XiaoMi-AI文件搜索系统
World File Search System胜过
迷彩：使用调制强化学习的相关性掩盖优化
抽象的光学接近校正（OPC）是确保现代VLSI制造业印刷能力的重要步骤。已经提出了基于机器学习的各种OPC方法来追求性能和效率，这些方法通常是数据驱动的，几乎不涉及OPC问题的任何特定考虑，从而导致潜在的性能或效率瓶颈。在本文中，我们提出了Camo，这是一种基于加固学习的OPC系统，该系统专门整合了OPC问题的重要原理。迷彩明确涉及相邻段的移动之间的空间相关性和用于运动动作选择的OPC启发的调制。实验都是通过层图案和金属层图案进行的。结果表明，迷彩胜过学术界和行业的最先进的OPC发动机。
迷彩：使用调制强化学习的相关性掩盖优化
抽象的光学接近校正（OPC）是确保现代VLSI制造业印刷能力的重要步骤。已经提出了基于机器学习的各种OPC方法来追求性能和效率，这些方法通常是数据驱动的，几乎不涉及OPC问题的任何特定考虑，从而导致潜在的性能或效率瓶颈。在本文中，我们提出了Camo，这是一种基于加固学习的OPC系统，该系统专门整合了OPC问题的重要原理。迷彩明确涉及相邻段的移动之间的空间相关性和用于运动动作选择的OPC启发的调制。实验都是通过层图案和金属层图案进行的。结果表明，迷彩胜过学术界和行业的最先进的OPC发动机。
开发类似人类的人工智能（及其原因）
摘要 既然计算机在算术计算方面已经胜过人类，为什么我们还要开发像人类一样的人工智能呢？除了算术不仅仅包含计算之外，一个可能的原因是人工智能研究可以帮助我们解释人类算术认知的发展。在这里我认为这个问题需要在基本的、非符号的数值认知的背景下进行研究。通过分析最近关于人工神经网络的机器学习研究，我展示了人工智能研究如何有可能揭示人类数值能力的发展，从原始的算术能力（速算和估算）到计数程序。虽然目前的结果还远未得出结论，还需要做更多的工作，但我认为，当我们试图解释数值认知和算术智能的发展和特征时，人工智能研究应该纳入跨学科工具箱中。这使得它与数学认识论也息息相关。
aya模型：指令对开放式访问多语言模型
大型语言模型（LLM）的最新突破已围绕少数数据富含数据的语言。扩大超越一流公民语言的突破需要什么？我们的作品介绍了AYA，这是一种大量多语言的生成语言模型，遵循101种语言的指导，其中50％以上被认为是较低的资源。aya在大多数任务上胜过MT0和Bloomz，同时涵盖了两倍的语言数量。我们引入了广泛的新评估套件，扩大了跨99种语言的多语言评估的最新评估，包括歧视性和生成性任务，人类评估以及模拟的获胜率，涵盖了执行任务和分布性能的既有。此外，我们对我们模型的最佳芬特混合物组成，数据修剪以及毒性，偏见和安全性进行了详细研究。我们在https://hf.co/choereforai/aya-101
年度报告和审核财务报表
在截至2023年11月30日的12个月期间，基金以美元的总回报（基金的基本货币）为7.66％。这与MSCI新兴市场指数的总回报率为4.21％（“指数”）。该基金对小型股票的强调对相对于该指数的性能做出了积极贡献，因为小帽子股票的表现优于大型上限股票。较低的相对价格（价值）股票表现优于高相对价格（增长）股票，该基金对价值股票的强调也对相对于指数的绩效产生了积极贡献。相反，基金的可持续性考虑因素降低了相对于指数的绩效。投资组合对能源库存的体重不足，因为这些股票的表现都胜过相对性能。该指数仅用于市场上下文目的。
CNN和视觉模型的比较研究图表图像分类
摘要：图表图像分类是自动化数据提取和从可视化的解释的关键任务，这些任务被广泛用于业务，研究和教育等领域。在本文中，我们评估了卷积神经网络（CNN）和视觉模型（VLM）的性能，鉴于它们在各种图像分类和理解任务中的使用越来越多。，我们构建了25种图表类型的不同数据集，每个数据集包含1,000张图像，并培训了多个CNN体系结构，同时还评估了预训练的VLM的零拍概括能力。我们的结果表明，在经过专门用于图表分类的培训时，CNN胜过VLM，尽管如此，它仍显示出有希望的潜力，而无需特定于任务的培训。这些发现强调了CNN在图表分类中的重要性，同时突出了VLM的进一步微调的未开发潜力，这对于推进自动数据可视化分析至关重要。
创新与现代化 - 陆军后勤大学
由于这个复杂而不稳定的世界，我们的陆军需要远远超出当今的技术进步，以确保作战人员能够胜过任何竞争对手。随着部队实施面向未来的国防战略，创新和现代化（本期的主题）仍然是整个陆军的行动口号。作为后勤人员，我们必须完全融入每一项现代化努力和计划中，以解决保障问题，同时对设备和流程进行有计划的改进和升级。为了创新，我们必须首先做好基础工作。这一基础是通过培训、经验和持续的自我评估来建立的，我们诚实地了解我们目前的能力和能力。专业后勤人员必须能够预测新系统、设备和流程对运动、维护、供应可用性和生命周期保障的二阶和三阶影响。只有通过坚实的后勤基础，我们才能有效地为现代化做出贡献。
Telkomnika电信计算电子和控制
量子机学习是量子计算的重要组成部分，最近在世界范围内引起了研究的关注。在本文中，我们提出了一个量子机学习模型，以使用量子分类器对图像进行分类。我们展示了一个综合的量子分类器的结果，并特别适用于图像数据集的传输学习。这项工作将混合转移学习技术以及经典的预训练网络和变异量子电路作为其最终层在少量数据集中。使用Pennylane使用跨平台软件包的量子处理器中的量子处理器进行实现，用于使用量子计算机来评估高分辨率图像分类器。该模型的性能被证明比其对应物更准确，并且在时间和能力方面胜过所有其他现有的经典模型。
开发一个方法学框架，用于评估行星边界内电池升级的绝对可持续性
机器学习中的抽象未知未知数表示已知数据分布之外的数据点，并构成了传统机器学习模型的盲点。由于这些数据点通常涉及罕见和意外情况，因此模型可能会做出错误的预测，并可能导致灾难性情况。检测“未知未知数”对于确保机器学习系统的可靠性和鲁棒性并避免在现实安全至关重要的关键应用中出现意外失败至关重要。本文提出了使用主动学习数据选择机制依靠不确定性和多样性的主动学习数据选择机制来检测主动学习（U3DAL）中的无监督未知检测（U3DAL）。在Imagenet-A数据集和不同指标上验证了所提出的方法的有效性，这表明它表现出胜过检测“未知未知数”的现有方法。
空间中的钙钛矿太阳能电池：在太空环境中的钙钛矿太阳能孔传输材料的评估*
大多数航天器依赖太阳能作为主要能源。搜索具有高功率转化效率（PCE）的轻质和成本效果源导致有机无机金属卤化物钙钛矿太阳能电池（PSC）的发展。在本文中，在模拟的空间环境（例如热循环应力，高空气管，紫外线辐射和振动）中，比较了针对轨内立方体的不同孔传输材料（HTM）的PSC的性能。结果表明，即使有机和有机HTM显示出优质的初始PCE，碳HTM PSC在稳定性方面胜过它们，并且在太空中更实用。本文还讨论了卫星任务，并开发了硬件，以在板上进行第一次证明perovsk-Ite太阳能电池，以收集有关低年度轨道中钙钛矿太阳能电池性能以及如何进行地面测试结果的轨道内信息。