XiaoMi-AI文件搜索系统
World File Search System语义技术
大型语言模型的技术映射
在当今快速发展的业务格局中，深入了解组织使用的技术堆栈对于建立合作伙伴关系，发现市场开放并为战略选择提供信息至关重要。但是，常规的技术映射通常会取决于关键字搜索，与纯粹的规模和可用数据的多种数据进行斗争，通常无法捕获新生的技术。为了克服这些障碍，我们提出了恒星（语义技术和检索系统），这是一个新颖的框架，该框架利用大型语言模型（LLMS）和句子 - 句子来确定在非结构化内容，构建全面的公司概况中，并根据其运营的重要性对相关的技术进行列表。通过将实体提取与经过思考链提示和采用语义排名相结合，Stars提供了一种映射公司技术组合的精确方法。实验结果表明，恒星显着提高了检索准确性，为跨行业技术映射提供了多功能且高性能的解决方案。
语义驱动的交易空间框架，用于加速飞机制造系统设计
在飞机制造系统的设计阶段，需要根据关键性能指标评估不同的工业场景，以实现最佳系统性能。这是一个高度复杂的过程，涉及多学科利益相关者、各种数字工具和协议。为了解决此过程中的数字不连续性挑战，本文提出了一种基于语义技术和基于模型的系统工程的交易空间框架。它旨在实现需求管理、架构定义、制造系统设计、解决方案验证和可视化的功能集成。开发了一个应用本体来集成装配系统领域知识、工业需求和系统架构模型信息。所提出的框架在案例研究中得到实施，以支持机身轨道接头工艺设计，这是飞机总装线的一部分。提出了一个工具链来支持实施，该工具链由一组与框架功能模块相对应的支持软件组成。工业系统工程师首先在应用本体的支持下设计不同的制造系统架构
利用十亿边缘知识图谱进行药物研究......
药物开发是一个资源和时间密集型的过程，导致流失率高达 90%。因此，重新利用具有既定安全性和药代动力学特征的现有药物正成为加速治疗方法开发的一种方式，这种做法越来越受到关注。我们开发了独特的机器学习驱动的自然语言处理和生物医学语义技术，挖掘了超过 5300 万份生物医学文档，自动生成 911M 边缘知识图谱。然后，我们应用了子图查询，使用遗传证据将药物与疾病关联起来，以确定多种疾病的潜在药物重新利用候选药物。我们使用一种尚无已知治疗方法的疾病——卡尼综合征来说明我们的方法。该分析显示，芦可替尼（Incyte，商品名 Jakafi）是一种具有既定安全性和有效性特征的 JAK1/2 抑制剂，已获准用于治疗骨髓纤维化，它通过脱靶药物活性，成为治疗卡尼综合征的潜在候选药物。
MAMBO：用于多尺度材料和应用的轻量级本体
摘要：计算和实验工具的进步最近导致了新型先进功能材料开发的重大进展，与此同时，材料数据和信息总量也迅速增长。然而，要有效发挥先进数据密集型方法的潜力，需要在材料研究和开发背景下系统而有效地组织知识。语义技术可以支持知识的结构化和形式化组织，为数据的集成和互操作性提供平台。在本文中，我们介绍了材料和分子基础本体 (MAMBO)，旨在组织分子材料和相关系统（纳米材料、超分子系统、分子聚集体等）计算和实验工作流领域的知识。MAMBO 结合了相邻领域材料科学本体的最新努力，旨在填补当前最先进的材料开发和设计知识建模方法的空白，针对分子尺度和更高尺度领域的交叉领域。 MAMBO 专注于操作流程、轻量级和模块化，能够扩展到更广泛的知识领域，并集成与计算和实验工具相关的方法和工作流程。MAMBO 有望推动数据驱动技术在分子材料中的应用，包括用于材料设计和发现的预测机器学习框架和自动化平台。
来自微电子领域的推理挑战本体
Acatech 1 在 2020 年进行的一项研究表明，制造业在系统转型计划的设计方面仍落后于预期。工业 4.0 成熟度中心的一项调查得出了以下结论：接受调查的公司中有 80% 已经进入了工业 4.0 的六个发展阶段中的第二个阶段。该研究表明，标准化的缺乏和技术概念的实施不足。在这种情况下，一个概念就是本体。由于现实世界的本体具有高度的复杂性，推理器在实时应用中经常会失败，从而无法轻松地在本体上工作。推理性能和任务是语义技术和应用大规模突破的重要瓶颈。对于应用和当前开发的本体，例如物联网，推理很少或不存在。在这些情况下，域描述包含公理，主要是作为域的概念化，然后该概念化通过打开数据孤岛并充当通用语义 API 来实现互操作性。从这个意义上说，本体论在不需要使用推理能力的情况下也是有用的。例如，应用程序只是定义语义以在三元组存储中使用它们。然而，它们并没有实现其潜力和完整的目的。
人工智能理学士学位课程...
代码 课程名称 学分 AI300 人工智能中的概率方法 3-0-3 AI302 数字图像处理 3-0-3 AI304 语音处理 3-0-3 AI310 人工智能项目设计与开发 3-0-3 AI311 微控制器与嵌入式系统 3-0-3 AI312 自动化与机器人 3-0-3 AI313 物联网 3-0-3 AI314 普适计算 3-0-3 AI315 自动化中的人工智能 3-0-3 AI321 语义技术 3-0-3 AI322 计算语言学 3-0-3 AI323 信息检索 3-0-3 AI341 游戏人工智能 3-0-3 AI342 生物识别智能 3-0-3 AI405 认知人工智能 3-0-3 AI406 脑机接口3-0-3 AI407 生物启发计算 3-0-3 AI408 计算生物学 3-0-3 AI409 进化计算 3-0-3 AI415 智能系统 3-0-3 AI416 基于代理的建模 3-0-3 AI417 群体智能 3-0-3 AI424 链接数据工程 3-0-3 AI434 深度学习 3-0-3 AI435 强化学习 3-0-3 AI442 边缘计算 3-0-3 AI443 虚拟和增强现实 3-0-3 CS333 自动机理论 3-0-3 CS437 数据仓库和数据挖掘 3-0-3 MA421 数值分析 3-0-3 MT446 数字信号处理 3-0-3 MA105 多变量微积分 3-0-3
向供应链的过渡4.0
在技术层面上，本文的发现揭示了与以下十二个技术有关的福利，chal lenges和关键因素的三重奏：物联网；人工智能;云计算；区块链；大数据技术；增强现实；自动化;机器人技术；增材制造；模拟;人间网和语义技术。在一般层面上，福利，挑战和关键因素的三重奏如下：收益包括供应链透明度，增强决策，供应链集成以及供应链过程优化。挑战包括高昂的成本，必要的技能，安全和隐私问题，基础设施发展的复杂性，供应链4.0中的协调性的复杂性以及技术本身内的固有复杂性。识别一般级别的关键因素的识别植根于业务技术的一致性，进一步分为三个一致方面：政权与新生基对准的关键因素，利基至政权一致性的关键因素以及政权和利基一致性的关键因素。与政权对齐相关的关键因素涉及供应链流程重新设计，数据管理和管理承诺。有关利基市场一致性的关键因素包括对制度解决方案提供商对政权环境的理解，技术设计和解决方案的自定义以及技术维护。与政权和利基一致性有关的关键因素包括提供必要的技能和知识，财务计划
基于自动故障检测和诊断的空气处理机组数字孪生预测性维护框架
建筑行业是全球能源消耗最多的行业，因此成为能源效率举措的优先事项。供暖、通风和空调 (HVAC) 系统是建筑物的核心。稳定的空气处理机组 (AHU) 运行对于确保高效率和延长 HVAC 系统的使用寿命至关重要。本研究提出了 AHU 的数字孪生预测性维护框架，以克服目前在建筑物中使用的设施维护管理 (FMM) 系统的局限性。数字孪生技术在设施管理行业中仍处于起步阶段，它使用建筑信息模型 (BIM)、物联网 (IoT) 和语义技术为建筑设施制定更好的维护策略。实施预测性维护框架需要三个模块：基于 APAR（空气处理机组性能评估规则）方法的 AHU 运行故障检测、使用机器学习技术的状态预测以及维护计划。此外，在挪威一栋教育建筑的真实案例研究中，对所提出的框架进行了测试，使用 2019 年 8 月至 2021 年 10 月之间的数据，以验证该方法的可行性。还通过 FM 系统获取了检查信息和以前的维护记录。结果表明，不断更新的数据结合 APAR 和机器学习算法可以检测故障并预测空气处理系统的未来状态
NASA 建模、模拟、信息技术和处理 - TA11
前言 执行摘要 TA11-1 1. 概述 TA11-2 1.1. 技术方法 TA11-2 1.2. 优势 TA11-2 1.3. 适用性/可追溯性（针对 NASA 战略目标） TA11-2 1.4. 主要技术挑战 TA11-5 2. 详细投资组合讨论 TA11-7 2.1. 摘要说明和技术领域分解结构（TABS） TA11-7 2.2. TABS 中各列的说明 TA11-8 2.2.1. 计算 TA11-8 2.2.1.1. 飞行计算 TA11-8 2.2.1.2. 地面计算 TA11-11 2.2.2. 建模 TA11-11 2.2.2.1. 软件建模和模型检查 TA11-11 2.2.2.2.集成硬件和软件建模 TA11-12 2.2.2.3. 人机系统性能建模 TA11-12 2.2.2.4. 科学与航空航天工程建模 TA11-13 2.2.2.5. 框架、语言、工具和标准 TA11-16 2.2.3. 模拟 TA11-17 2.2.3.1. 分布式模拟 TA11-17 2.2.3.2. 集成系统生命周期模拟 TA11-17 2.2.3.3. 基于模拟的系统工程 TA11-18 2.2.3.4. 基于模拟的训练和决策支持 TA11-19 2.2.4. 信息处理 TA11-19 2.2.4.1. 科学、工程和任务数据生命周期 TA11-19 2.2.4.2.智能数据理解 TA11-19 2.2.4.3. 语义技术 TA11-21 2.2.4.4. 协作科学与工程 TA11-21 2.2.4.5. 先进任务系统 TA11-22 3. 与其他技术领域的相互依赖性 TA11-25 4. 对其他国家需求的可能益处 TA11-25 缩略词 TA11-26 致谢 TA11-27 参考文献 TA11-27
基于自动故障检测和诊断的空气处理机组数字孪生预测性维护框架
建筑行业是全球能源消耗最多的行业，因此成为节能举措的重点。供暖、通风和空调 (HVAC) 系统是建筑的核心。稳定的空气处理机组 (AHU) 运行对于确保高效率和延长 HVAC 系统的使用寿命至关重要。本研究提出了 AHU 的数字孪生预测性维护框架，以克服目前在建筑中使用的设施维护管理 (FMM) 系统的局限性。数字孪生技术在设施管理行业仍处于起步阶段，它使用建筑信息模型 (BIM)、物联网 (IoT) 和语义技术来为建筑设施制定更好的维护策略。实施三个模块来执行预测性维护框架：基于 APAR（空气处理单元性能评估规则）方法的 AHU 运行故障检测、使用机器学习技术进行状态预测和维护计划。此外，在挪威一栋教育建筑中使用 2019 年 8 月至 2021 年 10 月之间的数据对所提出的框架进行了实际案例研究，以验证该方法的可行性。还通过 FM 系统获取检查信息和以前的维护记录。结果表明，不断更新的数据与 APAR 和机器学习算法相结合可以检测故障并预测空气处理单元 (AHU) 组件的未来状态，这可能有助于维护计划。消除检测到的操作故障可每年节省数千美元的能源，因为消除了已识别的操作故障。� 2022 作者。由 Elsevier B.V. 出版。这是一篇根据 CC BY 许可开放获取的文章 ( http://creativecommons.org/licenses/by/4.0/ )。