这条线路将包括 Sound Transit 的首批电池电动公交车队。S1 和 S2 上将有一支双层公交车队,S3 上将有 60 英尺的铰接式公交车队。公交车一次充电即可满载乘客行驶整个路线。新的巴士基地北站是一座巴士维护和运营大楼,将为 Stride 快速公交 (BRT) 维护和维修巴士。这个巴士基地还将容纳整个 BRT 车队和一些 ST Express 路线的零排放改造。这是实现 2050 年设施和车队零碳运营的重要一步。
机器学习,尤其是深度学习对分子和材料设计的影响越来越大。,鉴于越来越多地获得了用于药物降低的生成建模的高质量小分子数据,因此有望进行药物发现的结果。然而,对于许多重要的材料类别,例如催化剂,抗氧化剂和金属有机框架 - 不可用。这些样品有限和结构相似性的分子家族在工业应用中尤其普遍。众所周知,在如此小的数据集中进行了重新培训甚至微调。新颖的,实际上适用的分子通常是众所周知的分子的衍生物,提出了解决数据稀缺性的方法。为了解决这个问题,我们引入了大步,这是一种生成分子的工作流程,它以无条件的生成模型产生了新的分子,该模型由已知分子而没有任何重新培训。我们从一组高度专业的抗氧化剂分子中生成训练数据之外的分子。我们的发电分子平均降低了合成可及性评分的21.7%,并且通过指南将电离潜力降低了5.9%的产生分子。
本论文受版权和/或相关权利保护。本论文由 Digital Scholarship@UNLV 提供,并获得了版权所有者的许可。您可以自由地以适用于您的使用的版权和相关权利立法允许的任何方式使用本论文。对于其他用途,您需要直接获得版权所有者的许可,除非记录和/或作品本身中的知识共享许可表明了其他权利。本论文已被 Digital Scholarship@UNLV 的授权管理员接受,以纳入 UNLV 论文、学位论文、专业论文和顶点课程。有关更多信息,请联系 digitalscholarship@unlv.edu。
大型语言模型(LLMS)之类的GPT-4已彻底改变了自然语言处理,表现出了显着的语言水平和推理能力。然而,它们在战略多代理决策环境中的应用受到严重限制的阻碍,包括数学推理不佳,遵循说明的困难以及产生错误信息的趋势。这些缺陷阻碍了他们在战略和互动任务中的表现,这些任务需要遵守细微的游戏规则,长期计划,未知环境中的探索以及对对手的举动的预期。为了克服这些障碍,本文介绍了一个新型的LLM代理框架,该框架配备了内存和专业工具,以增强其战略决策能力。我们将工具部署在许多经济上重要的环境中,尤其是双边谈判和多机构和动态机制设计。我们采用定量指标来评估框架在各种策略决策问题中的表现。我们的发现表明,我们的增强框架显着提高了LLM的战略决策能力。当我们强调当前LLM模型的固有限制时,我们通过有针对性的增强功能来证明改进的进步,这表明在LLM应用程序中,在LLM应用程序中,互动式环境的未来发展有前途的方向。
摘要:人工智能 (AI) 等新兴技术的应用会带来风险,需要加以解决,以确保社会技术基础设施的安全可信。机器学习 (ML) 是 AI 最发达的子领域,可以改善决策过程。但是,ML 模型表现出传统 IT 系统不会遇到的特定漏洞。随着包含 ML 组件的系统变得越来越普遍,为安全从业人员提供针对特定 AI-ML 管道量身定制的威胁建模至关重要。目前,在识别和分析针对 ML 技术的威胁时,尚无成熟的方法来考虑整个 ML 生命周期。在本文中,我们提出了一种以资产为中心的方法——STRIDE-AI——用于评估基于 AI-ML 的系统的安全性。我们讨论如何应用 FMEA 流程来确定在 ML 生命周期的不同阶段生成和使用的资产可能如何失效。通过将 Microsoft 的 STRIDE 方法应用于 AI-ML 领域,我们将潜在的 ML 故障模式映射到威胁以及这些威胁可能危及的安全属性。所提出的方法可以帮助 ML 从业者选择最有效的安全控制措施来保护 ML 资产。我们借助从 TOREADOR H2020 项目中选择的真实用例来说明 STRIDE-AI。
摘要:人工智能 (AI) 等新兴技术的应用会带来风险,需要解决这些风险才能确保社会技术基础设施的安全可信。机器学习 (ML) 是人工智能最发达的子领域,可以改善决策过程。然而,ML 模型表现出传统 IT 系统不会遇到的特定漏洞。随着包含 ML 组件的系统变得越来越普遍,为安全从业人员提供针对特定 AI-ML 管道量身定制的威胁建模至关重要。目前,在识别和分析针对 ML 技术的威胁时,还没有成熟的方法来考虑整个 ML 生命周期。在本文中,我们提出了一种以资产为中心的方法——STRIDE-AI——用于评估基于 AI-ML 的系统的安全性。我们讨论了如何应用 FMEA 流程来识别在 ML 生命周期的不同阶段生成和使用的资产可能如何失效。通过将 Microsoft 的 STRIDE 方法应用于 AI-ML 领域,我们将潜在的 ML 故障模式映射到这些威胁可能危及的威胁和安全属性。所提出的方法可以帮助 ML 从业者选择最有效的安全控制措施来保护 ML 资产。我们借助从 TOREADOR H2020 项目中选取的一个实际用例来说明 STRIDE-AI。
大型语言模型 (LLM) (如 GPT-4)彻底改变了自然语言处理,展现出卓越的语言能力和推理能力。然而,它们在战略多智能体决策环境中的应用受到重大限制的阻碍,包括数学推理能力差、难以遵循指令以及容易产生错误信息。这些缺陷阻碍了它们在战略和交互任务中的表现,这些任务需要遵守细致入微的游戏规则、长期规划、在未知环境中探索以及预测对手的动作。为了克服这些障碍,本文提出了一种新型的 LLM 智能体框架,该框架配备了记忆和专门的工具来增强其战略决策能力。我们将这些工具部署在许多具有经济重要性的环境中,特别是双边谈判和多智能体和动态机制设计。我们使用定量指标来评估该框架在各种战略决策问题中的表现。我们的研究结果表明,我们增强的框架显著提高了 LLM 的战略决策能力。虽然我们强调了当前 LLM 模型的固有局限性,但我们通过有针对性的增强展示了改进,为交互式环境中 LLM 应用的未来发展提供了一个有希望的方向。
本文讨论了火箭电动机中固体推进剂的非破坏性测试(NDT)的复杂性,并强调了各种检查技术的重要性和演变。它解决了与不同推进剂类型相关的挑战以及缺陷检测的固有困难。通过强调数字方法和自动缺陷识别(ADR)的最新进步,该研究强调了NDT在确保火箭电机的安全性和有效性方面的关键作用,并向未来的技术趋势和研究需求指出。鉴于固体火箭电动机在航空航天和防御中的关键作用,它们的检查至关重要。传统方法(例如视觉检查(VI))对于识别表面缺陷(例如裂纹和脱键)至关重要,尽管它们仅限于表面异常。射线照相测试的进步,包括常规和数字X射线照相,已改善了内部缺陷的检测,例如空隙,孔隙率,异物或夹杂物或裂缝。使用计算的X射线照相(CR)和数字探测器阵列(DDA)的数字X射线照相,提供了出色的分辨率和更快的成像,这对于详细的检查而言是无价的。超声波测试(UT)具有工具性,脉冲回声和透射方法为内部不连续性和粘结完整性提供了见解。UT方法,尤其是通过传输,避免了耦合剂的污染,并且适合自动扫描。关键字:非破坏性测试(NDT);固体推进剂;缺陷检测;检查挑战;使用激光光检测表面和地下缺陷的剪切照片提供了实时反馈和定量分析,特别是用于检测剥离和不当粘附。工业计算机断层扫描(ICT)提供了高分辨率的三维成像,对于识别结构异常和确保推进剂完整性至关重要,尽管它受到高成本和运营复杂性的挑战。激光扫描热成像(LASST)生成详细的热图以识别缺陷和材料不一致,使其适合在制造过程中进行在线检查。NDT的最新进展包括为ADR集成人工智能(AI)和机器学习(ML),增强缺陷检测,减少人类错误以及支持预测性维护。但是,这些技术面临着诸如高成本,对专业技能的需求以及与现有方法集成的复杂性之类的挑战。NDT对固体推进剂的未来在于开发具有成本效益的方法,标准化程序和便携式设备以进行现场检查。拥抱AI和ML将进一步自动化并改善缺陷分析,从而确保固体火箭电机的更高安全性和性能标准。
RBKC 希望在设计和调试联网场所项目时,制定一种一致的方法来理解和沟通问题。他们已经建立了信息安全信息治理和风险管理功能,但他们希望开发一个流程,以精细的级别关注联网设备的安全状况,并让所有相关利益相关者(包括业务和技术利益相关者)参与其中。STRIDE 威胁分析资源使 RBKC 能够创建一套基础资源来支持他们的联网场所计划。RBKC 现在已经开始思考如何创建联网场所风险的动态视图,该视图将根据固件更新定期更新,或者展示风险如何受到某些威胁载体的影响。