XiaoMi-AI文件搜索系统
World File Search System神经网络
直接金属沉积中基于神经网络的过程模型的迁移学习
增材制造工艺在工业领域越来越重要。特别是直接金属沉积 (DMD) 是一种很有前途的制造技术，因为它可以实现广泛的应用，例如从头开始制造零件、在传统加工的原始零件上添加材料，甚至高效修复高价值零件 [1]。除了许多优点外，该工艺的可控性仍然很困难，导致内部缺陷、几何偏差或微观结构不均匀。相变、粉末-气体动力学和参数不确定性等多种物理现象会影响工艺行为并使工艺处理复杂化。因此，需要进行大量的实验活动来确定具有可接受几何和材料性能的工艺参数
使用人工神经网络预测 DED 制造过程中的热场
AAbstr bstract act.. 在过去十年中，机器学习越来越吸引多个科学领域的研究人员，特别是在增材制造领域。同时，这项技术对许多研究人员来说仍然是一种黑箱技术。事实上，它允许获得新的见解，以克服传统方法（例如有限元方法）的局限性，并考虑制造过程中发生的多物理复杂现象。这项工作提出了一项全面的研究，用于实施机器学习技术（人工神经网络），以预测 316L 不锈钢和碳化钨直接能量沉积过程中的热场演变。该框架由有限元热模型和神经网络组成。还研究了隐藏层数和每层节点数的影响。结果表明，基于 3 或 4 个隐藏层和整流线性单元作为激活函数的架构可以获得高保真度预测，准确率超过 99%。还强调了所选架构对模型准确性和 CPU 使用率的影响。所提出的框架可用于预测模拟多层沉积时的热场。
条件感知的神经网络，用于受控图像生成
我们介绍C ONTITION- WARE神经N ETWORK（CAN），这是一种将控制添加到图像生成模式中的新方法。与先前的条件控制方法并行，可以通过动态降低神经网络的重量来控制图像生成过程。这是通过引入条件感知的重量产生模式来实现的，该模块会根据输入条件为卷积/线性层生成条件重量。我们测试可以在Coco上的ImageNet和文本对图像生成上生成类别图像的生成。可以始终如一地为包括DIT和UVIT在内的扩散变压器模型提供显着改进。特别是，Ca n与有效的T（CAT）结合在Imagenet 512×512上达到2.78 FID，超过DIT-XL/2，同时每个采样步骤需要少52×MAC。
通过噪声生长和自组织的神经网络
活神经网络通过生长和自组织过程出现，从单个细胞开始，最终形成大脑，一个有组织、有功能的计算设备。然而，人工神经网络依靠人类设计的手工编程架构来实现其卓越的性能。我们能否开发出无需人工干预就能生长和自组织的人工计算设备？在本文中，我们提出了一种受生物启发的开发算法，该算法可以从单个初始细胞“生长”出一个功能齐全的分层神经网络。该算法组织层间连接以构建视网膜主题池化层。我们的方法受到早期视觉系统所采用的机制的启发，在动物睁开眼睛前几天，该系统将视网膜连接到外侧膝状体 (LGN)。稳健自组织的关键因素是第一层中出现的自发时空活动波和第二层中“学习”第一层中底层活动模式的局部学习规则。该算法可适应各种输入层几何形状，对第一层中的故障单元具有鲁棒性，因此可用于成功增长和自组织不同池大小和形状的池架构。该算法提供了一种通过增长和自组织构建分层神经网络的原始程序。我们还证明了从单个单元增长的网络在 MNIST 上的表现与手工制作的网络一样好。从广义上讲，我们的工作表明，受生物启发的开发算法可以应用于在计算机中自主生长功能性“大脑”。
利用卷积神经网络进行快速对称微分同胚图像配准
微分同胚可变形图像配准在许多医学图像研究中至关重要，因为它提供了独特的属性，包括拓扑保存和变换的可逆性。最近基于深度学习的可变形图像配准方法利用卷积神经网络（CNN）从合成基本事实或相似性度量中学习空间变换，从而实现快速图像配准。然而，这些方法往往忽略了变换的拓扑保存和变换的平滑性，而平滑性仅由全局平滑能量函数来强制执行。此外，基于深度学习的方法通常直接估计位移场，这不能保证逆变换的存在。在本文中，我们提出了一种新颖的、有效的无监督对称图像配准方法，该方法最大化微分同胚图空间内图像之间的相似性，并同时估计正向和逆变换。我们使用大规模脑图像数据集在 3D 图像配准上评估了我们的方法。我们的方法实现了最先进的配准精度和运行时间，同时保持了理想的微分同胚特性。
使用变分循环神经网络进行主动推理，为习惯智能体进行目标导向规划
摘要：至关重要的是要问，代理如何仅使用通过习惯性感觉运动经验获得的部分世界模型来生成行动计划，从而实现目标。尽管许多现有的机器人研究都使用了前向模型框架，但存在高自由度的泛化问题。当前的研究表明，采用生成模型的预测编码 (PC) 和主动推理 (AIF) 框架可以通过学习低维潜在状态空间中的先验分布来开发更好的泛化，该先验分布表示从习惯性感觉运动轨迹中提取的概率结构。在我们提出的模型中，学习是通过推断最佳潜在变量以及突触权重来最大化证据下限来进行的，而目标导向规划是通过推断潜在变量来最大化估计下限来完成的。我们提出的模型在模拟中使用简单和复杂的机器人任务进行了评估，通过为正则化系数设置中间值，证明了在有限的训练数据下学习中具有足够的泛化能力。此外，比较模拟结果表明，由于先验学习将运动计划的搜索限制在习惯轨迹范围内，因此所提出的模型在目标导向规划中优于传统的前向模型。
神经网络中的量化优势与局限性
● 1943 年 - Pitts 和 McCulloch 创建了基于人脑神经网络的计算机模型 ● 20 世纪 60 年代 - 反向传播模型基础 ● 20 世纪 70 年代 - AI 寒冬：无法兑现的承诺 ● 20 世纪 80 年代 - 卷积出现，LeNet 实现数字识别 ● 1988-90 年代 - 第二次 AI 寒冬：AI 的“直接”潜力被夸大。AI = 伪科学地位 ● 2000-2010 年 - 大数据引入，第一个大数据集 (ImageNet) ● 2010-2020 年 - 计算能力，GAN 出现 ● 现在 - 深度学习热潮。AI 无处不在，影响着新商业模式的创建
因果关系 - 时空图神经网络用于时空时间序列
时空时间序列通常是通过放置在不同位置的监视传感器来收集的，这些传感器通常由于各种故障而包含缺失值，例如机械损坏和内部中断。归纳缺失值对于分析时间序列至关重要。恢复特定的数据点时，大多数现有方法都考虑了与该点相关的所有信息，较小的因果关系。在数据收集期间，不可避免地包括一些未知的混杂因素，例如，时间序列中的背景噪声和构造的传感器网络中的非杂货快捷方式边缘。这些混杂因素可以打开后门路径并在输入和输出之间建立非泡沫相关性。过度探索这些非毒性相关性可能会导致过度拟合。在本文中，我们首先从因果的角度重新审视时空时间序列，并展示如何通过前门调整来阻止混杂因素。基于前门调整的结果，我们引入了一种新颖的C技术性-Ware Sp aTiot e Mpo r al图神经网络（CASPER），其中包含一种新型的基于及时的解码器（PBD）和空间 - 可导致的因果发生（SCA）。PBD可以减少混杂因素的影响，而SCA可以发现嵌入之间的因果关系稀疏。理论分析表明，SCA根据梯度值发现因果关系。我们在三个现实世界数据集上评估Casper，实验结果表明，Casper可以胜过基准，并可以有效地发现因果关系。