XiaoMi-AI文件搜索系统
World File Search System模型基准
基于机器学习的生物油产量的预测生物质的生物量的产量：插补算法的比较研究和模型基准测试
摘要非可再生化石燃料的精疲力尽提高了人们对环境问题的认识。因此，生物质能量已成为一种有希望的可再生替代方案，尤其是在通过废物生物量的热解生产生物油的背景下。不幸的是，物理学模型在建模生物油生产时会遇到困难，促使研究人员倾向于以数据为中心的方法。为了应对这个问题，本文展示了近千的综合数据集，这些数据集来自先前有关生物油生产的文献。除了收集，清洁和组织收集的数据外，我们还使用了机器学习技术来评估所得数据集，最有希望的结果产生的平均绝对误差为2.6，并且调整后的R平方在预测生物油收益率方面为0.9。据我们所知，本文提供了介绍该域中有史以来最全面的数据集。这样的详尽数据集的组装对于可持续过程工程来说至关重要，因为它可以促进精确的建模，从而更好地固定在此过程中固有的不确定性。
2023-2042 系统与资源展望（展望）
附录 附录 A：生产成本模型基准 附录 B：生产成本假设矩阵 附录 C：产能扩张假设矩阵 附录 D：建模与方法 附录 E：可再生能源概况和变化 附录 F：可调度无排放资源 附录 G：生产成本模型结果 附录 H：产能扩张模型结果 附录 I：输电拥塞分析 附录 J：可再生能源发电区域 附录 K：产能扩张模型敏感性
Glória：葡萄牙语的生成且开放的大语言模型
在Natu的语言任务中已经取得了重大进步，这在很大程度上归因于强大的大型语言模式（LLMS）的出现。这些模型已在充分和多样化的语料库中进行了预先培训，已经具有不可思议的能力理解语言的文化。尽管LLM大量用于许多高资源语言，但此类模型的可用性仍然是欧洲葡萄牙语的限制性。我们介绍了强大的欧洲葡萄牙解码器LLMGlória。为了预训练Glória，我们组装了一个全面的PT-PT文本语料库，其中包括来自各种来源的350亿个令牌。我们介绍了我们的训练方法，然后评估模型对多个下游任务的有效性。补充，为了评估我们的模型的语言模型功能，我们介绍了calame-pt（葡萄牙语的上下文意识语言建模评估），这是第一个葡萄牙零射击语言模型基准。评估表明，Glória在语言建模中显着超过现有的PT解码器模型，并且可以生成声音，知识丰富和相干的PT-PT文本。该模型还具有各种下游任务的强大潜力。1
英国表面土壤水分干燥的多求表征
摘要：降雨后土壤水分的持久性或记忆具有重大的环境影响。已经为原位和卫星数据分别研究土壤水分干燥已做出了许多工作。在这项工作中，我们介绍了多种英国土壤水分产品的干燥特性的比较，包括卫星合并（即TCM），原位（即cosmos-uk）（即cosmos-uk），水文模型[即Grid-to-Grid to-Grid（G2G）]生态研究支持系统（国际棋）]数据。所有网格产品的干燥衰减时间尺度（T）以1 - 2 km的前所未有的分辨率计算，该分辨率与天气和气候模型有关。由于诸如感应深度等差异，它们的t范围有所不同（SMUK和国际象棋除外），但它们的空间模式与土地覆盖率和土壤类型相关。我们进一步分析了Cosmos-UK站点干燥事件的发生。我们表明，土壤水分干燥状态表现出强烈的季节性依赖性，因此，夏季，土壤比冬季更快地干燥。这些季节性依赖性在模型基准测试和评估过程中很重要。我们表明，基于宇宙和LSM的拟合t良好，cosmos的偏差为较低的t。我们的发现有助于越来越多的文献来表征T，目的是开发一种方法，以系统地验证一系列尺度的模型土壤水分产品。
应用能源-Quadracci可持续工程实验室
电部门能力扩展模型被学术，政府和行业研究人员广泛使用，用于政策分析和计划。许多模型的能力，空间和时间分辨率和研究目的重叠，但由于参数和结构差异而产生不同的结果。以前的工作试图确定常用能力扩展模型之间的一些差异，但无法将参数从结构不确定性中解散。在这里，我们使用应用于美国电动部门的四个开源模型的高度简化场景提出了模型基准测试。我们通过使用通用数据集消除了所有参数不确定性，而仅留下结构差异。我们演示了系统模型比较过程如何使我们能够在模型之间查明特定而重要的结构差异，包括将技术的规格规定为基本负载或后代的负载，在建模时期的开始和结束时，电池最新的电池充电，电池往返效率的应用，折现率的处理，折现率的处理，模型最终效果的构成效果以及输入参数的数字精度。我们的结果表明，这样的过程可以有效地提高模型的一致性和建立模型的信心，对特定的建模选择，报告不确定性以及确定进一步研究和开发的领域。我们还引入了一个开源测试数据集，建模社区可以用于单元测试和构建基准测试，以对更复杂的模型进行基准测试练习。社区基准努力可以增加能源建模者之间的协作，并为其他利益相关者（例如政策制定者）提供有关能源过渡和能源挑战的透明度。
VLA-3D：用于3D语义场景的数据集理解和导航
摘要 - 随着大型语言模型（LLM），视觉模型（VLM）和其他一般基础模型的最新兴起，多模式，多任务体现的代理的潜力越来越大，可以在不同的环境中以自然语言作为输入来运作。一个这样的应用区是使用自然语言说明的室内导航。尽管最近进展，但由于所需的空间推理和语义理解，该问题仍然具有挑战性，尤其是在可能包含许多属于细粒类的对象的任意场景中。为了应对这一挑战，我们策划了3D场景（VLA-3D）的视觉和语言引导动作的最大现实世界数据集（VLA-3D），包括超过11.5k的现有数据集中的3D室内室内室内，2350万个启发式化的启发式化的启发式语义生成的语义关系，对象之间，综合构成了综合典型的参考性。我们的数据集由处理过的3D点云，语义对象和房间注释，场景图，可通航的自由空间注释以及参考语言语句，这些语言语言专门针对独立于视图的空间关系，以消除歧义对象。这些功能的目标是专门帮助导航的下游任务，尤其是在现实系统中，必须在不断变化的场景和不完美的语言的开放世界中保证某种级别的鲁棒性。我们还旨在使该数据集有助于开发交互式代理，这些互动代理都可以响应命令并提出有关场景的问题并回答问题。我们使用当前的最新模型基准测试数据集，以获得性能基线。所有要生成和可视化数据集的代码均公开发布1。随着该数据集的发布，我们希望为语义3D场景中的进度提供资源，这对变化是可靠的，这将有助于开发交互式室内导航系统。
绿色人工智能的系统评价
训练他们自己的最先进的模型。研究结果得出的结论是，我们需要减少开发和运行人工智能模型的碳足迹。这种自我反省让人工智能研究界大开眼界。随后发表了许多论文，呼吁寻找一个考虑这一问题的新研究方向。Schwartz (2020) Green AI 将绿色人工智能一词定义为“在考虑计算成本的同时产生新成果的人工智能研究”（Schwartz et al., 2020 ）。Bender et al. (2021) 发表了一份立场文件，强调了不断增加人工智能模型规模的后果。一个自然而然的问题是，作为一个研究界，我们是否做了足够的努力来减轻开发和运行基于人工智能的软件对碳的影响。人工智能系统非常复杂，为了实现绿色人工智能，我们需要共同努力，针对人工智能系统生命周期的所有不同阶段（例如数据收集、训练、监控）、不同工件（例如数据、模型、管道、架构、硬件）等（Haakman 等人，2021 年）。鉴于该领域的异质性，也很难对过去几年发表的所有绿色人工智能文献有一个广泛的了解。为了了解现有的研究，我们对绿色人工智能进行了系统的文献综述。我们概述并描述了该领域的现有研究。此外，我们研究了该领域多年来的发展情况，找出了主要主题、方法、工件等。这篇文献综述显示，绿色人工智能出版物数量显着增长——76% 的论文是在 2020 年之后发表的。最受欢迎的主题围绕监控、超参数调整、部署和模型基准测试。我们还重点介绍了其他可能带来有趣解决方案的新兴主题，即以数据为中心的绿色人工智能、精度/能源权衡分析。当前的研究已经展示了令人鼓舞的结果，节能效果从 13% 到 115%。不过，现有的大部分工作都集中在人工智能模型的训练阶段。此外，我们观察到行业参与度很低（23%），而且大多数研究都围绕实验室实验展开。我们认为，该领域正在发展到一定成熟度，其中行业参与对于实现绿色人工智能的总体目标至关重要：充分利用人工智能的潜力，而不会对我们的星球产生负面影响。为了鼓励开放科学和这项研究的可重复性，我们提供了所有数据和脚本，这些复制包可通过开源许可证在线获取。1