XiaoMi-AI文件搜索系统
World File Search System闭环
基于模型的强化学习闭环深部脑刺激控制器设计
摘要 — 目前，帕金森病 (PD) 在美国影响着大约 100 万人。深部脑刺激 (DBS) 是一种针对 PD 运动症状的外科治疗，通过向大脑的基底神经节 (BG) 区域提供电刺激。现有的商用 DBS 设备仅采用基于固定频率周期脉冲的刺激。虽然这种周期性高频 DBS 控制器可以有效缓解 PD 症状，但它们在能耗方面非常低效，并且这些电池供电设备的使用寿命仅限于 4 年。此外，固定高频刺激可能会产生副作用，例如言语障碍。因此，需要超越 (1) 固定刺激脉冲控制器和 (2) “一刀切”的与患者无关的治疗方法，以提供节能且有效（就缓解 PD 症状而言）的 DBS 控制器。在本研究中，我们引入了一种基于深度强化学习 (RL) 的方法，该方法可以得出特定于患者的 DBS 模式，这些模式既能有效减少基于模型的 PD 症状代理，又能节省能源。具体而言，我们将 BG 区域建模为马尔可夫决策过程 (MDP)，并将状态和动作空间分别定义为 BG 区域中神经元的状态和刺激模式。此后，我们在状态空间上定义奖励函数，并将学习目标设置为在有限范围内（即治疗持续时间）最大化累积奖励，同时限制平均刺激频率。我们使用实现生理相关基底神经节模型 (BGM) 的 Brain-on-Chip (BoC) FPGA 平台评估我们方法的性能。我们表明，我们基于 RL 的 DBS 控制器在能源效率方面明显优于现有的固定频率控制器（例如，比普通周期控制器节省 70% 的能源），同时适当减少了基于模型的 PD 症状代理。
LEO卫星轨道轨道通过闭环机器学习，并应用于机会性导航
摘要 - 提出了通过闭环机器学习的低地球轨道（LEO）卫星轨道预测的框架。通过改进地面车辆的导航，与使用简化的一般扰动4（SGP4）Orbit Orbit Expagator相比，使用“非合作” LEO卫星信号来证明该框架的功效，并通过“非合作” LEO卫星信号导航。该框架称为LEO-NNPON（具有机会性导航的NN预测），假定以下三个阶段。（i）LEO卫星第一通过（跟踪）：具有其位置提取物测量值的陆地接收器（伪造，载波相位和/或多普勒）从接收到的Leo卫星的信号中，使其能够估算到达的时间。LEO卫星的状态用SGP4传播的两行元素（TLE）数据初始化，随后在卫星可见性期间通过扩展的Kalman滤波器（EKF）估算。（ii）未观察的LEO卫星（预测）：在估计的ephemerides上对具有外源输入（NARX）NN的非线性自回归进行了训练，并用于传播Leo卫星的轨道，以期在此期间不观察卫星。（iii）LEO卫星第二通道（导航）：配备LEO接收器的地面导航器（例如，车辆），从Leo卫星的下链路信号中提取导航可观察到可观察到的可观察到的可观察到的可观察到的导航器。这些导航可观察物用于以紧密耦合的方式（例如，通过EKF）以紧密耦合的方式帮助导航器安装的惯性测量单元（IMU）。LEO卫星状态是从NN预测的胚层获得的。提出了装有工业级IMU导航4.05 km的地面车辆的实验结果，并提供了来自两个Orbcomm卫星的信号。比较了三个车辆导航框架，所有车辆导航框架都用全球导航卫星系统（GNSS） - 惯性导航系统（INS）位置和速度解决方案进行初始化。 （ii）使用SGP4传播的Leo Esphemerides的Leo-Aided Ins； （iii）与狮子座的狮子座。独立的三维（3-D）位置根平方（RMSE）为1,865 m，而SGP4的Leo Aided INS为175.5 m。 Leo-Nnpon的Leo Aided Ins为18.3 m，证明了拟议框架的功效。
LimSim++：用于在自动驾驶中部署多模态LLM的闭环平台
摘要 — 多模态大型语言模型 ((M)LLM) 的出现为人工智能开辟了新途径，尤其在自动驾驶领域，它提供了增强的理解和推理能力。本文介绍了 LimSim++，它是 LimSim 的扩展版本，专为 (M)LLM 在自动驾驶中的应用而设计。考虑到现有仿真平台的局限性，LimSim++ 满足了对支持自动驾驶持续学习和提高泛化能力的长期闭环基础设施的需求。该平台提供长时间、多场景模拟，为 (M)LLM 驱动的车辆提供关键信息。用户可以参与即时工程、模型评估和框架增强，使 LimSim++ 成为一个多功能的研究和实践工具。本文还介绍了一个基线 (M)LLM 驱动的框架，该框架通过在不同场景中的定量实验进行了系统验证。LimSim++ 的开源资源位于：https://pjlab-adg.github.io/limsim-plus/ 。索引词——自动驾驶汽车、闭环仿真、大型语言模型、知识驱动代理
超分子电解质启用的固态电池中的闭环阴极
将固态电池（SSB）解构为物理分离的阴极和固体电解质颗粒，与回收材料的阴极和分离器的再制造也保持密集。为了应对这一挑战，我们设计了超分子有机离子（猎户座）电解质，它们是电池运行温度下的粘弹性固体（ - 40°至45°C），但粘弹性液体是100°C以上的粘弹性液体，这既可以使高品质的SSB的制造和恢复生命的生命。SSB与Li金属阳极以及LFP或NMC阴极一起使用猎户座电解质，用于45°C的周期，容量较小，容量较小，容量较小。使用低温溶剂工艺，我们从电解质中分离了阴极，并证明翻新的细胞恢复了其初始容量的90％，并以另外的100个循环维持，其第二寿命的能力保留了84％。
兼顾零售群体与公平性的双渠道二级闭环供应链
零售集团的崛起增强了其在供应链中的话语权，供应链成员更加关注利润公平问题。为探究零售集团形成后公平关切对闭环供应链运营决策的影响，本文首先构建一个由零售集团主导、制造商跟进的二级双渠道闭环供应链，然后分别在公平中立（FN）、零售集团公平关切（FR）和制造商公平关切（FM）三种情景下构建相应的博弈模型，最后对博弈模型进行求解分析。结果表明，制造商通过调整批发价格更容易满足其公平诉求。此外，我们发现公平关切并不能提高旧产品的回收率和再制造的绿色度。对于零售集团而言，公平关切会损害其利润，但适当的公平关切有助于其零售业务的盈利增长。有趣的是，制造商的公平关切并不影响供应链系统的总盈利能力，但零售集团的公平关切却影响总盈利能力。本文识别了闭环供应链中零售集团的经营范围和权力结构的双重变化，并分析了这些变化引发的公平关切，从而为企业的运营决策提供新的建议。
使用多个独立控制接触的最佳闭环深部脑刺激
深部脑刺激 (DBS) 是治疗多种神经系统疾病（包括帕金森病和特发性震颤）的成熟方法。已知这些疾病的症状与基底神经节和丘脑的病理性同步神经活动有关。据推测，DBS 会使这种活动不同步，从而导致症状整体减轻。具有多个独立可控触点的电极是 DBS 技术的最新发展，它有可能更精确地瞄准一个或多个病理区域，减少副作用并可能提高治疗的功效和效率。然而，这些系统的复杂性增加促使人们需要了解 DBS 应用于大脑内多个区域或神经群时的效果。基于理论模型，我们的论文探讨了如何最好地将 DBS 应用于多个神经群以最大限度地使大脑活动不同步的问题。其中的核心是我们推导出的解析表达式，这些解析表达式可以预测在施加刺激时症状严重程度应如何变化。利用这些表达式，我们构建了一个闭环 DBS 策略，该策略描述了如何使用反馈信号的相位和幅度将刺激传递给各个接触点。我们模拟了我们的方法，并将其与文献中发现的另外两种方法进行了比较：协调复位和锁相刺激。我们还研究了我们的策略预计会产生最大效益的条件。
自动闭环胰岛素交付的实际实施：法国职位声明
hal是一个多学科的开放访问档案，用于存款和传播科学研究文件，无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
在操作风险和破坏条件下设计有弹性的闭环供应链网络
然后，根据中断的数量，开发了三个更重要的情况，其概率为0.3、0.2和0.5，以呈现不同量的客户需求和设施能力。使用LP度量模型解决多产品食品公司的问题表明，尽管供应链没有中断，但第一和第二个目标功能的强大最佳解决方案分别等于99.484和790.50。在制造产品方面；在第一个节点中，第一个和第二种情况的产品1和2的量没有变化，而是在第三种情况下更改1.4和2.5个单位。在第三个节点中，产品1的数量在第一个方案中没有变化，但是对于第二和第三种情况，它分别更改为10.60和6.8。产品2的数量在第一个和第三种情况下没有变化，而是第二种情况变化了7.7。在第10节点中，产品1和2的数量在第二种情况下没有变化，但是第一个和第三种情况的产品1的数量1变化了2.8和2.3。此外，对于第一和第三种情况，产品2的数量分别更改为10.3和2.8。在其他节点中，产品的量没有变化。对于不同节点中的两个产品，除了节点4、6、7和9和节点8中的乘积1，必须解决一些问题。
5G 及更高版本移动网络中的 AI 驱动闭环自动化
摘要 第五代 (5G) 移动网络支持广泛的服务，这些服务具有多样化且严格的 QoS 要求。随着向第六代移动网络的演进，这种情况将进一步加剧。不可避免地，5G 及以后的移动网络必须提供更严格、差异化的 QoS 保证，以满足未来应用日益增长的需求，而传统的人在环服务编排和网络管理方法无法满足这些需求。在本文中，我们阐述了我们对 5G 及以后移动网络闭环服务编排和网络管理的愿景。我们扩展了 MAPE（即、监控、分析、规划和执行）控制环以促进闭环自动化，并讨论了人工智能/机器学习在其实现中的典型作用。我们还发起了针对 5G 及更高移动网络闭环自动化的开放式研究挑战。