系统疾病。在糖尿病的综合治疗中，在大多数情况下，使用具有降血糖活性的额外药用植物可能是合适的。已经开发出基于药用植物干提取物的抗糖尿病片剂的最佳成分。使用实验设计的数学方法和哈林顿的可取性函数来优化片剂的成分。本文详细描述了计算单个和整体可取性函数值的方法。研究结果确定了片剂的最佳成分，符合监管文件的要求。
DNA遗传密码中的完整量子信息
到目前为止，尽管之前已经提出了数学理论[9]- [13]，但破译生命密码[1]- [8]——遗传密码——仍未成功。我们的新尝试与之前的尝试有何不同？我们的数学方法处于有限群论和量子信息的交叉点，与其他主要致力于量子计算[14]但也关注基本粒子[15]的论文一样。生命细胞在有丝分裂过程中需要一种称为脱氧核糖核酸（或DNA）的大分子，它被包装在染色体中。但在DNA复制过程中或当其代码用于制造蛋白质时，DNA会解开并被复制。DNA是一种由两条平行的多核苷酸链组成的螺旋，携带4个含氮碱基中的遗传指令，用于所有生物体的生长和繁殖。遗传密码由三元组碱基组成，称为1
沙特工程技术杂志
摘要人工智能 (AI) 在设计中的应用主要涉及通过学习如何使系统表示和控制实际的全球知识来使系统变得更智能。它还涉及考虑研究设计师如何遵循人类智能进行设计，并试图使计算机辅助设计更加专业。目前人工智能应用的主要主题是发现设计信息的形式表示，并开发推理或应用这种知识的方法。计算机历来能够处理以数学方法表示的科学法则的应用。人工智能 (AI) 主要允许表示启发式（或基于规则）的学习，这不太容易或不容易用数学方法来表达。人工智能的这一部分特别关注这种表示的开发，称为专业系统或更常见的基于数据的系统。本文介绍了将人工智能添加到机械结构设计中所涉及的各种步骤和概念。本文对人工智能的用途进行了广泛的审查，并结合了人工智能在机械建筑中用于机械缺陷识别和设计布局设计的方法。本文包含与人工智能在机械工程领域的实际应用相关的摘要或提要。重点检查了错误识别、分析指示框架机器、机械形状和结构调查以及机械布局计划等几种应用。这项研究发现，基于人工智能的智能系统在整个机械工程设计领域得到了广泛的应用。本文还假设机械工程和设计领域可以与其他基于人工智能的创新时代有效结合，使其在机械框架改进方面更加有效。关键词：人工智能、设计、计算机辅助、数学方法、机械系统、错误和缺陷识别、分析指示框架机器、机械形状和结构分析。版权所有@ 2020：这是一篇开放获取的文章，根据知识共享署名许可条款分发，允许在任何媒体中不受限制地使用、分发和复制，用于非商业用途（非商业或 CC-BY-NC）只要注明原作者和出处。
欧盟、美国和中国的人工智能监管 - 对能源系统的影响
人工智能 (AI) 在过去十年中引起了广泛关注，因为它彻底改变了多个行业 [1]。例如，研究人员发现 AI 可以帮助公司大幅提高运营绩效 [2]。因此，截至今天，超过 50% 的公司已经在使用 AI，这并不奇怪 [3]。最近，这项技术取得了显着的进步，使其在许多曾经是人类独有的任务中具有竞争力。例如，自然语言处理 (NLP) 的最新进展揭示了 AI 大型语言模型执行内容创建、语言翻译、文本摘要和问答的能力 [4]，[5]。事实上，人工智能的兴起不仅与更好的计算能力或数学方法的进步有关，还与来自不同来源的大量数据有关 [1]。所收集数据的质量及其使用引发了人们对数据中可能存在偏见的担忧，以及与某些任务（消费者行为分析、金融欺诈检测、医疗诊断、基础设施检查等）相关的决策带来的风险 [6]、[7]。
使用 Python 进行量子机器学习 - 电子书
Santanu Pattanayak 目前是高通公司研发部门的一名机器学习研究员，也是深度学习书籍《使用 TensorFlow 进行深度学习：用 Python 进行高级人工智能的数学方法》的作者。他拥有大约 12 年的工作经验，其中 8 年从事数据分析/数据科学领域。加入高通之前，Santanu 曾在 GE、RBS、凯捷和 IBM 工作。他毕业于加尔各答的贾达夫普尔大学，获得电气工程学位，并在印度理工学院 (IIT) 海得拉巴分校获得数据科学硕士学位。Santanu 是一名狂热的数学爱好者，喜欢参加 Kaggle 比赛，他在全球排名前 500 名。Santanu 在印度西孟加拉邦出生和长大，目前与妻子居住在印度班加罗尔。