XiaoMi-AI文件搜索系统
World File Search SystemPDES
初始图形交换规范混合微电路应用协议
提议由混合微电路行业代表、海军 MicroCIM 计划成员和 IGES/PDES 电气应用委员会进行测试，以满足广大混合微电路应用用户的需求。此 AP 将接受测试并
磷酸二酯酶同工酶和 cAMP 区室在阻塞性肺病新疗法开发中的作用
摘要：第二信使分子 3'5'-环磷酸腺苷 (cAMP) 对哮喘、慢性阻塞性肺病 (COPD) 和特发性肺纤维化 (IPF) 等肺部疾病具有多种有益作用。cAMP 在哮喘和 COPD 中具有支气管扩张作用，同时还具有抗纤维化特性，可限制纤维化。磷酸二酯酶 (PDE) 代谢 cAMP，从而调节 cAMP 信号传导。虽然一些现有疗法可以抑制 PDE，但只有广泛的家族特异性抑制剂。对 cAMP 信号传导区室的了解（其中一些以脂质筏/洞穴为中心）引起了人们对定义特定 PDE 亚型如何维持这些信号微区室的兴趣。阻塞性肺病中 PDE 表达可能改变，从而导致 cAMP 信号传导异常，对此的研究很少。我们认为，抑制特定的 PDE 亚型可通过放大离散微区中的特定 cAMP 信号来改善阻塞性肺病的治疗。
解决热方程的量子算法与经典算法
预计量子计算机解决某些问题的效率将大大高于传统计算机。量子算法可以显著超越传统算法的一个领域是偏微分方程 (PDE) 的近似解。这一前景既令人兴奋又令人信服：令人兴奋是因为偏微分方程在许多科学和工程领域中无处不在，而令人信服是因为一些解决偏微分方程的主要经典方法（例如通过有限差分或有限元方法）是基于离散化偏微分方程并将问题简化为求解线性方程组。有些量子算法通过源自 Harrow、Hassidim 和 Lloyd (HHL) 算法的方法，以比传统算法快得多的速度（在某种意义上）求解线性方程 [ 1 ]，因此这些算法可以应用于偏微分方程。该领域已经出现了一系列论文，它们开发了新的量子算法技术 [ 2 – 10 ]，并将量子算法应用于特定问题 [ 3 , 11 – 14 ]。然而，为了确定是否可以获得真正的量子加速，必须考虑所有复杂性参数，并与最佳经典算法进行比较。量子算法应该与
并行和分布式模拟
并行和分布式仿真领域出现于 20 世纪 70 年代和 80 年代，由两个截然不同、相互重叠的研究团体发起。一方面，并行离散事件仿真 (PDES) 团体致力于通过利用高性能计算平台来加速离散事件仿真的执行。大约在同一时间范围内，分布式仿真团体从国防团体的研究和开发工作中发展而来，该团体专注于将单独开发的仿真互连起来，这些仿真在通过局域网和广域网互连的计算机上执行。这项研究最初侧重于用于训练目的的仿真，但很快扩展到包括物理设备的分析、测试和评估等领域。虽然 PDES 和分布式仿真之间存在重要差异，但也存在许多共同的问题。在这里，我们非正式地将并行和分布式仿真描述为一个领域，它涵盖了这两个团体在从紧密耦合的并行计算平台到通过广域网连接的松散耦合机器等平台上执行单个仿真程序时出现的问题。
并行和分布式模拟
并行和分布式仿真领域出现于 20 世纪 70 年代和 80 年代，由两个截然不同、相互重叠的研究团体发起。一方面，并行离散事件仿真 (PDES) 团体关注通过利用高性能计算平台来加速离散事件仿真的执行。大约在同一时间范围内，分布式仿真团体从国防团体的研究和开发工作中发展而来，该团体专注于将通过局域网和广域网互连的计算机上执行的单独开发的仿真进行互连。这项研究最初侧重于用于培训目的的仿真，但很快扩展到包括物理设备的分析、测试和评估等领域。虽然 PDES 和分布式仿真之间存在重要差异，但也存在许多共同的问题。在这里，我们非正式地将并行和分布式模拟描述为一个领域，它涵盖了这两个社区在从紧密耦合的并行计算平台到通过广域网连接的松散耦合机器的平台上执行单个模拟程序而产生的问题。
通过无监督的预读和内在的学习
最近几年见证了基于部分微分方程（PDES）解决科学问题的机器学习方法和物理领域特定见解的承诺。但是，由于数据密集型，这些方法仍然需要大量的PDE数据。这重新引入了对昂贵的数量PDE解决方案的需求，部分破坏了避免使用这些支出模拟的最初目标。在这项工作中，寻求数据效率，我们为PDE操作员学习设计了无监督的预培训。为了减少对模拟成本的训练数据的需求，我们在没有模拟解决方案的情况下挖掘了未标记的PDE数据，我们通过基于物理启发的基于重建的代理任务为神经操作员提供了预先介绍神经操作员。为了提高分布性能，我们进一步协助神经操作员灵活地利用一种基于相似性的方法，该方法学习了内在的示例，并导致了额外的培训成本或设计。对一组PDES的广泛经验评估表明，我们的方法具有高度的数据效率，更具生动性，甚至超出常规视觉预测的模型。我们在https://github.com/delta-lab-ai/data_effidiced_nopt上提供代码。
用基于能量的模型学习物理世界
学习使用生成先验模拟物理从稀疏传感器数据预测由偏微分方程 (PDE) 控制的流体系统是计算物理学中的一项重大挑战。PDE 是模拟各种物理现象的基础，但它们的解析解往往难以解决，尤其是在复杂的现实场景中，例如由 Navier-Stokes 方程描述的湍流。这些挑战因从稀疏或嘈杂的观测中重建高维解的难度而加剧。自 2023 年以来，我一直专注于通过将 AI 技术集成到 PDE 求解中来应对这一挑战，特别是利用扩散模型作为适合 PDE 性质并能够学习物理分布模式的强大生成模型。扩散模型在模拟流体动力学固有的随机过程方面表现出色，这使得它们特别适合捕捉湍流的混沌行为。它们能够通过基于能量的建模学习迭代 PDE 先验，这使它们即使在数据有限的情况下也能近似复杂的 PDE 解。通过应用物理信息约束，扩散模型可以迭代地解决逆问题，同时确保其逐渐收敛的解遵循物理定律，从而弥合传统 PDE 求解与现代科学 AI 方法之间的差距。这种方法不仅可以在涉及湍流或噪声数据的场景中做出准确而稳健的预测，而且还凸显了 AI 在推进对 PDE 治理系统的科学理解方面的潜力。作为项目负责人，我开发了一个使用物理信息引导采样的框架，该框架结合了观测损失和 PDE 函数损失来强制执行物理约束，从而能够重建静态 PDE 的材料属性（系数）和流动属性（解）。对于动态 PDE，即使观测非常稀疏，该框架也可以重建关键时间步骤（例如初始状态和最终状态）的流动属性。通过对各种类型的 PDE 进行大量实验，我证明了 DiffusionPDE 具有几个优点：1）它可以同时解决解（或最终状态）预测和参数（或初始状态）估计任务，2）即使使用非常有限的（≈ 3％）观测，它也能准确地恢复缺失数据，这对于实际应用至关重要，3）它展示了使用单一生成模型有效解决复杂数学方程的潜力。我的第一作者作品 [ 1 ] 被接受在 ICML 2024 的 AI for Science 研讨会上进行口头报告。在此基础上，我通过将我们的引导采样方法与无分类器引导（CFG）进行比较，进一步评估了该方法的性能。我们的结果表明，引导采样优于 CFG，因为它更直接地应用物理约束。该研究[2]已被 NeurIPS 2024 接受。
您实施 MBSE 数据的路线图在哪里...
• PDES、MBSE WG（STEP、MoSSEC、INCOSE MoU） • LOTAR、MBSE WG（数据保存和重用） • Modelica 协会（MBD、语言、FMI、SSP） • NAFEMS（联盟、系统建模和仿真） • AFNeT（联盟、数字转型/stds） • prostep ivip（联盟、行业最佳实践） • AVSI（学术界、虚拟集成、PBR/PMM） • 其他：W3C、OMG、OASIS、OAIS、INCOSE，
第 15 卷 2024 年夏季
本次为期一天的研讨会的主要目的是让对非线性偏微分方程理论和计算方面的最新进展感兴趣的研究人员进一步讨论当前的突破性研究成果。最近在使用计算机辅助证明解决偏微分方程 (PDE) 中的复杂挑战方面取得的进展凸显了一个值得注意的趋势。该领域的一个典型合作是 Thomas Yizhao Hou 教授和 Jiajie Chen，他们专注于对有边界的 3D 不可压缩流体的爆破进行严格分析。他们的工作中计算机辅助发挥了关键作用，展示了分析和数值计算与细致的误差控制的融合，展示了在各种非线性偏微分方程中的潜在应用。