XiaoMi-AI文件搜索系统
World File Search System物理的
用于沉浸式图像引导神经导航系统的基于物理的自适应非刚性配准
目的：在图像引导的神经外科手术中，联合配准的术前解剖、功能和扩散张量成像可用于安全切除脑部重要区域的脑肿瘤。然而，脑部在手术过程中会变形，尤其是在切除肿瘤的情况下。术前图像数据的非刚性配准 (NRR) 可用于创建配准图像，该配准图像可捕捉术中图像中的变形，同时保持术前图像的质量。本文利用临床数据报告了几种处理脑变形的非刚性配准方法的准确性和性能比较结果。提出了一种新的自适应方法，该方法可自动去除切除肿瘤区域中的网格元素，从而处理切除时的变形。为了改善用户体验，我们还提出了一种将混合现实与超声、MRI 和 CT 结合使用的新方法。
基于物理的数字孪生，用于自主无人机着陆的模型预测控制
本文提出了一种两级数据驱动的数字孪生概念，用于飞机的自主着陆，并给出了一些假设。它具有一个用于模型预测控制的数字孪生实例；以及一个用于流体结构相互作用和飞行动力学的创新实时数字孪生原型。后者的数字孪生基于对高保真、粘性、非线性飞行动力学计算模型的预先设计的下滑道轨迹的线性化；并将其投影到低维近似子空间，以实现实时性能，同时保持准确性。其主要目的是实时预测飞行过程中飞机的状态以及作用于飞机的空气动力和力矩。与基于稳态风洞数据的静态查找表或基于回归的替代模型不同，上述实时数字孪生原型允许模型预测控制的数字孪生实例由真正动态的飞行模型而不是一组不太准确的稳态气动力和力矩数据点来告知。本文详细描述了所提出的两级数字孪生概念的构建及其通过数值模拟的验证。它还报告了其在斯坦福大学现成的无人机在自主模式下的初步飞行验证。
物理引擎作为直观物理的认知模型...
许多研究声称，人类的物理推理主要由运行“头脑中的物理引擎”组成，其中考虑的物理系统的未来轨迹是使用精确的科学理论精确计算的。在这样的模型中，不确定性和不完全知识通过在可能的轨迹空间中进行概率采样来处理（“蒙特卡罗模拟”）。我们认为这种基于模拟的模型太弱，因为人类物理推理的许多重要方面无法以这种方式进行，或者只能非常低效地进行；而且太强，因为人类会犯模型无法解释的重大系统性错误。我们得出结论，基于模拟的推理最多只构成包含广泛其他认知过程的更大系统的一小部分。
一种用于独立于模型寻找新物理的量子算法
我们提出了一种新颖的量子技术，用于在多维对撞机数据中搜索未建模的异常。我们建议将伊辛格子自旋站点与每个容器相关联，并使用根据观测数据和相应的理论期望适当构建的伊辛汉密尔顿量。为了捕获数据中的空间相关异常，我们引入了相邻站点之间的自旋-自旋相互作用以及自相互作用。所得伊辛汉密尔顿量的基态能量可用作新的检验统计量，可以通过经典方法或绝热量子优化计算。我们证明我们的检验统计量优于一些最常用的拟合优度检验。新方法通过利用统计噪声和真正的新物理信号之间的典型差异，大大减少了“别处寻找”效应。
利用基于物理的混合机器学习/分子力学潜力实现炼金术自由能计算的化学精度
1 计算与系统生物学项目，斯隆凯特琳研究所，纪念斯隆凯特琳癌症中心，纽约，纽约州 10065，美国；2 化学生物学三机构博士项目，威尔康奈尔医学科学研究生院，纽约，纽约州 10065，美国；3 计算生物学和医学三机构博士项目，威尔康奈尔医学科学研究生院，纽约，纽约州 10065，美国；4 生理学、生物物理学和系统生物学研究生项目，威尔康奈尔医学科学研究生院和计算与系统生物学研究生项目，斯隆凯特琳研究所，纪念斯隆凯特琳癌症中心，纽约，纽约州 10065，美国；5 纽约州奥奈市，纽约州；6 佛罗里达大学化学系；7 卡内基梅隆大学化学系； 15 8 奥地利维也纳大学药物化学系 16
使用基于物理的模型对频率调节市场的电池系统进行多尺度模型预测控制
我们为固定电池系统提出了一种多尺度模型预测控制 (MPC) 框架，该框架利用高保真模型来权衡能源和频率调节 (FR) 市场提供的短期经济激励与长期退化效应。我们发现 MPC 框架可以大幅减少长期退化，同时正确响应 FR 和能源市场信号（与使用低保真模型的 MPC 公式相比）。我们的结果还证明，可以使用现代非线性规划求解器将复杂的电池模型嵌入闭环 MPC 模拟中（我们在 Julia 中提供了一个高效且易于使用的实现）。我们利用从模拟中获得的见解来设计一个低复杂度的 MPC 公式，该公式与使用高保真模型获得的行为相匹配。这是通过设计一个合适的终端惩罚项来实现的，该惩罚项隐式地捕获长期退化。结果表明，通过正确设计成本函数，可以在低复杂度 MPC 公式中解释复杂的退化行为。我们相信，我们的概念验证结果具有工业意义，因为电池供应商正在寻求参与快速变化的电力市场，同时保持资产完整性。
从基于物理的模型到通过可解释机器学习的预测数字孪生
这项工作开发了一种从代表各种资产状态的基于物理的模型库中创建数据驱动的数字孪生的方法。使用可解释的机器学习更新数字孪生。具体来说，我们使用最优树（一种最近开发的可扩展机器学习方法）来训练可解释的数据驱动分类器。分类器的训练数据是使用基于物理的模型库解决的模拟场景离线生成的。可以使用实验或其他历史数据进一步增强这些数据。在操作中，分类器使用来自资产的观测数据来推断模型库中哪些基于物理的模型是更新的数字孪生的最佳候选者。通过为 12 英尺翼展无人机开发结构数字孪生来展示该方法。该数字孪生模型由一系列结构状态下的飞行器降阶模型库构建而成。数据驱动的数字孪生模型会根据结构损坏或退化动态更新，从而使飞机能够相应地重新规划安全任务。在此背景下，我们研究了最优树分类器的性能，并展示了它们的可解释性如何使从稀疏传感器测量中进行可解释的结构评估成为可能，并为最佳传感器放置提供信息。