XiaoMi-AI文件搜索系统
World File Search SystemPINNS
混合状态估计：将物理信息的神经网络与动态系统的自适应UKF整合
摘要：在本文中，我们通过将物理知识的神经网络（PINN）与自适应的无气味卡尔曼过滤器（UKF）相结合，提出了一种新型的动态系统估计方法。认识到传统状态估计方法的局限性，我们通过混合损失功能和蒙特卡洛辍学来完善Pinn结构，以增强不确定性估计。使用自适应噪声协方差机制增强了无味的卡尔曼滤波器，并将模型参数纳入状态矢量以提高适应性。我们通过将增强的PINN与UKF集成为无缝的状态预测管道，进一步验证了该混合动力框架，这表明准确性和鲁棒性有了显着提高。我们的实验结果表明，位置和速度跟踪的状态估计保真度明显增强，并通过贝叶斯推理和蒙特卡洛辍学的不确定性定量支持。我们进一步扩展了对双摆系统的模拟并进行了评估，并在四轮驱动器无人机上进行了状态估计。这种综合解决方案有望推进动态系统估计中的最新解决方案，从而在控制理论，机器学习和数值优化域中提供无与伦比的性能。
岩土工程学的物理学的机器学习...
该程序的目的是了解物理知识的机器学习背后的原理，并探索可以应用这些方法的各种情况。该课程由两个部分组成：在线入门课程和将在RWTH现场举行的研讨会。1。在线介绍（7月7日至11日）在本周中，引入了机器学习及其在工程中的应用。主题包括数据策略，优化技术和基本的机器学习模型。将重点放在onephysics-informed-informednornet网络（PINNS），它们的体系结构以及它们与梯度和微分方程的连接。本周还包括有关Python和科学计算工具的简介，并使用Jupyternotebook进行了动手演示。2。在本周7月14日至7月14日的RWTH（14-18）的研讨会，学生将在黑客式的式研讨会上运用新获得的理论知识。将提供不同的任务和问题，学生将在协作和非正式的环境中解决。本届会议的目标是加深理论研讨会中获得的技能，并在参与者中分享知识。研讨会的实际性质也将使人们更好地理解物理知识的机器学习方法的实现，机会和局限性。最后但并非最不重要的一点是，黑客马拉松也是解决有趣的建模问题并与来自不同国家的学生和学院建立联系的绝佳机会。
Piratenets：具有残留自适应网络的物理信息深度学习
虽然物理知识的神经网络（PINN）已成为一个流行的深度学习框架，用于解决由部分差分方程（PDES）控制的前进和反问题（PDES），但众所周知，当采用更大和更深层的神经网络架构时，他们的性能会降低。我们的研究表明，这种反直觉行为的根源在于使用具有不适合初始化方案的多层感知器（MLP）架构，从而导致网络衍生物的培训较差，最终导致PDE残留损失的不稳定最小化。为了解决这个问题，我们引入了物理信息的残留自适应网络（Piratenets），这是一种新型的体系结构，旨在促进对深色Pinn模型的稳定且有效的培训。Piratenets利用了一种新型的自适应残差连接，该连接允许将网络初始化为在训练过程中逐渐加深的浅网络。我们还表明，提出的初始化方案使我们能够在网络体系结构中对与给定PDE系统相对应的适当的归纳偏差进行编码。我们提供了全面的经验证据，表明piratenets更容易优化，并且可以从深度大大提高，最终在各种基准中获得最新的结果。此手稿随附的所有代码和数据将在https://github.com/predictivectiveIntelligencelab/jaxpi/jaxpi/tree/pirate上公开提供。
QuPINNs：用于最佳反非绝热量子计算的物理信息神经网络
我们引入了一种新方法，利用物理信息神经网络 (PINN) 的优势来解决由 NQ 量子比特系统组成的量子电路优化中的反非绝热 (CD) 协议。主要目标是利用物理启发的深度学习技术来准确解决量子系统内不同物理可观测量的时间演化。为了实现这一目标，我们将必要的物理信息嵌入到底层神经网络中以有效地解决这个问题。具体来说，我们对所有物理可观测量施加了厄米性条件，并利用最小作用量原理，保证根据底层物理学获得最合适的反非绝热项。所提出的方法提供了一种可靠的替代方法来解决 CD 驱动问题，摆脱了以前依赖经典数值近似的方法中通常遇到的限制。我们的方法提供了一个通用框架，可以从与问题相关的物理可观测量中获得最佳结果，包括时间上的外部参数化（称为调度函数）、涉及非绝热项的规范势或算子，以及系统能级的时间演化等。该方法的主要应用是 H 2 和 LiH 分子，由采用 STO-3G 基础的 2 量子比特和 4 量子比特系统表示。所给出的结果证明了通过利用泡利算子的线性组合成功推导出非绝热项的理想分解。这一属性为其在量子计算算法中的实际实现带来了显著的优势。
项目描述 - 计算机科学博士学位
项目A1：使用物理信息神经网络的科学机器学习：算法和应用主管：Bruno Carpentieri教授教授项目描述：这项活动的目标是在数学和人工智能（AI）的交汇处为尖端研究做出了重大贡献（AI），解决复杂的现实世界应用程序的应用程序和镇定业务，并在这些快速的广告中解决这些快速扩展。物理知识的机器学习（PINN）是一种新颖的方法，用于将传统科学物理定律的特定知识纳入机器学习模型中。可以将其视为一种方法，它既是用于捕获系统物理学的建模工具，也可以用作有效解决数学问题的计算工具。物理学和机器学习之间的这种协同作用不仅提高了模型的准确性，而且还为基础物理过程提供了宝贵的见解，使Pinn成为解决计算科学和工程领域中复杂问题的有效建模工具。在此项目中，我们分析了大型数据集，使用高级数学和计算机科学技术提取有意义的模式，例如统计分析，线性代数，微积分，CPU和GPU系统上的高性能并行计算。然后，我们使用PINN来求解在现实世界科学应用中出现的部分微分方程，分数方程和积分微分方程的模型。目的是推动AI模型的开发和优化，尤其是在能源和医疗问题领域，对数学算法和AI模型的实施和优化产生了重大贡献。必需的强制性技能：线性代数方法的基本知识。计算机编程技能。分析和解决问题。批判性思维。协作。理想的（可选）技能：一种高级编程语言的知识。知识机器学习技术。并行计算的经验。
机会 - 地质和地球物理特性的地理空间机器在全球范围内，我们对EAR的集体理解
机会 - 地质和地球物理特性在全球范围内的地质机器学习，我们对地球特性的集体理解受到直接观察地质的观察（例如，井原木，核心等）或间接通过遥感（例如地球物理或卫星观测）。这一事实导致在高空间分辨率（至sub-km量表）处的地球特性的稀疏数据集，或者从卫星观测值中产生了一个连续但低分辨率的数据集。因此，需要自动插值（例如Kriging）和/或人类知情轮廓，以在高分辨率下持续了解这些属性。在这项工作中，我们致力于改进这些方法。利用机器学习，深度学习和/或物理知情神经网络（PINN）的新发展，我们可以在空间和深度上智能插入或预测地球参数。这项工作利用了地质观察的各种数据源（即“大数据”），例如：科学钻孔，挖出和疏ed和地球物理观察，例如由乘员船（例如，船舶），自主平台（例如，AUV）（例如，AUV）和Satellites和Satellites和Satellites和Satellites和Satellites。我们将这些数据集与基于物理学的地质过程模型（例如压实）和数据驱动方法（例如机器学习）结合使用，以产生对地球特性的连续且准确的估计。这些方法的示例包括从稀疏的船板观测值中预测连续的重力场，或使用核心数据预测沉积物岩性与深度。鼓励基本的地质理解，但不需要。我们寻求具有地质/地球物理学经验的合格申请人，遥感/地理位置，机器学习/数据科学和/或运输/摇滚物理建模。申请人将有一些计算经验，并且在基本的编程/脚本中保持舒适（不需要特定语言）。实验室地点：海洋科学部海军研究实验室Stennis Space Center，MS POC：Benjamin Phrampus海军研究实验室，代码7352建筑物1005 Stennis Space Center，MS 39529电话：228-688-4899电子邮件：Benjamin.phrampus.civ@us.civ@us.navy.mil
海报会话-CS3
主持人标题p1 sara lumbreras一种支持传播扩展计划P2 Bruno boraretto的复杂网络方法的一种爆炸性同步的机制：拓扑结构P3雅各布计费的影响雅各布计费是一种概率的方法，一种通过迁移模式和跨性别分析的分析方式，通过脉动分析的and脉 - Zoequeal pep4 pectiantial-demantiant pece e and iantiant pera thistrianci Forces in Multipolar Social Systems P5 Irene Sendiña Nadal Anticipating explosive synchronization with ordinal methods P6 Federico Pablo-Martí BEACON-FCM: Behavioral Economics and Cognitive Network Mapping for Complex Analysis P7 Raul Toral Biased versus unbiased methods for stochastic simulations P8 Alvaro Corral Bifurcations at Finite Times: Universal Scaling Behavior P9 Bruno Boaretto Characterizing the混沌激光器通过使用序数分析和机器学习P10JoséManuelGalánOrdax合作动态在不必要的风险环境中的尖峰时间：一种基于代理的建模方法P11 LUIS IGNACIO DINISVIZCAIíno是否会关心非现实有效性？