XiaoMi-AI文件搜索系统
World File Search SystemMultiscale
Urbisphere-Berlin运动：调查多尺度城市...
摘要：为了解决城市的下一代天气和气候数值模型，需要对城市冠层 - 大气过程的更高空间分辨率和亚网格参数化。关键是更好地了解大气边界层（ABL）动态的郊区变异性和城市种植差异。这包括由于城市对超越其边界的大气的影响而引起的前风 - 下风效应。为了解决这些方面，考虑到城市形式，功能和典型的天气状况，为柏林地区（德国）设计了一个> 25个基于地面的遥感站点的网络。这允许研究不同的城市密度和人类活动如何影响ABL动态。作为跨学科研究委员会的一部分，该网络从2021年秋天到2022年秋天运营。在这里，我们提供了2天的科学目的，活动设置和结果的概述，强调了多尺度的城市对气氛的影响，并在100 m网格间距下与高分辨率的数值建模相结合。在春季，分析显示了ABL高度的系统性向上风管效应，这在很大程度上是由表面热通量中的城市种植差异驱动的。在热浪日，ABL高度非常深，但由于区域干燥的土壤条件，ABL高度的空间差异不太明显，从而导致相似的观察到的表面热通量。我们的建模结果提供了对观察网络无法解决的ABL特征的进一步见解，突出了两种方法之间的协同作用。我们的数据和调查结果将支持建模，以帮助从公民到管理健康，能源，运输，土地使用以及其他城市基础设施和运营的人们提供服务。
BGF-YOLO：增强的Yolov8具有多尺度注意特征融合用于脑肿瘤检测
摘要。您只看一次（YOLO）的对象探测器显示出显着的自动脑肿瘤检测精度。在本文中，我们通过结合双级路由关注，广义特征金字塔网络和第四个检测到Yolov8的探测来开发一种新型的BGF-Yolo架构。bgf-yolo包含一种注意机制，可以通过将高级半智能特征与空间细节合并，以更多地关注重要特征，并具有金字塔网络来丰富特征表示。此外，我们研究了不同注意力机制和特征融合的影响，检测脑肿瘤检测准确性的检测头构造。实验结果表明，与Yolov8x相比，BGF-Yolo的MAP 50绝对增加4.7％，并且在脑肿瘤检测数据集BR35H上实现了最先进的地图。该代码可在https://github.com/mkang315/ bgf-yolo上找到。
社区多尺度空气质量（CMAQ）建模系统
各州使用CMAQ来制定和评估根据《清洁空气法》定义的国家环境空气质量标准（NAAQS）所需的实施措施。CMAQ模拟了关注的空气污染物，包括臭氧，颗粒物（PM）和最普遍的空气有毒物质，以优化空气质量管理。CMAQ的沉积值用于评估生态系统的影响，例如空气污染物的富营养化和酸化。此外，国家气象局使用CMAQ每天两次针对美国CMAQ的臭氧空气质量提供两次预测指南，也用于量化气候变化对空气质量和人类健康的潜在影响。
可解释的多尺度机器学习基于图标的对流参数
摘要机器学习（ML）基于基于地球系统模型（ESM）的参数化，其目标是更好地表示子网格尺度过程或加速计算。杂种ESM中的基于ML的参数化已从短高分辨率模拟中成功地学习了亚网格尺度过程。但是，大多数研究都使用特定的ML方法来参数化基因趋势或通量，该趋势源自主要是理想化的设置或超级参数的各种小规模过程（例如，辐射，对流，重力波）的复合效应（例如，辐射，对流，重力波）。在这里，我们使用过滤技术将对流与这些过程在逼真的环境中使用二十面体非静液压建模框架（ICON）明确分开，并在逼真的环境中对彼此之间的各种ML算法进行基准测试。我们发现，在表现出最佳的离线性能的同时，一条未能的U型NET学习了对流降水与亚网格通量之间的反向因果关系。尽管我们能够将U -NET的学习关系与物理过程联系起来，但对于非深度学习的梯度增强了树是不可能的。然后将ML算法在线耦合到主机图标模型。我们最好的在线性能模型，一种消融的U型NET，不包括沉淀示踪剂物种，表明与传统方案相比，与高分辨率模拟相比，模拟降水极端的一致性和平均值具有更高的一致性。但是，在水蒸气路径和平均沉淀中都引入了平滑偏置。我们的结果暗示了可能通过混合ESM显着减少系统错误的潜力。在线，与未驱动的U -NET相比，融合的U -NET显着提高了稳定性，并且在整个模拟期内运行稳定。
多尺度实验和用于减轻晶格添加剂制造失败的预测性建模
添加剂制造（AM）赋予了高性能蜂窝材料的创造，强调了对可编程和可预测能量吸收能力的日益增长的需求。这项研究评估了精确调整的融合纤维纤维制造（FFF）过程对通过多尺度实验和预测建模的2D-热塑料晶格材料的能量吸收和失效特性的影响。宏观厚度和薄壁晶格的平面内压缩测试，以及它们的μ-CT成像，揭示了相对密度依赖的损伤机制和故障模式，从而促使开发可靠的预测建模框架以捕获过程诱导的性能变异和损害。对于较低的相对密度晶格，这是一种基于扩展的排水沟 - 武器材料模型的Fe模型，将Bridgman的校正与危机失败标准融合在一起，可准确捕获破碎的响应。随着晶格密度的增加，沿珠珠界面的界面损伤变得占主导地位，因此需要使用微观粘性区模型富集该模型以捕获界面剥离。预测建模引入了增强因素，是一种直接的方法来评估AM过程对能量吸收性能的影响，从而促进了FFF打印的晶格的逆设计。这种方法对如何优化FFF流程进行了批判性评估，以实现最高可实现的性能并减轻架构材料的故障。
多尺度建模和 AI/ML 高级...
材料的进步对于技术创新至关重要。在多个长度和时间尺度上对材料进行计算建模可以更深入地了解材料行为的物理机制，并为调整材料加工、结构特性以用于高级应用提供途径。使用基于物理的计算模型生成的数据为开发机器学习模型提供了独特的机会，该模型可以学习材料的固有行为，从而加速高级应用的材料发现工作。本次研讨会的目的是让参与者了解当前最先进的多尺度建模和数据科学技术，这些技术可以加速高级应用材料的开发。研讨会将涉及基于物理的模型、材料信息学、AI/ML 技术的理论和演示。
多尺度自动调整半监督深度子空间聚类及其在脑肿瘤聚类中的应用
在本文中，我们介绍了一种新颖的多尺度和自动调整的半监督深度子空间聚类（MAS-DSC）算法，旨在解决高维现实世界数据（特别是在医学成像领域）中深度子空间聚类的挑战。传统的深度子空间聚类算法大多是无监督的，其有效利用医学图像中固有的先验知识的能力有限。我们的 MAS-DSC 算法结合了半监督学习框架，使用少量标记数据来指导聚类过程，从而增强了特征表示的判别能力。此外，多尺度特征提取机制旨在适应医学成像数据的复杂性，从而实现更准确的聚类性能。为了解决深度子空间聚类中超参数选择的困难，本文采用贝叶斯优化算法来自适应调整与子空间聚类、先验知识约束和模型损失权重相关的超参数。在ORL、Coil20、Coil100等标准聚类数据集上进行的大量实验验证了MAS-DSC算法的有效性。结果表明，通过多尺度网络结构和贝叶斯超参数优化，MAS-DSC在这些数据集上取得了优异的聚类结果。此外，在脑肿瘤数据集上的测试证明了该算法的鲁棒性，以及其在半监督学习框架下利用先验知识进行高效特征提取和增强聚类性能的能力。
使用机器学习对材料的多尺度建模
Crystal systems/structures, symmetry, anisotropy, tensorial representation of crystal properties Multiscale hierarchical microstructure (polycrystals, grains, sub- structures, defects, and atoms) and its effect on properties ML algorithms: supervised, unsupervised and reinforcement learning methods Conventional Multiscale Modeling of Materials (L12+T4)
Cascade Residual Multiscale Convolution and Mamba- Structured UNet for Advanced Brain Tumor Image Segmentation
Abstract: In brain imaging segmentation, precise tumor delineation is crucial for diagnosis and treatment planning. Traditional approaches include convolutional neural networks (CNNs), which struggle with processing sequential data, and transformer models that face limitations in maintaining computational efficiency with large-scale data. This study introduces MambaBTS: a model that synergizes the strengths of CNNs and transformers, is inspired by the Mamba architecture, and integrates cascade residual multi-scale convolutional kernels. The model employs a mixed loss function that blends dice loss with cross-entropy to refine segmentation accuracy effectively. This novel approach reduces computational complexity, enhances the receptive field, and demonstrates superior performance for accurately segmenting brain tumors in MRI images. Experiments on the MICCAI BraTS 2019 dataset show that MambaBTS achieves dice coefficients of 0.8450 for the whole tumor (WT), 0.8606 for the tumor core (TC), and 0.7796 for the enhancing tumor (ET) and outperforms existing models in terms of accuracy, computational efficiency, and parameter efficiency. These results underscore the model's potential to offer a balanced, efficient, and effective segmentation method, overcoming the constraints of existing models and promising significant improvements in clinical diagnostics and planning.