用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响,从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据,它们正在提供前所未有的空间环境实时表征,包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步,但仅靠它们是不够的。为了优化任务规划,许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事,但最近随着 21 世纪人工智能 (AI) 技术的应用,大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型,并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期(0 到 60 分钟)、中期(1 小时到 3 小时)和长期(3 到 48 小时)。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下,多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度,卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后,组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据,因此,使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明,在几乎所有情况下,这些预测技术都优于持久性,而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点,将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是,云层可以部分或完全遮挡目标,并阻止或要求降低光通信系统的数据速率。但是,通过准确表征和预测大气影响,可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统,该系统可生成高分辨率的大气衰减预测,以支持太空激光和监视应用的决策辅助。为了实现这一目标,HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据,并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测:1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时;最长 2+ 小时;最长 48 小时。最长 1 小时;最长 2+ 小时;最长 48 小时。
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。
标题IX/歧视与骚扰:西肯塔基大学(WKU)致力于通过维护WKU的性别和基于性别的歧视,骚扰和报复(#0.070),以及歧视和骚扰政策(#0.2040),致力于支持教职员工和学生。在这些政策下,禁止基于性别/性别的性行为不端的歧视,骚扰和/或性行为不端。If you experience an incident of sex/gender-based discrimination, harassment and/or sexual misconduct, you are encouraged to report it to the Title IX Coordinator, Deborah Wilkins, 270-745-5398 or Title IX Investigators, Michael Crowe, 270-745-5429 or Joshua Hayes, 270-745-5121.请注意,尽管您可能会向教职员工报告基于性别/性别的歧视,骚扰和/或性行为不端的事件,但WKU教师是大学的“负责任员工”,必须向WKU的IX协调员或Title IX研究员报告您分享的内容。如果您想与可能能够负担得起机密性的人交谈,则可以通过270-745-3159与WKU的咨询和测试中心联系。
摘要预测脑药代动力学对于中枢神经系统(CNS)药物发展至关重要,但由于人脑抽样的伦理限制,很难。CNS药代动力学(PK)培养物经常因疾病特异性病理生理学而改变中枢神经系统疾病。我们先前发表了一个综合的基于生理的PK(PBPK)模型,该模型预测了大脑和脑脊液室室的小药物的PK pro纤维。在这里,我们改善了这种模型,其大脑非特异性结合和pH对药物电离和被动转运的影响。我们将此改进的模型称为Leiden CNS PBPK预测指标v3.0(leicns-pk3.0)。leicns-pk3.0预测了大鼠和人类中脑ECF和CSF室的未结合浓度,误差少于两倍。然后,我们应用Leicns-PK3.0来研究改变脑脊髓液(CSF)动力学,CSF体积和流动的影响,对脑外细胞外溶液(ECF)药物的影响。使用LEICNS-PK3.0模拟了CSF动力学改变的六种药物的影响,并比较了脑ECF和Lumbar CSF的导致药物暴露。模拟结果表明,改变的CSF动力学改变了CSF PK PROFERES,但并没有改变脑ECF Pro File,而不论该药物的物理化学特性如何。我们的分析支持腰CSF药物浓度不是脑ECF的准确替代的观念,尤其是在中枢神经系统疾病中。系统方法可以说明CNS复杂性的多个级别,并且更适合预测脑PK。
Nancy撰写了这篇文章,以促进她认为会改善学生生活的想法。阅读南希的文章,并寻找她应该进行的修订。完成阅读后,回答以下问题。
01 信号处理技术进步 02 便携式脑电图设备,可随时测量 03 呼吸和决策 04 定制智能可穿戴设备的数字化制造 05 下一代可穿戴运动传感器 06 用于持续监测运动员的生物传感器 07 Xsensio:用于进行传统传感器无法企及的生理测量 08 用于汗液分析的柔性贴片 09 测量职业网球运动员的感知能力 10 了解线粒体功能及其对运动员表现的影响 11 Inyu:一种用于分析人体整体健康状况的便携式系统 12 新型计算机模型可估算不同步行方式的能量 13 将智能可穿戴设备与云端机器学习相结合,开发预防保健系统 14 评估个人对压力的反应 15 通过食物调节我们的动力 16 DiMo:运动、健身和健康领域的数字运动 17 使用客观信息预防伤害 18 STill:支持心理健康的沉浸式身体体验19 设计如何增强自我沉浸感
语音梦读取器为PDF,纯文本,MS Word,MS PowerPoint,RTF和Google文档提供文本到语音。以27种不同的语言具有36个内置声音。声音即使在屏幕上锁定,也可以在后台播放并在后台播放。
3 Sanger。 F.,库尔森,AR。 «通过与DNA聚合酶启动合成来确定DNA中序列的快速方法。 J mol Biol。 1975;第25卷; 94(3):441–448。 4科学历史研究所。 [publupaciónenLínea]«re-Combinant-DNA(rDNA)技术»。 2017。 [Consulta:15/04/2019]。 5 Shampo,M.A。;凯尔(R. A.) «Kary B. Mullis,诺贝尔奖获得者,用于复制DNA»。 诉讼梅奥诊所。 2001;卷。 77:606。 6 Jinek,M.,Chylinski,K.,Fonfara,I.,Hauer,M.,Doudna,J. E. 科学。 2012;卷。 337,(6096):816–821。 7张,F。«使用CRISPR/CAS系统的多重基因组工程»。 科学。 2013;卷。 339,n。 6121:819-823。 8 Wang,H.,Yang,H.,Shivalila,C.,Dawlaty,M.,Cheng,A.,Zhang,F。,&Jaenisch,R。««由CRIS/CASPR/CASPR/CASPR/CAS介导的基因组启动中的多个基因中携带突变的小鼠的一步一代。 单元格。 2014; 153(4):910-918。3 Sanger。F.,库尔森,AR。«通过与DNA聚合酶启动合成来确定DNA中序列的快速方法。J mol Biol。1975;第25卷; 94(3):441–448。4科学历史研究所。[publupaciónenLínea]«re-Combinant-DNA(rDNA)技术»。2017。[Consulta:15/04/2019]。5 Shampo,M.A。;凯尔(R. A.) «Kary B. Mullis,诺贝尔奖获得者,用于复制DNA»。 诉讼梅奥诊所。 2001;卷。 77:606。 6 Jinek,M.,Chylinski,K.,Fonfara,I.,Hauer,M.,Doudna,J. E. 科学。 2012;卷。 337,(6096):816–821。 7张,F。«使用CRISPR/CAS系统的多重基因组工程»。 科学。 2013;卷。 339,n。 6121:819-823。 8 Wang,H.,Yang,H.,Shivalila,C.,Dawlaty,M.,Cheng,A.,Zhang,F。,&Jaenisch,R。««由CRIS/CASPR/CASPR/CASPR/CAS介导的基因组启动中的多个基因中携带突变的小鼠的一步一代。 单元格。 2014; 153(4):910-918。5 Shampo,M.A。;凯尔(R. A.)«Kary B. Mullis,诺贝尔奖获得者,用于复制DNA»。诉讼梅奥诊所。2001;卷。 77:606。 6 Jinek,M.,Chylinski,K.,Fonfara,I.,Hauer,M.,Doudna,J. E. 科学。 2012;卷。 337,(6096):816–821。 7张,F。«使用CRISPR/CAS系统的多重基因组工程»。 科学。 2013;卷。 339,n。 6121:819-823。 8 Wang,H.,Yang,H.,Shivalila,C.,Dawlaty,M.,Cheng,A.,Zhang,F。,&Jaenisch,R。««由CRIS/CASPR/CASPR/CASPR/CAS介导的基因组启动中的多个基因中携带突变的小鼠的一步一代。 单元格。 2014; 153(4):910-918。2001;卷。77:606。6 Jinek,M.,Chylinski,K.,Fonfara,I.,Hauer,M.,Doudna,J.E.科学。2012;卷。337,(6096):816–821。7张,F。«使用CRISPR/CAS系统的多重基因组工程»。科学。2013;卷。339,n。 6121:819-823。8 Wang,H.,Yang,H.,Shivalila,C.,Dawlaty,M.,Cheng,A.,Zhang,F。,&Jaenisch,R。««由CRIS/CASPR/CASPR/CASPR/CAS介导的基因组启动中的多个基因中携带突变的小鼠的一步一代。单元格。2014; 153(4):910-918。
•技术出版物。完成的研究或重大研究阶段的报告介绍了NASA计划的结果,并包括广泛的数据或理论分析。包括大量的科学和技术数据的汇编以及被认为具有持续参考价值的信息。NASA的同行评审正式专业论文的对应物,但对手稿的长度和图形演示范围的限制较小。•技术备忘录。初步或专业兴趣的科学和技术发现,例如,快速发布报告,工作论文和书目包含最少注释的书目。不包含广泛的分析。•承包商报告。NASA赞助的承包商和受赠人的科学和技术发现。
脑电图 (EEG) 传感器是一种可以测量大脑电信号的电子设备。EEG 传感器通常测量大脑表面附近大量神经元在一段时间内活动产生的不同电信号。它们的工作原理是测量皮肤和传感器电极之间电流的微小波动,放大电流并执行任何滤波,例如带通滤波 [ 1 ]。医学领域的创新始于 20 世纪初,在此之前,由于医学领域的非协作性质,创新很少。诊断和治疗方面的创新来自应用科学的跨学科进步,例如物理学和化学。其中一项创新是发现大脑和其他器官产生的微小电流。直到 1903 年之后,威廉·埃因托芬 (Willem Einthoven) 发现了测量心脏电活动的技术,才开始对电活动进行测量,例如 EEG。该测量技术扩展到大脑,以提取脑电图信号[2]。