XiaoMi-AI文件搜索系统
World File Search SystemIterative
一种新型的数据驱动物理迭代建模方法及其在量子仪器中的应用
摘要 - 这项工作是解决量子仪器的数据驱动建模问题并启用模型可以解释的。首先，提出了一种数据驱动的物理迭代（DPI）建模方法来解决具有基于现象学速率方程描述的量子系统的动态行为的复杂物理系统的建模问题。第二，提出的DPI建模方法结合了快速采样技术，该技术被泰勒平均值定理证明是可行的，以解决非自治系统的建模问题。第三，最小二乘标准和大量法则证明了所提出的方法的融合。最后，将DPI建模方法部署在光学泵送磁力计（OPM）和自旋交换宽松量表（SERFCM）中，在完成量子仪器建模的同时，估算了系统的物理参数。数值模拟和实际实验支持理论结果。
基于迭代文献综述的沉浸式增强现实的互动技术的分类学
交互式系统的btract开发人员都有各种交互技术可供选择，每个相互作用的技术都具有个人优势和局限性，以考虑到所考虑的任务，上下文和用户。尽管尚未确定桌面，移动和虚拟现实应用程序的分类法，但尚未建立增强现实（AR）分类法。然而，最新的沉浸式AR技术（即，戴头饰或基于投影的AR），例如具有集成的手势和语音传感器的不受束缚的耳机的出现，已经引入了额外的输入方式，因此已经引入了新型的多模式互动方法。为提供当前沉浸式AR系统的交互技术概述，我们对2016年至2021年之间的出版物进行了文献综述。基于44篇相关论文，我们开发了一项涉及两个识别维度的分类学分类法 - 任务和方式。我们进一步提出了一种迭代分类性开发方法对人类计算机相互作用领域的改编。最后，我们讨论了观察到的趋势和对未来工作的影响。
使用具有视觉和语言模型的人类在循环中进行道路损害检测的迭代注释
道路基础设施监测检查和诊断道路恶化是一个至关重要的挑战。由于财务限制和人员短缺，以有限成本进行这种维护的需求越来越大。计算机视觉的最新进展促进了检查和诊断的自动化，从而提高了操作效率和稳定性[1]。计算机视觉模型的开发需要手动注释标记的数据集。但是，深度学习减少人工劳动的目标与模型开发是必需的大量征收的事实之间存在矛盾。为了解决这一矛盾，正在考虑一种人类的方法。该框架大大减轻了人类注释负担，从而通过训练数据收集和参数更新的迭代过程来使模型有效地更新[2]。同时，已经发表了许多有关将计算机视觉和自然语言理解的视觉和语言模型发表的研究。具有大规模数据集的经过训练的视觉和语言模型已公开可用。这些模型通过语言特征和训练中的图像功能的结合，具有零拍的识别，使它们甚至能够理解特定类别的图像，而无需在这些类别上明确培训。此外，当在特定数据集上使用零射击识别的模型时，通过对有限的样本（几次学习）进行细化，预计可以进一步提高准确性[3-5]。
基于UMAP的算法的迭代应用用于完全合成的医疗表格数据生成
摘要：基于利用数据可视化技术的先前开发的部分合成数据生成算法，该研究扩展了新型算法以生成完全合成的表格医疗保健数据。在这种增强的形式中，该算法是基于生成对抗网络（GAN）或变分自动编码器（VAE）的常规方法的替代方法。通过迭代应用原始方法，该适应算法采用UMAP（均匀的歧管近似和投影），一种维度降低技术，通过低维聚类来验证生成的样品。这种方法已成功地应用于三个医疗领域：前列腺癌，乳腺癌和心血管疾病。生成的合成数据已被严格评估，以获得保真度和效用。结果表明，基于UMAP的算法在不同情况下优于基于gan和vae的生成方法。在保真度评估中，它在不同属性的真实数据和合成数据的累积分布函数之间达到了较小的最大距离。在实用程序评估中，基于UMAP的合成数据集增强了机器学习模型性能，尤其是在分类任务中。总而言之，此方法代表了一种可实现安全，高质量合成医疗保健数据的强大解决方案，从而有效地解决了数据稀缺挑战。
AI-mole：未知非线性动力学的自主迭代运动学习，具有广泛的实验验证*
摘要 - 这项工作提出了自主迭代运动学习（AI-mole），该方法使具有未知的非线性动力学系统可以自主学习解决参考跟踪任务。该方法迭代地将输入轨迹应用于未知动力学，基于实验数据训练高斯过程模型，并利用该模型更新输入轨迹，直到达到所需的跟踪效果为止。与现有方法不同，所提出的方法会自动确定必要的参数，即ai-mole Works插件播放，而无需手动参数调整。此外，AI-mole仅需要输入/输出信息，但也可以利用可用的状态信息来加速学习。通常仅在模拟或使用手动调谐参数的单个现实世界测试床上验证其他方法，但我们介绍了在三个不同的现实世界机器人上验证所提出的方法的前所未有的结果，总共九个不同的参考跟踪任务而无需任何先前的模型信息或手动参数调谐。在所有系统和任务上，AI摩尔迅速学习以跟踪参考文献，而无需任何手动参数调整，即使仅提供输入/输出信息。
来自迭代自组装过程的非原生嵌段共聚物薄膜纳米结构
纳米结构嵌段共聚物薄膜是一种生成复杂周期性图案的精巧工具，其周期从几纳米到几百纳米不等。这种组织良好的纳米结构有望推动下一代纳米制造研究，在生物、光学或微电子功能材料的设计中具有潜在的应用价值。然而，考虑到热力学驱动力倾向于形成最小化嵌段间界面的结构，这一宝贵平台受到二嵌段共聚物架构所能获得的几何特征的限制。因此，丰富嵌段共聚物自组装过程所获得的结构多样性的策略正在获得发展动力，本进展报告通过考虑生成“非天然”形态的新兴策略，回顾了迭代 BCP 自组装所固有的机会。
迭代机器学习辅助框架在焊料互连中的疲劳和蠕变损伤之间架起桥梁
摘要 — 电子系统中焊点寿命估算方法成本高昂且耗时，加上数据有限且不一致，对将可靠性考虑作为电子设备主要设计标准之一提出了挑战。在本文中，设计了一个迭代机器学习框架，使用一组自修复数据来预测焊点的使用寿命，这些数据通过热负荷规格、材料特性和焊点几何形状强化了机器学习预测模型。自修复数据集通过相关驱动神经网络 (CDNN) 迭代注入，以满足数据多样性。结果表明，在很短的时间内，焊点的寿命预测精度得到了非常显著的提高。分别评估了焊料合金和焊料层几何形状对焊点蠕变疲劳损伤演变的影响。结果表明，Sn-Ag-Cu 基焊料合金通常具有更好的性能。此外，蠕变和疲劳损伤演化在 Sn-Pb 和 Sn-Ag-Cu 基焊料合金中分别占主导地位。所提出的框架提供了一种工具，允许在制造的早期阶段对电子设备进行可靠性驱动的设计。
双TAP基因驱动器使用迭代基因组靶向来帮助克服抗性等位基因
HOHING CRISPR基因驱动器可以帮助遏制媒介传播疾病的传播，并由于遗传率通过了孟德尔法律而控制作物害虫和入侵物种种群。然而，这项技术遭受了当驱动诱导的DNA断裂通过错误的途径修复时形成的电阻等位基因，这会产生破坏GRNA识别序列并阻止进一步基因驱动过程的突变。在这里，我们试图通过编码针对基因驱动器中最常见的抗性等位基因的其他GRNA来抵消这一点，从而在基因驱动转换时进行了第二次反应。我们提出的“双击”策略通过回收阻力等位基因改善了驱动效率。双击驱动器还有效地在笼中的种群中扩散，表现优于控制驱动器。总体而言，这种双重tap策略可以在任何基于CRISPR的基因驱动器中很容易实现，以提高性能，并且类似的绝对能力可以使其他患有低HDR频率的系统（例如哺乳动物细胞或小鼠种系转换）。
自主总线轨迹跟踪系统的强大无模型自适应迭代学习控制
摘要在这项工作中提出了一种强大的无模型自适应迭代学习控制（R-MFAILC）算法，以解决横向控制自动驾驶总线的问题。首先，根据自主总线的周期重复工作特性，利用了迭代域中使用的一种新型的动态线性化方法，并给出了具有伪梯度（PG）的时变数据模型。然后，R-MFAILC控制器的设计具有建议的自适应衰减因子。所提出的算法的优势在于R-MFAILC控制器，该控制器仅利用了调节实体的输入和输出数据。此外，R-MFAILC控制器具有很强的鲁棒性，并且可以处理系统的非线性测量干扰。在基于卡车SIM模拟平台的模拟中，验证了所提出的算法的有效性。使用严格的数学分析来证明所提出算法的稳定性和收敛性。
通过双向深度神经网络和迭代算法设计的超表面用于生成定量场分布
超表面是超材料的二维对应物，它已展示出前所未有的能力，可以在单个平面设备中操纵电磁波的波前。尽管该领域取得了各种进展，但超表面所实现的独特功能是以结构复杂性为代价的，导致传统超表面设计的参数扫描非常耗时。尽管人工神经网络提供了一个灵活的平台来显著改善设计过程，但当前的超表面设计仅限于生成定性场分布。在本研究中，我们证明，通过结合串联神经网络和迭代算法，可以用定量场分布克服超表面设计的先前限制。作为原理验证示例，通过设计的网络架构预测的超透镜具有多个焦点，具有相同/正交的偏振状态，以及精确的强度比（定量场分布），并通过数值计算和实验证明。独特而强大的超表面设计方法将加速开发可应用于成像、检测和传感的高精度功能设备。