XiaoMi-AI文件搜索系统
World File Search System辅助设计
通过角色空间构建进行人工智能辅助设计概念探索
我们提出了一种人工智能辅助设计概念探索工具——“特征空间构建”（“CSC”）。概念设计师用语言探索和表达目标产品的美学和语义，使用“设计概念短语”（“DCP”），即复合形容词短语和对比术语来表达不是他们的目标设计概念的内容。设计师经常利用这种二分法技术与利益相关者沟通他们的美学和语义设计概念的性质，尤其是在早期设计开发阶段。CSC 通过以结构化的方式构建“特征空间”（“CS”）（一种语义象限系统）来协助设计师的认知活动。设计师在 CSC 的帮助下创建的 CS 使他们能够辨别和解释他们的设计概念与对立术语的对比。CS 中的这些术语通过使用知识图谱在 CSC 中检索和组合。CSC 将术语和短语作为候选列表呈现给用户，用户可以从中进行选择以定义目标设计概念，然后在 CS 中将其可视化。我们实验中的参与者都是“艺术与设计”专业的，他们被赋予了两种条件来创建和解释 DCP。一组在拟议的 CSC 的帮助下创建并解释了 DCP，另一组在没有这种帮助的情况下完成了同样的任务，但可以自由使用任何公开的 Web 搜索工具。结果表明，得到 CSC 帮助的小组表示他们的任务得到了明显更好的支持，尤其是在探索方面，这可以通过创造力支持指数 (CSI) 来衡量。
综述 人工智能辅助设计仿真技术在先进封装可靠性寿命预测中的应用概述
摘要：影响晶圆级先进封装可靠性的设计参数包括上下焊盘尺寸、焊料体积、缓冲层厚度、芯片厚度等。传统上，采用加速热循环试验（ATCT）来评估电子封装的可靠性寿命，但通过ATCT优化设计参数耗时长、成本高，减少实验次数成为关键问题。近年来，许多研究人员采用基于有限元的仿真设计（DoS）技术进行电子封装可靠性评估。DoS技术可以有效缩短设计周期、降低成本，并有效优化封装结构。然而，仿真分析结果高度依赖于研究人员个体，并且通常彼此不一致。人工智能（AI）可以帮助研究人员避免人为因素的缺点。本研究通过结合人工智能和仿真技术来预测晶圆级封装 (WLP) 可靠性，展示了 AI 辅助 DoS 技术。为了确保可靠性预测准确性，在创建大型 AI 训练数据库之前，通过多次实验验证了模拟程序。本研究研究了几种机器学习模型，包括人工神经网络 (ANN)、循环神经网络 (RNN)、支持向量回归 (SVR)、核岭回归 (KRR)、K 最近邻 (KNN) 和随机森林 (RF)。本研究根据预测准确性和 CPU 时间消耗对这些模型进行了评估。
BOIN：用于设计单一药剂和药物的 R 包......
贝叶斯最优区间 (BOIN) 设计 (Liu 和 Yuan 2015；Yuan et al. 2016) 是一种新颖的 I 期临床试验方法，属于称为模型辅助设计 (Yan、Mandrekar 和 Yuan 2017；Zhou、Murray、Pan 和 Yuan 2018a) 的新类别，它结合了基于算法的设计的简单性与基于模型的设计的卓越性能。BOIN 设计可以像 3+3 设计一样简单地实现，但其性能却可与更复杂的基于模型的 CRM (Zhou、Yuan 和 Nie 2018b；Zhou et al. 2018a) 相媲美。模型辅助设计的另一个例子是键盘设计 (Yan et al. 2017)。由于其良好的性能和简单性，模型辅助设计在实践中的应用越来越多。 Clertant 和 O'Quigley (2017) 提出了一种半参数方法，建立了 BOIN 与其他设计（例如累积队列设计（Ivanova、Flournoy 和 Chung 2007））之间的联系。
皮拉图斯飞机案例研究
Mentor Graphics 的电子计算机辅助设计 (ECAD) 工具 Capital Logic 也是 Pilatus PLM 解决方案的基本组成部分。该工具利用 Teamcenter 的接口功能。接口集成和定制的一项要求是使数据传输尽可能自动化。例如，在 Capital Logic 中创建的报告会自动读入 Teamcenter 并存储在正确的位置。此外，零件元数据（例如零件编号）也会自动同步。这降低了输入重复或错误的风险。这种自动化功能可以实现更快、更准确的沟通，并减少 ECAD 工程师的管理工作量。
COA国际会议 - ...
本曲目的重点是已建立的破坏性技术，这些技术已经对建筑，设计和城市主义产生了重大影响。鼓励参与者探索AI，区块链，增强现实和物联网等技术的应用和含义。的讨论可能包括在重塑建筑环境并增强城市体验方面的成功实施的研究。该主题还将有助于说明有关颠覆性技术的第一手经验的建筑，设计和城市主义领域中著名的智力立场和著名观点。例如，在过去三十年中，CADD的出现（计算辅助设计和制图）以什么方式塑造了建筑领域？永远，好坏？
基于故障物理 (PoF) 的功率寿命预测...
摘要：本文介绍了如何使用故障物理 (PoF) 方法在早期设计阶段快速准确地预测印刷电路板 (PCB) 级电力电子设备的寿命。结果表明，精确建模硅金属层、半导体封装、印刷电路板 (PCB) 和组件的能力可以预测由于热、机械和制造条件导致的焊料疲劳故障。该技术可以预测 PCB 的生命周期，同时考虑到它在运行期间会遇到的环境压力。它主要涉及将电子计算机辅助设计 (eCAD) 电路布局转换为具有精确几何形状的计算流体动力学 (CFD) 和有限元分析 (FEA) 模型。由此，应用热循环、机械冲击、固有频率以及谐波和随机振动等应力源来了解 PCB 退化以及半导体和电容器磨损，并相应地提供高保真功率 PCB 建模的方法，随后可用于促进飞机系统和子系统的虚拟测试和数字孪生。
计算机辅助工业设计系统的优化...
摘要：客机概念设计系统可以辅助设计人员提高设计质量、提高工作效率、缩短设计周期、降低研发成本。针对现有客机概念设计系统TADAO存在技术路线不足、设计辅助能力弱、部分模块缺乏理论推导、系统鲁棒性弱等不足，本文对客机基本参数估算模块、客舱布局模块、机翼尾翼外形初步设计模块进行了更新，并增加了总体参数灵敏度分析模块。参考相关飞机总体设计文献及理论推导，总结出一套基本参数初步估算方法，能够以较少的输入参数估算出主要基本参数。参考相关飞机总体设计文献，总结出一套机翼尾翼外形初步设计方法，可用于快速外形设计；通过比较不同的技术路线，确定了总体参数灵敏度分析方法。
and artificial intelligence-assisted material design of steels
摘要：随着人工智能技术的快速发展和增加的材料数据，机器学习和人工智能辅助设计高性能钢材的设计正成为材料科学的主流范式。基于计算机科学，统计学和材料科学之间的跨学科学科的机器学习方法擅长发现许多数据点之间的相关性。与材料科学中传统的物理建模方法相比，机器学习的主要优点是它克服了材料本身的复杂物理机制，并为新型材料的研究和开发提供了新的视角。本综述始于数据预处理和引入不同的机器学习模型，包括算法主张和模型评估。然后，根据优化组成，结构，处理和性能的主题，对在钢铁研究领域中应用机器学习方法的一些成功案例进行了审查。还审查了机器学习方法在材料组成的面向性能的逆设计和钢缺陷检测中的应用。最后，总结了材料领域中机器学习的适用性和局限性，并讨论了未来的方向和前景。