XiaoMi-AI文件搜索系统
World File Search System模拟实验
用于数据特征选择和压缩特征表示的量子算法
量子计算已成为一个新兴领域，可能彻底改变信息处理和计算能力的格局，尽管物理上构建量子硬件已被证明是困难的，而且当前嘈杂中型量子 (NISQ) 时代的量子计算机容易出错且其包含的量子比特数量有限。量子机器学习是量子算法研究中的一个子领域，它对 NISQ 时代具有潜力，近年来其活动日益增多，研究人员将传统机器学习的方法应用于量子计算算法，并探索两者之间的相互作用。这篇硕士论文研究了量子计算机的特征选择和自动编码算法。我们对现有技术的回顾使我们专注于解决三个子问题：A) 量子退火器上的嵌入式特征选择，B) 短深度量子自动编码器电路，以及 C) 量子分类器电路的嵌入式压缩特征表示。对于问题 A，我们通过将岭回归转换为量子退火器固有的二次无约束二元优化 (QUBO) 问题形式并在模拟后端对其进行求解来演示一个工作示例。对于问题 B，我们开发了一种新型量子卷积自动编码器架构，并成功运行模拟实验来研究其性能。对于问题 C，我们根据现有技术的理论考虑选择了一种分类器量子电路设计，并与相同分类任务的经典基准方法并行进行实验研究，然后展示一种将压缩特征表示嵌入到该量子电路中的方法。
基于高斯混合模型和K值选择算法的机器人臂的新型轨迹学习方法
在机器人臂轨迹模仿学习领域，高斯混合模型被广泛用于捕获复杂轨迹特征的能力。但是，利用这些模型的一个主要挑战在于初始化过程，尤其是在确定高斯核的数量或K值时。K-Value的选择显着影响模型的性能，而传统方法（例如基于经验知识的随机选择或选择）通常会导致次优结果。为了应对这一挑战，本文提出了一种用于机器人臂的新型轨迹学习方法，该方法将高斯混合模型与K值选择算法相结合。所提出的方法利用肘法的原理以及指数函数，校正项和权重调整的特性，以确定最佳的K值。接下来，使用最佳的K值应用K-均值聚类来初始化高斯混合模型的参数，然后通过预期最大化算法进行完善和训练。然后将所得的模型参数eTers用于高斯混合物回归中，以生成机器人的臂轨迹。通过使用二维理论非线性动态系统和使用实际机器人臂数据的物理实验的模拟实验来验证所提出方法的有效性。这些结果表明，所提出的方法显着提高了机器人臂轨迹产生的准确性和效率，从而为改善机器人操纵任务提供了有希望的解决方案。实验结果表明，COM占据传统的高斯混合模型方法，所提出的方法将轨迹精度提高了15％以上，如降低平均绝对误差和根平方误差所示。
计算机辅助药物设计和分子动力学...
为解决类风湿性关节炎、1 型糖尿病和格雷夫斯病的药物耐药性问题，选取 32 种化合物作为自身免疫性疾病的新型抑制剂，进行 2D-QSAR、3D-QSAR、对接、ADMET 和分子动力学 (MD) 模拟实验。2D-QSAR 研究采用遗传近似-多元线性回归 (GA-MLR)。实验活性与模型 1 获得的活性显示出良好的相关性 (r2 = 0.7616 和 q2 = 0.6327)。使用 3D-QSAR 技术对构效关系 (SAR) 进行了统计研究，对于一个高预测模型——比较分子场分析 (CoMFA：Q2=0.785；R2=0.936；rext2= 0.818)，该技术产生了很强的统计意义。根据对预测模型轮廓图的全面检查，立体场和静电场控制着生物活性。这些信息对于理解创造新的、强大的自身免疫性疾病抑制剂所必须具备的品质非常有用。通过这些发现，设计了 70 种具有改进的受体靶向活性的新抑制剂。最后的先导化合物是化合物 32 和设计化合物 D40，它们是通过虚拟筛选和随后的分子对接发现的。根据对每个蛋白质-配体复合物的 MD 模拟结果，化合物 32 和 D40 能够靶向蛋白质，例如精氨酸脱亚胺酶 4 (PAD4)、主要组织相容性复合体 (MHC) II 类 HLA-DQ-ALPHA 链和促甲状腺激素受体 (或 TSH 受体) 蛋白。我们的研究表明，化合物 32 和设计化合物 D40 可以在体外和体内针对某些选定的自身免疫性疾病进行研究。还测量了选定药物的 MM/GBSA 结合自由能。用于模式识别、结构相似性和热点结合能预测。
iGrow：实现温室自主控制的智能农业解决方案
农业是人类文明的基础。然而，全球人口的快速增长对粮食需求增加，对这一基石提出了挑战。配备传感器和执行器的现代自主温室通过精确控制实现高效的粮食生产，为这一问题提供了一个有希望的解决方案。然而，自主温室的最优控制具有挑战性，需要基于高维传感数据进行决策，而生产规模受到能够处理这项任务的劳动力稀缺的限制。随着人工智能（AI）、物联网（IoT）和云计算技术的进步，我们希望提供一种解决方案来自动化和智能化温室控制，以应对上述挑战。在本文中，我们提出了一种名为 iGrow 的智能农业解决方案，用于自主温室控制（AGC）：（1）我们首次将 AGC 问题表述为马尔可夫决策过程 (MDP) 优化问题； (2) 设计基于神经网络的模拟器，结合增量机制，模拟自主温室的完整种植过程，为控制策略的优化提供试验平台；(3) 提出一种闭环双层优化算法，可在实际生产过程中利用新观测到的数据动态地重新优化温室控制策略。我们不仅进行模拟实验，还在真实场景中部署了 iGrow，实验结果证明了 iGrow 在自主温室模拟和最优控制方面的有效性和优越性。特别地，来自真实自主温室中番茄试点项目的令人信服的结果表明，与种植专家相比，我们的解决方案显著提高了作物产量（+10.15%）和净利润（+92.70%），具有统计学意义。我们的解决方案为温室生产开辟了一条新途径。代码可在 https://github.com/holmescao/iGrow.git 获得。
评论文章：探索认知个性...
统计学习从很小的时候开始，与大脑发育和独立性的出现密切相关。通过如此长的统计学习，大脑更新并构建了统计模型，并且该模型的个性基于收到的刺激的类型和程度而改变。然而，该过程基础的降低机制尚不清楚。本文论证了统计学习的三个主要要点，包括1）基于预测的“可靠性”的认知个性，2）通过块来构建信息“ Hier-Archy”，以及3）获得“ 1-3Hz节奏”，这对于早期语言和音乐学习至关重要。我们开发了一个层次的贝叶斯统计学习（HBSL）模型，该模型考虑了可靠性和层次结构，模仿了大脑的统计学习过程。使用此模型，我们进行了一个模拟实验，以通过稳定学习来可视化感知和生产过程的时间动力学。通过调节对声音刺激的敏感性，我们模拟了三个认知模型，相对于自上而下的先验预测，对自下而上的感觉刺激的可靠性不同：低敏感，正常敏感和高敏感的模型。我们建议统计学习在1-3 Hz节奏的获取中起着至关重要的作用。一个高敏感的模型迅速学习了感官统计数据，但被固定在其内部模型上，因此很难生成新信息，而低敏感的模型具有较低的学习效率，但可能更有可能生成新信息。各种个人特征可能不会赋予比其他人的总体优势，因为学习效率和易于生成新信息的易衡。这项研究有可能阐明统计学习的异质性质，以及矛盾的现象，在这种现象中，具有某些认知特征的人会影响特定类型的知觉能力，在创造性环境中表现出卓越的表现。关键字：阶段夹带，贝叶斯，块状，层次结构，音乐，节奏
机器学习模型：英语论文文本内容特征提取和自动评分的研究
英语论文是英语学习的关键部分，反映了学生运用英语技能的整体能力。因此，对英语论文的准确评分至关重要[1]。传统的评估方法涉及教师的手动分级，这很耗时，可能无法为每个学生提供个性化评估，尤其是在面对大量学生时[2]。机器学习算法的出现提供了一种自动评分英语论文的方法。自动论文评分的机器学习算法的基本原理是使用大量的预定论文数据集来训练该算法以学习评分模式并将其应用于未知文章。将机器学习应用于自动的英语论文评分可以使评分更加客观和高效，从而节省了教师的时间和精力[3]。但是，在捕获诸如写作样式和上下文之类的主观信息时，将机器学习用于自动评分仍然存在局限性。需要进一步改进算法以说明这些主观元素。McNA-MARA [4]研究了层次分类方法在自动论文评分中的应用，并证明了该方法在论文评分领域的有效性。li [5]提出了一种使用神经网络自动中文论文评分的新模型，该模型应用BERT网络以获取文章的句子向量，然后使用两层双向双向短期内存（BI-LSTM）提取文章向量。实验结果表明，该模型的性能比其他基线方法更好。hao [6]提出了一个加权有限状态自动机系统，并利用了渐进的潜在语义分析来处理大量论文。实验结果验证了系统的有效性。本文简要介绍了用于英语论文的基于XGBoost的自动评分算法，并引入了LSTM语义模型，以从论文中提取语义评分功能，以提高算法的准确性。最后，在模拟实验中，使用五种主题赋予的论文将优化的XGBoost算法与传统的XGBoost和LSTM算法进行了比较。
支持观测系统模拟实验的卫星和近空间平台轨道模拟器
摘要：社区全球观测系统模拟实验（OSSE）包（CGOP）由美国国家海洋和大气管理局（NOAA）和联合卫星数据同化中心（JCSDA）开发，它提供了一种工具，可以定量评估新兴环境观测系统或新兴现场或遥感仪器对 NOAA 数值天气预报（NWP）预报技能的影响。OSSE 的典型第一步是模拟来自所谓自然运行的观测。因此，需要观测的空间、时间和视图几何来从自然运行中提取大气和表面变量，然后将其输入到观测前向算子（例如辐射传输模型）中以模拟新的观测。对于尚未建造仪器或尚未部署平台的新提出的系统来说，这是一个挑战。为满足这一需求，本研究引入了一个轨道模拟器，根据特定的托管平台和机载仪器特性计算这些参数，该模拟器由美国国家海洋和大气管理局卫星应用与研究中心 (STAR) 最近开发并添加到 GCOP 框架中。除了模拟现有的极地轨道和地球静止轨道之外，它还适用于新兴的近空间平台（例如平流层气球）、立方体卫星星座和苔原轨道。观测几何模拟器不仅包括被动微波和红外探测器，还包括全球导航卫星系统/无线电掩星 (GNSS/RO) 仪器。对于被动大气探测器，它计算不同平台上拟议仪器的几何参数，例如随时间变化的位置（纬度和经度）、扫描几何（卫星天顶角和方位角）和交叉轨道或圆锥扫描机制的地面瞬时视场 (GIFOV) 参数。对于 RO 观测，它确定卫星或平流层气球上的发射器和接收器的几何形状并计算它们的倾斜路径。该模拟器已成功应用于最近的 OSSE 研究（例如，评估未来地球静止高光谱红外探测器和平流层气球 RO 观测的影响）。
重新布线蛋白质序列和结构生成模型以增强蛋白质稳定性预测
快速增长的数据需要可靠且持久的存储解决方案。DNA由于其高信息密度和长期稳定性而成为一种有希望的媒介。但是，DNA存储是一个复杂的过程，每个阶段都会引入噪声和错误，包括合成错误，存储衰减和测序错误，它需要对错误校正的代码（ECC）才能获得可靠的数据恢复。要设计一种最佳数据恢复方法，对DNA数据存储通道中噪声结构的综合理解至关重要。由于在体外运行DNA数据存储实验仍然很昂贵且耗时，因此必须进行模拟模型，以模仿真实数据中的误差模式并模拟实验。现有的仿真工具通常依赖固定的误差概率或特定于某些技术。在这项研究中，我们提出了一个基于变压器的生成框架，用于模拟DNA数据存储通道中的错误。我们的模拟器将寡素（DNA序列写入）作为输入，并生成错误的输出DNA读取，与常见DNA数据存储管道的真实输出非常相似。它捕获了随机和有偏见的误差模式，例如K-MER和过渡错误，无论过程或技术如何。我们通过分析两个使用不同技术处理的数据集来证明模拟器的有效性。在第一种情况下，使用Illumina Miseq处理，由DDS-E-SIM模拟的序列显示出与原始数据集的总误率偏差仅为0.1％。第二次使用牛津纳米孔技术进行的偏差为0.7％。基本级别和K-MER错误与原始数据集紧密对齐。此外，我们的模拟器从35,329个序列中生成100,743个独特的橄榄岩，每个序列读取五次，证明了其同时模拟偏置错误和随机属性的能力。我们的模拟器以优越的精度和处理多种测序技术的能力优于现有的模拟器。
用于评估热中子散射材料的高级建模和仿真方法∗
摘要。随着对高级反应堆，关键性安全性和屏蔽应用的热中子散射数据的兴趣，评估新材料或先前评估材料的重新评估（或验证）需要新的实验数据。在三步过程中评估了新的实验数据：（1）计算声子特征，（2）从数据中计算动态结构因子（DSF），以及（3）使用实验设置来模拟实验数据。所有三个步骤都面临着挑战，从需要一般通用的材料模拟代码（可以计算Correponding DSF的处理代码）到测量数据的仪器 /梁线 /设施的详细布局。可以使用各种方法（分子动力学，密度功能理论等）计算材料的声子特征。），DSF的高实现计算和基于DSF的实验模拟对于评估的准确性至关重要。可以通过使用橡树岭国家实验室的散布中子源（SNS）开发的两个相应的代码系统来实现后两个步骤：（1）Oclimax，该程序，该程序可以计算DFT和MD模拟结果的动态结构因子，以及（2）McVine，Monte Carlo Neutron Carlo Neutron Ray-Neutrats设计的模拟实验。最近，在SNS的宽角式切碎机（ARC）和红杉仪器站测量聚乙烯和Yttrium氢化物。使用密度函数理论代码，剑桥串行总能包（Castep）来模拟这些实验，以计算其声音特征（特征值 /矢量和pdos），然后使用oclimax对其进行处理以产生DSF，并通过对MCVine的数据进行数量的量度，从而对每个仪器站产生DSF，并在每个仪器站进行了量子。与常规评估方法进行比较，将从Oclimax处理的散射数据与NJOY LEAPR模块处理的散射数据进行了比较，并且McVine模拟的结果与先前使用的简化光束线模型进行了比较。
基于可再生能源管理的分散式 TSO-DSO 协调电压调节——敏感性和稳健性分析
可再生能源 (RES) 在配电网中的日益普及已将传统电压调节推向极限。为了在这种新环境下开发先进的电压控制技术，需要在输电系统运营商 (TSO) 和配电系统运营商 (DSO) 之间进行充分且实时的协调和通信。本文提出了一种分散的 TSO-DSO 协调方法，用于在 DSO 边界内调度和部署最佳无功功率交换，从而改善 TSO 网络中的电压控制。所提出的方法通过标准化业务用例 (BUC) 实现。通过在国际电工委员会 (IEC) 通用信息模型 (CIM) 标准系列 IEC61970、IEC61968 和 IEC62325 的框架内设计和开发 BUC，解决了 TSO、DSO 和其他利益相关者之间的互操作性。鉴于缺乏现场试点测试，所提出的标准化 BUC 在真实的斯洛文尼亚 TSO 和 DSO 网络上进行了演示。本文介绍的模拟实验有两个方面。一方面，基于标准化 BUC 的所提出的数据交换机制证明了以 CIM 通用电网模型交换标准 (CGMES) 格式在 TSO、DSO 和其他利益相关者（例如重要电网用户 (SGU) 和电表运营商）之间成功交换数据的可行性。另一方面，通过对不同网络拓扑、DG 运行场景和电容器组的大小和位置进行灵敏度和稳健性分析，验证了所提出的分散式 TSO-DSO 协调方法通过管理不同 RES（例如电容器组和不同的分布式发电机 (DG)，即水电、光伏 (PV) 和热电联产单元）注入的无功功率来调节高压 (HV) 的能力。模拟结果表明，所提出的方法可以管理分布式发电，使其贡献额外的（正或负）无功功率，以减少电网中的电压偏差，通过减少从 TSO 到 DSO 网络的无功功率流动（反之亦然）来改善 DSO 边界的电能质量，并将高压电压保持在安全值内。不幸的是，对于电容器组来说情况并非如此，所提出的方法管理其注入的无功功率以调节高压电压的能力高度依赖于其大小和位置，需要根据具体情况进行研究。