XiaoMi-AI文件搜索系统
World File Search SystemLEMS
硬质势符合加强学习的进化策略
进化策略（ES）已成为一种竞争性的替代方法，用于无模型的强化学习，在Mujoco和Atari等任务中展示示例性能。值得注意的是，它们在场景 - 具有不完美奖励功能的情况下发光，这对于浓厚的奖励信号可能难以捉摸的现实应用程序非常宝贵。然而，ES中的一个固有假设（所有输入特征都是任务 - 相关的）都会挑战，尤其是在现实世界中常见的不相关特征时。这项工作仔细检查了这一限制，尤其是专注于自然进化策略（NES）变体。我们提出了Nesht，这是一种新颖的方法，该方法将坚硬的阈值（HT）与NES融为一体，以使其具有稀疏性，从而确保仅采用相关特征。在严格的分析和经验测试的支持下，Nesht证明了其在减轻无关的遗产和散发诸如嘈杂的Mujoco和Atari任务等复杂决策问题中的陷阱方面的希望。我们的代码可在https://github.com/cangcn/nes-ht上找到。
大会 - 官方文件系统
1. 哈耶克先生（捷克斯洛伐克）说，科学技术的发展不仅将为人类开辟无限的外层空间，还将为人类开辟一条摆脱贫困和地球生命矛盾的道路。人类必须防止这些问题和矛盾被推向外层空间，因为这些问题和矛盾可能会变得更大，甚至导致悲剧。因此，各国人民必须联合起来，结合他们的知识和经验，不仅要在征服太空方面取得进一步的进展，而且要防止军备竞赛和冷战使这一努力变得消极和危险。这似乎是大会第 1721（XVI）号决议以及苏联部长会议主席和美国总统 1962 年初交换的信息的意义所在。第一委员会也应当本着这种精神来审议和平利用外层空间委员会的活动以及联合国今后在该领域的工作。
全球变暖加速度：Hope vs Hopium常见顺序学习的贝叶斯设计原理
我们开发了一种一般理论，以优化顺序学习概率的频繁遗憾，其中有效的强盗和强化学习算法可以从统一的贝叶斯原理中得出。我们提出了一种新颖的优化方法，以在每一轮中产生“算法信念”，并使用贝叶斯后代做出决定。创建“算法信念”的优化目标，我们称其为“算法信息比”，代表了一种有效地表征任何算法的频繁遗憾的Intrinsic复杂性度量。据我们所知，这是以通用且最佳的方式使贝叶斯型算法保持不含和适用于对抗设置的第一种系统性方法。此外，算法很简单且通常可以实现。作为一种主要应用，我们为多臂匪徒提供了一种新颖的算法，该算法在随机，对抗性和非平稳环境中实现了“最佳世界”的表现。我们说明了这些原理如何在线性匪徒，强盗凸优化和增强学习中使用。
NX Nastran - 几何解决方案
随着工程师通过提高计算能力来解决越来越复杂的问题，有限元分析模型的规模也不断扩大。如今，包含数千万个节点和元素的复杂模型非常常见。性能使 NX Nastran 成为需要解决当今日益庞大的问题的用户的首选解决方案。共享内存并行处理 (SMP) 与使用一个处理器的传统串行解决方案相比，并行使用多个处理器可以显著缩短解决方案的运行时间。共享内存并行处理 (SMP) 是具有共享内存的多处理器节点或具有多个内核的处理器节点的首选技术。SMP 用于较低级别的操作，例如矩阵分解和矩阵乘法。由于每个解决方案序列都涉及矩阵乘法，因此只要硬件支持 SMP，就可以在所有解决方案序列中激活 SMP。
![arXiv:2011.11511v1 [cond-mat.mtrl-sci] 2020 年 11 月 23 日](/simg/g:\will\search\icon\source\2\22f9ab58d425bf8a2a541263a12de9452579352d.webp)
arXiv:2011.11511v1 [cond-mat.mtrl-sci] 2020 年 11 月 23 日
现今许多科学家在量子纳米和微电子器件的投影或实验[1, 2]中采取的方法都是努力寻找由于所涉及电现象维度长度缩放而引起的物质量子本征态的解。哈密顿量[5–7]方法用于理论求解该问题，需要写出特征值微分方程，这些方程可以通过现代计算技术求解。我们将在解决问题的过程中纳入这些方法，以简化投影过程本身。许多作者[8–11]提出了几项工作，但尚未给出明确的基于 DFT[3, 4]的特征值方程，本文通过扩展 Kohn-Sham 微分方程的变分方法找到了该方程。下一节将介绍几个由量子方程求解引起的问题，这些问题主要是在无限周期系统或由有限或周期性复制品制成的有限物质采样的背景下寻找解决方案。本文的最后一部分将报告结论。
强场Qed
量子场理论在存在强背景字段的情况下包含有关量子计算机有一天可能提供有价值的合成资源的相互关系的问题。在NISQ时代，考虑更简单的基准概率，以开发可行的方法，确定当前硬件的关键局限性并构建新的仿真工具。在这里，我们使用实时非线性BREIT-WHEELER配对生产作为原型过程，对3+1维的强场QED（SFQED）进行量子模拟。在毛茸茸的伏尔科夫模式的扩展中，强烈的Qed hamiltonian被解散和截断，与Breit-wheeler相关的相互作用转化为量子电路。量子模拟与经典模拟非常吻合，包括我们开发并适应具有时间依赖性汉密尔顿的Trotterterization的不对称解答算法。我们还讨论了SFQED量子模拟的长期目标。
Versatile-vision-Roundation-Model-for-for-inmage-and-video- ...
图像和视频着色是图像恢复中最常见的概率之一。这是一个不足的问题，已经提出了多种方法，从更传统的计算机视觉策略到具有基于变压器或生成的神经网络模型的最新开发。在这项工作中，我们展示了如何对文本到图像综合进行预培训的潜在扩散模型，以进行图像着色，并为各种场景提供了灵感的解决方案：高质量的直接着色，并具有多样化的效果，并通过用户指导的颜色，通过色彩勾勒，文本图像或参考图像或网状色彩和纯净的颜色和纽约。一些已经使用分解模型进行了调查的一些作品，但是所提出的SO措施通常更为复杂，需要训练指导DeNoising Process（àlaControlNET）的侧模型。这种方法不仅增加了参数的数量和计算时间，而且还会在我们显示的时导致次级最佳着色。我们的评估
Chess AI：机器智能的竞争范式
残局研究长期以来一直是测试人类创造力和智力的工具。我们发现它们也可以作为测试机器能力的工具。两个领先的国际象棋引擎 Stockfish 和 Leela Chess Zero (LCZero) 在游戏过程中采用了截然不同的方法。我们使用 20 世纪 70 年代末著名的残局研究 Plaskett's Puzzle 来比较这两个引擎。我们的实验表明 Stockfish 在谜题上的表现优于 LCZero。我们研究了引擎之间的算法差异，并以我们的观察结果为基础仔细解释测试结果。受人类解决国际象棋问题的方式启发，我们询问机器是否可以拥有某种形式的想象力。在理论方面，我们描述了如何应用贝尔曼方程来优化获胜概率。最后，我们讨论了我们的工作对人工智能 (AI) 和通用人工智能 (AGI) 的影响，并提出了未来研究的可能途径。
基于近端神经网络的重建，用于几个...
摘要本文通过使用基于学习的方法从有限数量的观点中解决了层析成像重建的挑战。通过使用高斯denoing算法的能力来处理复杂的优化任务，通过插入式游戏（PNP）算法的最新进步（PNP）算法显示了求解成像逆概率的希望。传统的denoising手工制作的方法产生具有可预测特征的图像，但需要复杂的参数调整并遭受缓慢的结合。相比之下，基于学习的模型可提供更快的性能和更高的重建质量，尽管它们缺乏解释性。在这项工作中，我们提出培训近端神经网络（PNN），以消除任意伪像并改善PNP算法的性能。这些网络是通过展开旨在找到最大后验（MAP）估计值的近端算法获得的，但使用学习的线性运算符在固定数量的迭代范围内获得。pnns提供了灵活性，可以通过近端算法来适应任何图像恢复任务。此外，与传统的神经网络相比，它们具有更简单的体系结构。
摇晃、摇晃和滚动 | KISSsoft AG
关于齿轮噪音的一些真相：与内燃机相比，电动机几乎听不见。对于电动汽车和混合动力汽车来说，掩盖齿轮噪音的发动机噪音已经消失，因此，在低速时，当轮胎和风噪较低时，对齿轮的噪音要求要高得多。Romax Technology 高级产品经理兼 NVH 专家 Michael Platten 博士表示，在纯电动汽车中，齿轮速度通常较高（10,000 rpm 对比 2,000 rpm），这会增加噪音问题。制造商面临着通过分析数据、优化齿轮系统和测试结果来缓解齿轮噪音的压力。“经过数十年对风力涡轮机和厨房用具噪音的优化，最近焦点转向了电动汽车。现在电动汽车市场规模巨大，对低噪音变速箱的需求也更高。此外，汽车行业始终面临价格压力。因此，我们现在需要低成本、低噪音的变速箱，”KISSsoft AG 首席执行官 Stefan Beermann 博士说道。