XiaoMi-AI文件搜索系统
World File Search SystemOptimization
通过控制和设计共选
软机器人利用合规的材料以灵活的方式与复杂和不确定的环境相互作用，从而可以操纵脆弱的物体并与生物的安全相互作用。它们的适应性推动了医学和制造等领域的创新。设计软机器人即使对于经验丰富的设计师，由于其非线性材料，多物理耦合，多个身体与环境之间的复杂相互作用及其许多自由度，即使对于经验丰富的设计师来说也很具有挑战性。这解释了为什么软机器人技术中的第一批设计受到自然的启发，模仿了诸如蠕虫或章鱼之类的软动物。软体能够符合硬对象并重新配置DI FF任务，然后将控制的重要部分委派给身体。与刚性机器人不同，体现的智能仍然是软机器人技术中的新兴话题。但是，很明显，可以很好地适应其环境的代理商可以快速学习智能行为。本文摆脱了传统的训练控制和敏捷性的关注，旨在通过将人工智能与软机器人设计联系起来来应对控制挑战。软机器人技术领域在建模，控制和设计方面提出了许多挑战。Inria Lille的除霜团队已经开发了几种有限元方法（FEM）的工具来应对这些挑战，从而可以准确地模拟软机器人。这些工具已用于低级控制，并在制造前评估了软机器人设计。此探索需要解决一些挑战。在这项工作中，应用了各种基于FEM的仿真和数值优化工具来探索软机器人的计算设计。设计空间必须非常大，才能探索相关的设计，但也受到了足够的限制，以使优化问题可以解决。开发相关的数学适应性功能对于准确评估软机器人设计的性能和效果至关重要。鉴于计算设计算法的重要数据要求和准确模拟的计算费用，我们旨在通过选择平衡计算时间和准确性的模型或使用学习技术来加速FEM模拟来加快模拟的速度。本论文探讨了软机器人的计算设计，重点是对数值结果的模拟到真实性。解决了两个参数软操作器的设计优化，一个具有嵌入式传感器，另一个具有自动接触功能。随着控制任务，环境和设计空间变得更加复杂，计算负担增加。这激发了从FEM模拟中学到的替代模型的发展，以表征软机器人的设计和控制。通过各种情况证明了该模型的适用性，特别是对气动操纵器的嵌入式控制和软操作器的计算设计。此外，这项工作的一个关键目标是开发工具以选择软机器人设计和控制。
深度学习模型优化，用于边缘本地应用的部署和改进技术
在日常环境中使用物联网（IoT）传感器和设备的压倒性用途（房屋，医院，酒店，制造地板，仓库，零售店，机场，智能城市等。），如今，实时感知和驱动的长期目标是看到一个宏伟的现实。环境和自适应通信技术可以实现特定特定和不可知论的物联网产品，解决方案和服务的快速增长领域。可以建立并交付给相关人员和系统的跨业务垂直行业的各种情境知识服务和应用程序。多方面的物联网传感器嵌入到各种物理系统中，例如机器人，无人机，飞行引擎，防御设备，医疗器械，电器，厨房用具，消费电子，消费电子，货车，制造机械等。进行此填充是为了不断地监视和测量物理系统的各种参数（日志，结构，操作，健康状况，绩效，安全性等）。IoT设备和传感器部署在工作，散步，购物，社交和放松的地方是连接和数字化的实体。目标是使这些设备和传感器能够在其操作，输出和产品方面具有智能。这些要素在我们的个人，社会和专业环境中大量部署在他们的决策，交易和行为中必须具有认知和认知。数字化的实体有权收集在其环境中生成的多结构数据，清洁和关键，以实时发射可行的见解。普通的工件和文章与技术驱动的实时数据捕获，存储，处理和发音的力量进行了数字化，连接和智能。数字化和数字化技术和工具在将原始数据转换为信息和知识方面派上用场。人工智能（AI）是最有效，最深刻和相关的技术范式，可以简化，简化和加快将批处理和流数据分流为有用知识的过程。边缘AI的开创性概念（替代边缘智能，设备数据处理等）是两种强大技术的融合：边缘计算和人工智能。
在线学习课程学习的在线超参数优化
参考[1] Hou，Saihui等。“通过重新平衡来逐步学习统一的分类器。”CVPR2019。[3] Liu，Yaoyao，Bernt Schiele和Qianru Sun。“用于课堂学习学习的自适应聚合网络。”CVPR 2021。[4]刘，Yaoyao，Bernt Schiele和Qianru Sun。“ RMM：用于课堂学习学习的增强记忆管理。”神经2021。[5] Rebuffi，Sylvestre-Alvise等。“ icarl：增量分类器和表示学习。”CVPR2017。[6] Li，Zhizhong和Derek Hoiem。“学习而不会忘记。”TPAMI2017。
合成基因优化的计算工具
1. 易用性：咨询非技术学者，了解他们对每种工具的熟悉程度 2. 程序操作系统：多个操作系统上的程序分别在每个操作系统上进行测试。仅列出可运行的操作系统 3. 维护/更新：这些程序是否仍在更新也通过文档注明
实用的贝叶斯优化机器学习算法
机器学习算法的使用经常涉及对学习参数的仔细调整和模型超参数。不幸的是，这种调整是一种“黑色艺术”，需要专家经验，经验法规或有时是蛮力搜索。因此，自动方法可以很好地呼吁，可以优化任何给定的学习算法的性能。在这项工作中，我们通过贝叶斯选择的框架来考虑这个问题，其中学习算法的概括性能是从高斯过程（GP）中建模为样本的。我们表明，对于GP性质的某些选择，例如内核的类型及其超级参数的处理，可以在获得可以实现专家级别的良好优化器方面发挥至关重要的作用。我们描述了新的算法，这些算法考虑了学习算法实验的可变成本（持续时间），并且可以利用多个内核的主体进行并行实验。我们表明，这些提出的算法可以改善以前的自动过程，并且可以针对许多算法（包括潜在的Dirichlet分配，结构化SVM和卷积神经网络）达到或超越人类专家级别的优化。
太阳能和风能优化案例研究
摘要 本文探讨了人工智能 (AI) 在提高可再生能源系统效率和功能方面的变革性作用，重点关注太阳能和风能优化。太阳能和风能作为全球能源转型的关键参与者，不仅对环境有益，而且具有社会变革性，为服务不足的社区提供负担得起的能源解决方案。例如，巴基斯坦的低收入家庭越来越多地采用太阳能，因为与传统能源相比，太阳能价格更便宜（亚洲开发银行 [ADB]，2022 年）。本文重点介绍了预测性维护、能源产出优化和与能源存储集成等人工智能应用，强调了它们提高可再生能源系统可靠性和可持续性的潜力。具体的例子包括人工智能驱动的太阳能电池板跟踪系统将效率提高 20%（麻省理工学院 [MIT]，2021 年），谷歌的 DeepMind 提前 36 小时预测风力发电量，将价值提高 20%（谷歌，2019 年），丹麦风电场利用人工智能优化布局，实现能源产量增加 12%（丹麦技术大学，2020 年）。这项研究强调了人工智能不仅在推动技术创新方面发挥的作用，而且在解决全球能源不平等方面也发挥着作用。
回顾了对生物启发的优化算法的全面综述，包括微电子和纳米光学的应用
摘要：人工智能在日常生活中的应用变得无处不在且不可避免。在那个广阔的领域，一个特殊的位置属于用于多参数优化的仿生/生物启发的算法，该算法在许多区域中找到了它们的使用。新颖的方法和进步正在以加速速度发表。因此，尽管事实上有很多调查和评论，但它们很快就变得过时了。因此，与当前的发展保持同步非常重要。在这篇综述中，我们首先考虑了生物启发的多参数优化方法的可能分类，因为专门针对该领域的论文相对较少，而且通常是矛盾的。我们通过详细描述一些更突出的方法以及最近发表的方法来进行。最后，我们考虑在两个相关的宽域中使用仿生算法的使用，即微电子（包括电路设计优化）和纳米光子学（包括诸如光子晶体，纳米质体的构造和水流的结构的逆设计（包括逆设计）。我们试图保持这项广泛的调查独立，以便不仅可以使用相关领域的学者，还可以使用对这个有吸引力领域的最新发展感兴趣的所有人。
网络优化和管理的人工智能和机器学习
这项研究深入研究了人工智能（AI）和机器学习（ML）的应用，以优化和管理现代通信网络。随着数据流量的指数增长以及网络体系结构的增加，网络管理和优化的传统方法证明是不足的。AI和ML提供了新颖的方法来通过实现智能，自适应和自动化网络解决方案来应对这些挑战。该研究探讨了各种AI和ML技术，包括受监督和无监督的学习，强化学习和深度学习，及其在交通预测，资源分配，故障检测和自我修复网络中的应用。它还解决了AI/ML算法与网络管理系统的集成，研究了与可扩展性，实时处理和安全性有关的问题。通过模拟和现实世界案例研究，该研究表明了AI和ML提高网络性能，降低运营成本并提高整体服务质量的潜力。这项工作强调了AI和ML对网络优化和管理的变革性影响，强调了它们在下一代通信网络发展中的关键作用。
镍基高温合金增材制造激光重熔工艺模拟与优化
摘要：镍基高温合金具有优异的耐腐蚀和耐高温性能，在能源和航空航天工业中广受欢迎。镍合金的直接金属沉积 (DMD) 已达到技术成熟度，可用于多种应用，尤其是涡轮机械部件的修复。然而，DMD 工艺过程中的零件质量和缺陷形成问题仍然存在。激光重熔可以有效地预防和修复金属增材制造 (AM) 过程中的缺陷；然而，很少有研究关注这方面的数值建模和实验工艺参数优化。因此，本研究的目的是通过数值模拟和实验分析来研究确定重熔工艺参数的效果，以优化 DMD 零件修复的工业工艺链。热传导模型分析了 360 种不同的工艺条件，并将预测的熔体几何形状与流体流动模型和选定参考条件下的实验单轨观测值进行了比较。随后，将重熔工艺应用于演示修复案例。结果表明，模型可以很好地预测熔池形状，优化的重熔工艺提高了基体和 DMD 材料之间的结合质量。因此，DMD 部件制造和修复工艺可以从此处开发的重熔步骤中受益。
在电线和基于电弧的定向
[2] S. M. Thompson，L。Bian，N。Shamsaei和A. Yadollahi，“添加剂制造的直接激光沉积概述；第一部分：运输现象，建模和诊断，” Addive Manufacturing，第1卷。8，pp。36-62，2015年10月。[3] V. T. Le，H。Paris和G. Mandil，“使用增材和减法制造技术的直接零件再利用策略的制定”，《增材制造》，第1卷。22，pp。687-699，2018年8月。[4] V. T. Le，H。Paris和G. Mandil，“在再制造环境中合并添加剂和减法制造技术的过程计划”，《制造系统杂志》，第1卷。44，否。1，pp。243-254，2017年7月。[5] A. Ramalho，T。G. Santos，B。Bevans，Z。Smoqi，P。Rao和J. P. Oliveira，“污染对316L不锈钢线和ARC添加性生产过程中声学发射的影响”，Addived Manufacturing，第1卷。51，第1条。102585，2022年3月。[6] S. Li，J。Y. Li，Z。W. Jiang，Y。Cheng，Y。Z. Li，S。Tang等人，“控制Inconel 625的定向能量沉积期间的柱状到等式的过渡”，Addy Manufacturing，第1卷。57，第1条。102958，2022年9月。[7] T. A. Rodrigues，N。Bairrão，F。W。C. Farias，A。Shamsolhodaei，J。Shen，J。Shen，N。Zhou等人，“由Twin-Wire和Arc添加剂制造（T-WAAM）生产的钢 - Copper功能渐变的材料（T-WAAM）”，材料＆Designs，第1卷。213，第1条。110270，2022年1月。66，否。8，pp。1565-1580，2022年8月。32，否。[8] V. T. Le，D。S. Mai，M。C. Bui，K。Wasmer，V。A. Nguyen，D。M. Dinh等，“过程参数和热周期的影响，对308L不锈钢墙的质量，该材料由添加剂生产产生的308L不锈钢墙，使用弧形焊接来源，使用弧形焊接源，焊接，焊接，焊接，”。[9] D. Jafari，T。H。J. Vaneker和I. Gibson，“电线和电弧添加剂制造：控制制造零件的质量和准确性的机遇和挑战”，《材料与设计》，第1卷。202，第1条。109471，2021年4月。[10] S. W. Williams，F。Martina，A。C. Addison，J。Ding，G。Pardal和P. Colegrove，“ Wire + Arc添加剂制造”，《材料科学与技术》，第1卷。7，pp。641-647，2016。[11] W. E. Frazier，“金属添加剂制造：评论”，《材料工程与性能杂志》，第1卷。23，否。6，pp。1917-1928，2014年6月。[12] J. Xiong，Y。Li，R。Li和Z. Yin，“过程参数对基于GMAW的添加剂制造中多层单频薄壁零件的表面粗糙度的影响”，《材料加工技术杂志》，第1卷。252，pp。128-136，2018年2月。[13] V. T. Le，“基于气体弧焊接的金属零件添加剂制造的初步研究”，VNUHCM科学技术杂志，第1卷。23，否。1，pp。422-429，2020年2月。58，否。4，pp。461-472，2020年7月。[15] W. Jin，C。Zhang，S。Jin，Y。Tian，D。Wellmann和W. Liu，“不锈钢的电弧添加剂制造：审查”，《应用科学》，第1卷。[14] V. T. Le，Q。H。Hoang，V。C. Tran，D。S. Mai，D。M. Dinh和T. K. Doan，“焊接电流对由薄壁低碳构建的形状和微观结构形成的影响，由电线添加剂制造建造的薄壁低碳零件”，《越南科学和技术杂志》，第1卷。10，否。5，第1条。1563，2020年3月。[16] T. A. Rodrigues，V。Duarte，J。A. Avila，T。G。Santos，R。M。Miranda和J. P. Oliveira，“ HSLA钢的电线和弧添加剂制造：热循环对微结构和机械性能的影响”，《增材制造》，第1卷。27，pp。440-450，2019年5月。[17] J. G. Lopes，C。M。Machado，V。R。Duarte，T。A。Rodrigues，T。G。Santos和J. P. Oliveira，“铣削参数对电线和弧添加剂生产产生的HSLA钢零件的影响（WAAM）”，《制造工艺杂志》，第1卷。59，pp。739-749，2020年11月。[18] A. V. Nemani，M。Ghaffari和A. Nasiri，“通过传统滚动与电线弧添加剂制造制造的船建造钢板的微观结构特性和机械性能的比较，”添加剂制造业，第1卷。32，第1条。101086，2020年3月。[19] P. Dirisu，S。Ganguly，A。Mehmanparast，F。Martina和S. Williams，“对线 +电线 + ARC添加剂生产的高强度高强度低合金结构钢组件的裂缝韧性分析”，材料科学与工程：A，第1卷，第1卷。765，第1条。138285，2019年9月。787，第1条。139514，2020年6月。[20] L. Sun，F。Jiang，R。Huang，D。Yuan，C。Guo和J. Wang，“各向异性机械性能和低碳高强度钢分量由Wired and Arc添加剂制造制造的低强度钢组件的变形行为”，材料科学和工程学：A，A，第1卷。[21] https://doi.org/10.1007/s11665-022-06784-7