简介:机器人越来越多地用于地球和其他行星的精确数据收集中,以便在高时空分辨率下提供高临界性的多传感器数据。随着机器人的高位,机器人主义者已经为开发机器人信息收集算法而付出了重大的效率[1,2,3]。尽管有进步,但这些算法并未在科学任务中广泛使用,大多数涉及的收集决策仍由误导科学家做出。在这里,我们提出了早期的努力来理解慢速算法吸收的原因,这是科学家对机器人信息在磁场期间收集算法的成功的看法。,我们完成了四位科学家的案例研究,以评估他们在月球模拟任务期间的两个“现成”式信息收集算法的满意度HOOD在美国俄勒冈州。HOOD在美国俄勒冈州。
上午9:30国家科学基金会的观点Slava Lukin,国家科学基金会的观点9:45 AM NIF Gordon Brunton身份,NIF,NIF董事,Lawrence Livermore国家实验室
10:00 - 11:00 MOAPL - PROJECTUS 状态报告 1 4 全体会议会议室主席 4 Yingbing Yan (SSRF, CN) 和 John Maclean (ANL, US) 10:00 - 10:15 MOAPL01 - 欧洲 XFEL 线性加速器的控制系统:状态和初步经验。Tim Wilksen - Deutsches Elektronen-Synchrotron 10:15 - 10:30 MOAPL02 - MAX IV 实验室同步加速器设施的首次运行。Vincent Hardion - MAX IV 实验室隆德大学 10:30 - 10:45 MOAPL03 - 国家点火装置 (NIF) 集成计算机控制和信息系统的现状。Gordon Brunton - 劳伦斯利弗莫尔国家实验室国家点火设施计划理事会光子科学和应用计划。10:45 - 11:00 MOAPL04 - SwissFEL 控制系统 - 概述、状态和经验教训。Elke Zimoch - Paul Scherrer 研究所
10:00 - 11:00 MOAPL - PROJECTUS 状态报告 1 4 全体会议会议室主席 4 Yingbing Yan (SSRF, CN) 和 John Maclean (ANL, US) 10:00 - 10:15 MOAPL01 - 欧洲 XFEL 线性加速器的控制系统:状态和初步经验。Tim Wilksen - Deutsches Elektronen-Synchrotron 10:15 - 10:30 MOAPL02 - MAX IV 实验室同步加速器设施的首次运行。Vincent Hardion - MAX IV 实验室隆德大学 10:30 - 10:45 MOAPL03 - 国家点火装置 (NIF) 集成计算机控制和信息系统的现状。Gordon Brunton - 劳伦斯利弗莫尔国家实验室国家点火设施计划理事会光子科学和应用计划。10:45 - 11:00 MOAPL04 - SwissFEL 控制系统 - 概述、状态和经验教训。Elke Zimoch - Paul Scherrer 研究所
✓ 疾病控制与预防中心。(2016 年)。铺平健康公平之路 - https://www.cdc.gov/minorityhealth/publications/health_equity/index.html ✓ 社区规划工具包。(2012 年)。社区规划 - https://www.communityplanningtoolkit.org/ ✓ 明尼苏达州卫生部。(2014 年)。推进明尼苏达州的健康公平:提交立法机构的报告 - https://www.health.state.mn.us/communities/equity/reports/ahe_leg_report_020114.pdf ✓ O'Mara-Eves, A.、Brunton, G.、Oliver, S.、Kavanagh, J.、Jamal, F. 和 Thomas, J.(2015 年)。社区参与对弱势群体公共卫生干预的有效性:荟萃分析。 - https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4374501/ ✓ 美国卫生与公众服务部。(ND)。卫生与医疗保健领域文化和语言适当服务国家标准 (CLAS) - https://thinkculturalhealth.hhs.gov/assets/pdfs/EnhancedNationalCLASStandards.pdf ✓ Williams DR & Purdie-Vaughns V. (2016)。减少健康领域种族/民族差异所需的干预措施。J Health Polit Policy Law。2016 年 8 月;41(4):627-51。 - http://www.columbia.edu/cu/psychology/vpvaughns/assets/pdfs/Needed%20Interventions(2 016).pdf
项目任务表演者在相关任务或子任务标题下得到确认。我们感谢通用电气全球研究中心,詹姆斯·塔尔曼(James Tallman)博士,纳文扬·蒂亚加拉扬(Naveenan Thiagarajan),道格·霍弗(Doug Hofer)博士和Ching-Jen Tang博士的贡献。其他开发贡献者包括帕特里克·达文波特先生,杰弗里·吉福德先生,科里·库克博士和詹娜·马丁内克博士(NREL);亚伦·莫里斯(Aaron Morris)教授和杰森·史克克(Jason Schirck)博士(普渡大学); Ruichong Zhang教授和Xingchao Wang博士(科罗拉多州矿业学校);马修·兰伯特先生(Allied Mineral Products);托马斯·弗林先生和蒂莫西·A·富勒先生(Babcock&Wilcox)。我们感谢Ryan Bowers先生(Worley-Advisian)参与该项目。作者感谢NREL通讯办公室的以下同事:Susannah Shoemaker,Deanna Cook,Patrick Hayes和Star Brunton。我们还要感谢NREL的Mark Mehos为项目开发和审查该报告提供建议。
越来越多的需求减少复杂的高维二词系统为简单,低维模型产生了许多不同的还原技术(参见Benner等人。[1],Rowley和Dawson [2],Ghadami和Epureanu [3],Brunton等。[4],Taira等。[5]和Touzé等。[6]用于最近的评论)。在这里,我们专注于这些方法之一的扩展,频谱亚算物(SSM)还原到分段光滑的机械系统。最初针对Haller和Ponsioen [7]的平滑动力系统定义,主要SSM是最平稳的不变流形,与稳定状态下线性化系统的光谱子空间相切,并且具有相同的尺寸。因此,SSM数学上正式化并扩展了Shaw和Pierre [8,9]和Shaw等人在开创性工作中引入的非线性正常模式(NNM)的最初思想。[10](有关最近的评论,请参见Mikhlin和Avramov [11])。每当光谱子空间内的线性频谱与该子空间之外的线性频谱之间,SSM在自主和非自治系统中的存在,唯一性和持久性已得到证明(Haller and Ponsioen [7][12]以及Haro和de la llave [13])。由最慢的线性模式跨越光谱子空间的主要SSM切线吸引了附近的所有轨迹,因此其内部动力学是一种理想的,数学上合理的非线性降低模型。最近的工作揭示了在𝐶∞
Andrew Alleyne、Frank Allgöwer、Aaron D. Ames、Saurabh Amin、James Anderson、Anuradha M. Annaswamy、Panos J. Antsaklis、Neda Bagheri、Hamsa Balakrishnan、Bassam Bamieh、John Baras、Margret Bauer、Alexandre Bayen、Paul Bogdan 、史蒂文·L·布伦顿、弗朗西斯科·布洛、艾蒂安·伯德特、乔尔Burdick、Laurent Burlion、Carlos Canudas de Wit、Ming Cao、Christos G. Cassandras、Aranya Chakrabortty、Giacomo Como、Marie Csete、Fabrizio Dabbene、Munther Dahleh、Amritam Das、Eyal Dassau、Claudio De Persis、Mario di Bernardo、Stefano Di Caira , Dimos V. Dimarogonas, 弗洛里安Dörfler、John J. Doyle、Francis J. Doyle III、Anca Dragan、Magnus Egerstedt、Johan Ecker、Sarah Fay、Dimitar Filev、Angela Fontan、Elisa Franco、Masayuki Fujita、Mario Garcia-Sanz、Dennis Gaime、Wilhelmus P.M.H.Heemels、João P. Hespanha、Sandra Hirche、Anette Hosoi、Jonathan P. How、Gabriela Hug、Marija Ilić、Hideaki Ishii、Ali Jadbabaie、Matin Jafarian、Samuel Qing-Shan Jia、Tor Arne Johansen、Karl H. Johansson , 道尔顿·琼斯, 穆斯塔法·哈马什, 普拉莫德·卡贡卡, Mykel J. Kochenderfer、Andreas Krause、Anthony Kuh、Dana Kulić、Françoise Lamnabhi-Lagarrigue、Naomi E. Leonard、Frederick Leve、Na Li、Steven Low、John Lygeros、Iven Marelels、Sonia Martinez、Nikolai Matni、Tommaso Menara、Katja Mombaur , 凯文·摩尔, 理查德·穆雷, Toru Nakorewa、Angelia Nedich、Sandeep Neema、Mariana Netto、Timothy O'Leary、Marcia K. O'Malley、Lucy Y. Pao、Antonis Papachristodoulou、George J. Pappas、Philip E. Paré、Thomas Parisini、Fabio Pasqualetti、Marco Pavone、阿克谢·拉杰汉斯、吉里贾·拉纳德、安德斯·兰泽、莉莲·拉特利夫、 J. Anthony Rossiter、Dorsa Sadigh、Tariq Samad、Henrik Sandberg、Sri Sarma、Luca Schenato、Jacquelien Scherpen、Angela Schoellig、Rodolphe Sepulchre、Jeff Shamma、Robert Shorten、Bruno Sinpoli、Koushil Sreenath、Jakob Stoustrup、Jing Sun、Paulo Tabuada、艾玛·特格林、道恩·蒂尔伯里、克莱尔·J·汤姆林、贾娜·图莫娃、凯文·怀斯、丹·沃克、朱奈德·扎法尔、梅兰妮·泽林格
我们提出了一个控制理论框架来研究嵌入在模拟环境中的生物驱动人工神经系统(Sussillo,2014)的稳定性和可控性。从高层的角度来看,这个框架模拟了脑-机-环境的相互作用。我们首先考虑建模一个神经系统在虚拟环境中执行行为任务的问题。用控制理论的语言来说,神经系统与环境过程形成一个闭环反馈控制器。在第二步中,我们模拟神经系统的退化(例如在传感器或执行器处)并添加一个二级控制器(假肢),目的是恢复行为功能。在此过程中,我们考虑了大脑模型中的不确定性、非线性、测量噪声以及可观察状态和可控神经元的有限可用性。神经系统,从单个神经元到大规模群体,都以复杂的动态为特征,建模和控制可能具有挑战性(Ritt and Ching,2015)。经典控制理论(Khalil,2002;Brunton 和 Kutz,2017;Astrom 和 Murray,2020)为设计控制律提供了强大的工具,并在神经技术领域得到广泛应用,例如机械臂或计算机光标的闭环脑机接口 (BMI) 控制(Shanechi 等人,2016)、癫痫发作缓解的模型预测控制(Chatterjee 等人,2020)以及大脑在认知状态之间转换的机制解释(Gu 等人,2015)。闭环控制的一个特别成功的应用是通过深部脑刺激治疗帕金森病。在那里,可以使用基于阈值、比例积分或自调节控制器将病理性 β 波段振荡活动抑制在所需的目标水平(Fleming 等人,2020a、b)。 Schiffi (2011) 建立了一种将控制理论与神经科学和生物医学联系起来的典型方法,其中时空皮质动态模型与卡尔曼滤波器相结合,以估计未观察的状态并跟踪未知或漂移的模型参数。神经形态社区中的团队最近通过实现生物学上合理的操作和学习状态估计和控制规则(Friedrich 等人,2021;Linares-Barranco 等人,2022)以及神经形态 BMI 电路(Donati 和 Indiveri,2023)为这项工作做出了贡献,这有望在低功耗运行时实现更好的生物相容性。在上述许多方法中反复出现的一些挑战是线性(可实现)或低维系统的假设、对底层动态的知识或所需目标状态的可用性(如帕金森病的 DBS)。本文针对这些局限性做出了两项主要贡献。首先,我们建议一致使用动力系统来模拟大脑、环境、和假肢。除了统一方法论之外,这种选择还可以灵活地对不同程度的真实模型进行实验。在这里,我们展示了循环神经网络 (RNN) 作为神经系统和假肢的简单、高度可扩展的构建块的使用。其次,我们逐步消除了线性、系统知识、完全可观测性和监督目标状态的假设,通过使用强化学习 (RL)(Sutton 和 Barto,2020 年)进行系统识别和合成假肢控制器。
在迅速发展的人工智能领域(AI)中的摘要,自然语言处理中大型语言模型(LLM)的前所未有的进步(NLP)提供了一个机会,可以重新审视形式和内容的机器智能传统指标的整个方法。由于机器认知评估的领域已经达到了模仿,因此下一步是有效的语言获取和理解。我们的论文提出了从既定的图灵测试转变为借助语言获取的全构图框架的范式转变,并从LLMS最近的进步中汲取了灵感。目前的贡献是对各个学科的出色工作的深刻贡献,指出需要保持跨学科的桥梁开放,并描述一种更健壮和可持续的方法。引言过去十年在人工智能的发展中见证了一个显着的加速,尤其是在自然语言处理领域。开创性的体系结构,例如Word2Vec(Mikolov等人2013)已经突破了我们以前认为可行的界限,诞生了可以用语言与人类无缝互动的先进的AI系统(Sejnowski,2023)。这些系统,包括从语音激活的虚拟助手到高度精确的翻译工具的应用程序,代表LLM的功率的收敛以及数据驱动和动态的系统理论的当前数字时代的景观(Brunton等人。2022)。2023)和未来职业(Tolan等人2021)。2012)。他们发掘和预测人类交流中错综复杂的模式的能力已经看到了我们与机器的互动的范式转移,因此必须将评估成为我们生活中必不可少的一部分(Sohail等人。自1950年艾伦·图灵(Alan Turing)于1950年成立以来,图灵测试一直是机器智能发展的标准(Turing,1950年)。然而,2014年勒布纳奖的公告声称该奖首次超过了图灵测试,这引发了有关该测试适当性的辩论(Shieber,2016年)。它引发了关于该测试是否确实评估机器智能还是仅仅是其模拟人类样子的能力的争议(Hoffmann,2022)。辩论的症结在于一个问题:机器是否能够理解人类语言,还是它的熟练程度仅反映了其模仿人类反应的程序能力?随着AI进步的当前轨迹,将这种对话从模仿转变为理解的时候已经成熟了(Cambria&White,2014年)。本文的目的是根据当前的21世纪需求,为一般讨论提供了更新的多方面贡献,并解决了非常具体的范式转变。The AI roadmap requires an adequate assessment system of Efficient Language Acquisition and Understanding Capabilities in Intelligent Machines (Agüera y Arcas, 2022), because such instrument will allow to systematically retrieve evidence to better answer the next questions on the landscape (Adams et al.文章的其余结构如下:我们从该主题中的许多学术工作中揭示了一项选择,这是当前工作的基础,然后继续进行 - 毫无障碍但非常相关的提及最近的研究,该研究涉及从非凡的不同角度和范围中进行“新的图灵测试”的需求。在下一部分中说明了框架,定义了测试设计要求,并提出了构建良好指标的过程。列出了其他未来挑战,最后在讨论中,我们以综合和建筑设想得出结论。为了消除所使用的术语的操作含义,提供了词汇表和补充材料。