1 执行摘要 我们的目标是开发 LETO(月球尘埃减缓静电 μ 纹理覆盖层),这是一种具有多种特性和功能的材料,专门用于月球环境的探索。本研究中实际生产的材料在真正的月球南极环境中性能不佳。然而,这项研究的结果可能为更大的研究工作提供支持,其中可以调整各个组件以允许真正融入其研究中。我们的设计表明,外层或“覆盖层”必须包含几个设计元素才能发挥作用。它应该具有具有纳米微尺度特征的表面结构,我们称之为微结构,它应该具有具有厘米级特征的预定折叠图案,我们称之为宏观结构,并且它应该连接到静电发生器,通过静电发生器可以促进表面充电程度。设计伴随着这三个组件的一些基础研究。本文将描述实现这三个目标的单独努力,并详细解释将它们结合在一起的额外挑战。我们对每个设计组件的可行性进行了多次观察。我们认为,LETO 的加入将有利于 Artemis 任务,并且可以以多种方式使用。
本报告是作为由美国政府机构赞助的工作的帐户准备的。美国政府或其任何机构,也不是巴特尔纪念研究所,或其任何雇员,对任何信息,设备,产物或程序披露或代表其使用的任何法律责任或责任都没有任何法律责任或责任,或者对其使用的准确性,完整性或有用性都不会侵犯私人权利。以此处参考任何特定的商业产品,流程或服务,商标,制造商或以其他方式不一定构成或暗示其认可,建议或受到美国政府或其任何机构或Battelle Memorial Institute的认可,建议或赞成。本文所表达的作者的观点和观点不一定陈述或反映美国政府或其任何机构的观点和意见。
质量标准•化学工业合并•化学工业是一个成熟的行业•对原始来源的透明度是主要挑战•许多材料仍然没有汇编•中国是许多化学品的净进口商(异丙基,
如果没有适当的保障措施,人工智能可能会造成危害并加剧现有的不平等。在 IBM,我们认为,要充分利用人工智能的变革潜力,就需要致力于积极开发和负责任地使用人工智能,以防止可能对个人及其家庭造成负面影响的歧视性结果。负责任地开发人工智能的一个关键方面是注重识别和减轻偏见。近年来,IBM 分享了研究成果并提供了工具来支持减轻偏见,并让公司及其消费者更好地了解他们每天构建和使用的人工智能系统。其中包括 AI Fairness 360 1 工具包、AI FactSheets 2 、IBM Watson OpenScale 3 ,以及旨在帮助企业构建值得信赖的人工智能的全新 IBM Watson 功能。
由于感知和推理不完善,语音助手等交互式人工智能系统必然会出错。之前的人机交互研究表明,各种错误缓解策略对于在服务故障后修复人工智能感知至关重要。这些策略包括解释、金钱奖励和道歉。本文通过探索不同的道歉方式如何影响人们对人工智能代理的看法,扩展了之前关于错误缓解的研究;我们报告了一项在线研究(N=37),该研究考察了道歉的诚意和责任的分配(无论是代理本身还是其他人)如何影响参与者对错误人工智能代理的看法和体验。我们发现,与将责任推卸给他人的代理相比,那些公开接受责任并真诚为错误道歉的代理被认为更聪明、更讨人喜欢,并且更能有效地从错误中恢复过来。
近年来,人工智能和机器学习的知名度和普及度不断提高,这为该技术带来了几乎无限的应用场景,包括通过自动化日常任务来提高工作效率、激发新想法,甚至编写定制代码。在网络安全领域,人工智能可以提高分析大量信息的效率,通过全天候监控,可以帮助更快地检测和应对网络攻击。[1] 它还可以消除解读大量信息时的一些人为错误。[2] 然而,人工智能工具的迅速崛起引发了一系列网络安全和监管问题,进而引起了全球管理机构的回应。欧盟已提出《人工智能法案》,这是“世界上第一部全面的人工智能法律”。[3] 同样,中国最近发布了“一套管理生成人工智能服务的临时规则”。[4] 美国立法者一直未能跟上全球同行的步伐,但今年 6 月,参议院多数党领袖查尔斯·舒默推动“国会努力制定人工智能新规则”。[5] 人工智能的积极用例与其通过信息共享带来的网络安全风险以及威胁行为者利用其对付个人和组织的可能性相伴而生,有时甚至被这些风险所掩盖。 虽然采用人工智能和机器学习对于组织保持竞争力可能是必要的,但考虑到网络安全风险,如何才能成功、安全地将其应用到系统中,并获得高管和董事会的支持? 人工智能可靠性问题造成的网络安全风险 人工智能和机器学习模型的准确性和实用性取决于它们所利用的信息源,而信息源的发展速度可能比训练过程更快。
简介 人工智能的定义 OECD 将人工智能 (AI) 系统定义为“一种基于机器的系统,它可以通过为给定的一组目标产生输出(预测、建议或决策)来影响环境。它使用机器和/或基于人类的数据和输入来 (i) 感知真实和/或虚拟环境;(ii) 通过自动方式(例如,使用机器学习)或手动方式将这些感知插入模型;(iii) 使用模型推理来制定结果选项。人工智能系统旨在以不同程度的自主性运行”(OECD 2019)。这一定义将人工智能与最近引起技术进步兴奋的技术类型联系起来:机器学习。机器学习是计算统计学的一个分支,专注于设计算法来根据新数据进行预测,而无需明确编程解决方案。自 2012 年以来,机器学习作为一种预测技术的使用大幅增长。机器学习现在已经很常见:Pandora 学习如何根据用户的喜好做出更好的音乐推荐; Google 学习如何根据在线找到的翻译文档自动将内容翻译成不同的语言;Facebook 学习如何根据已知用户的数据库识别照片中的人。一组称为“深度学习”的机器学习算法已被证明对各种预测任务特别有用且具有商业可行性。深度学习算法是一种神经网络,它几乎不需要程序员的指导就能解决大型复杂数据集中的问题。神经网络是一种程序,它使用权重和阈值的组合将一组数据输入转换为输出预测,测量这些预测与现实的“接近度”,然后调整它使用的权重以缩小预测与现实之间的距离。通过这种方式,神经网络可以在输入更多数据时进行学习。它被称为“深度”学习,因为该程序会自动生成多个网络作为数据的抽象层来识别模式。4 虽然最近对人工智能的兴趣是由机器学习推动的,但计算机科学家和哲学家
可能会袭击。在创建安全的建筑环境时,必须考虑许多因素。本章介绍了几种方法,供建筑师和工程师量化风险并确定最有效的缓解措施,以可接受的成本实现针对恐怖袭击的预期保护水平。本文介绍的方法可用于设计过程中的新建筑,也可用于正在进行翻修的现有建筑。第 1.1 至 1.5 节将讨论评估过程、资产价值评估、威胁/危害评估、脆弱性评估、风险评估和风险管理,以帮助建筑师和工程师根据每栋建筑独特的安全需求确定最佳和最具成本效益的恐怖主义缓解措施。第 1.6 节介绍了建筑物脆弱性评估清单,以支持评估过程。
检查汇总数据集中的 68 种勒索软件变体,值得注意的是,其中 62% 都存在 LeakBlog。这意味着,对这些攻击负责的威胁行为者也可能窃取数据,以进一步鼓励付款。49% 的勒索软件变体采用勒索软件即服务 (RaaS) 团体结构,47% 的勒索软件变体采用封闭团体结构,只有 4% 的勒索软件变体采用 Live off the Land 团体 (LOTL-Group) 结构。此外,94% 的勒索软件变体接受定价谈判。按事件频率划分,数据还显示,排名前三的勒索软件变体是 Phobos/Dharma,Sodinokibi/REvil 和 Conti 位列前三。另一项衡量标准是分析每个勒索软件变体的赎金总额,结果显示排名前三的勒索软件变体分别是:DarkSide、Conti 和 Egregor。然而,按每次事件的平均赎金支付额排序,排名再次发生变化,ALPHV(BlackCat)、ViceSociety 和 DarkSide 位列前三。