XiaoMi-AI文件搜索系统
World File Search SystemSimulate
通过扩展主动推理进行目标导向规划和目标理解：通过模拟和物理机器人实验进行评估
摘要：我们表明，通过扩展主动推理框架，可以在目的论框架中制定目标导向的行动规划和生成。所提出的模型建立在变分递归神经网络模型上，具有三个基本特征。这些特征是：（1）可以为静态感官状态（例如要达到的目标图像）和动态过程（例如围绕物体移动）指定目标；（2）该模型不仅可以生成目标导向的行动计划，还可以通过感官观察来理解目标；（3）该模型根据从过去的感官观察推断出的当前状态的最佳估计，为给定目标生成未来的行动计划。通过在模拟移动代理以及执行对象操作的真实人形机器人上进行实验来评估所提出的模型。
Cyberdemo：增强现实世界灵巧操纵的模拟人类示范
我们介绍了Cyberdemo，这是一种用于机器人模仿学习的新方法，该方法利用了模拟人类的策略来实现现实世界的任务。通过在模拟环境中纳入广泛的数据增强，CyberDemo在转移到现实世界中的传统现实世界中的表现优于传统的现实世界中的演示，从而处理了多样化的物理和视觉条件。无论其负担能力和在数据收集中的便利性如何，Cyberdemo Opper-pers-pers-pers-pers of-lip-term-term of基线方法在跨不同任务的成功率方面，并具有以前未见的对象的普遍性。例如，尽管只有人类的示范插入三瓣，但它仍可以旋转新型的四阀和五角谷。我们的研究证明了模拟人类示范对现实世界灵活操纵任务的重要潜力。更多详细信息可以在https://cyber-demo.github.io/
生成代理社会可以模拟人类行为并为公共卫生政策提供信息？疫苗犹豫的案例研究
我们可以模拟一个用发电的代理人模拟人类行为的沙盒社会，从而减少对实际人类试验评估公共政策的过度依赖？在这项工作中，我们研究了使用疫苗犹豫，将与健康相关的决策模拟的可行性定义为尽管有疫苗接种服务的可用性，但作为案例研究，被定义为延迟接受或拒绝疫苗的可行性（Macdonald，2015年）。为此，我们引入了V ac S IM 1框架，其中100种由大型语言模型（LLMS）提供动力的生成代理。v ac s im模拟了通过以下步骤模拟VACINE政策结果：1）根据人口普查数据实例化具有人口统计信息的代理商； 2）通过社交网络连接代理商，并建模疫苗态度，这是社会动态和与疾病相关的信息的函数； 3）设计和评估各种旨在减轻疫苗犹豫的公共卫生干预措施。为了与现实世界的结果保持一致，我们还引入了模拟热身和态度调节以调整药物的态度。我们进行了一系列评估，以评估各种LLM模拟的可靠性。实验表明，诸如Llama和Qwen之类的模型可以模仿人类行为的各个方面，但也突出了现实世界的一致性挑战，例如与人口统计学特征的不一致的响应。对LLM驱动的模拟的这种早期探索并不意味着作为确定的政策指导；相反，它是采取行动检查政策制定的社会模拟的呼吁。
在模拟的环境辐射和微生物孵育条件下研究单个羧酸盐富含甲基甲基分子的稳定性
了解环境溶解的有机物（DOM）依赖于能够导航其固有复杂性的方法的发展。尽管分析技术一直在不断提高，从而改善了散装和分级DOM的见解，但单个化合物类别的命运几乎不可能通过当前技术跟踪。以前，我们报道了羧酸盐富含甲基分子（CRAM）化合物的合成，该化合物与以前可用的标准相比，与DOM共享更相似的分析特征。在这里，我们采用我们的合成式烤箱化合物并将它们与选择的一组策划的一组购买的分子以及选择的生物学或化学相关性的附加策划的一组购买的分子一起，采用我们的合成的CRAM化合物，将常规使用DOM用作批量材料。辐照实验通常表明，在饱和碳主链上仅携带羧酸和/或酒精的化合物对光化学降解具有最具耐药性，但在DOM的存在下，某些具有CRAM样式和化学功能的化合物也更稳定。在微生物孵化中，在各种水生环境中8个月后，我们的所有合成cram均完全稳定。这些实验集为环境中提议的CRAM的稳定性提供了支持，并提供了一个平台，可以使用该平台，可以使用多种多样的分子来帮助探测DOM的稳定性。
凭经验评估模拟环境中自动驾驶系统的片状测试
摘要 - 在自主驾驶系统（ADS）测试中，测试场景是预定的，特定的事件序列，包括静态实体（例如道路形状和交通标志）和动态实体（例如，交通信号灯和周围车辆的轨迹）。通过根据测试方案创建环境并在该环境中运行正在测试的广告，我们可以验证广告是否造成任何违反安全性（例如，与其他车辆的碰撞）。由于与现实世界中的测试方案相关的高成本和风险，基于模拟的测试依赖于可以创建各种虚拟驾驶环境的驱动模拟器，因此引起了极大的关注。由于模拟环境可以比现实世界更确定性，因此基于模拟的测试可以提供非粉状测试，即，从理论上讲，相同的测试场景（和相同的ADS）相同的测试结果。但是，在基于模拟的广告测试中，我们真的没有片状测试吗？本文使用两个广泛使用的开源驾驶模拟器：CARLA和MetAdrive在基于模拟的ADS测试中进行经验研究。我们的结果表明，令人惊讶的是，由于卡拉中的非确定模拟，基准测试方案的31.3％可能是片状的，而元素没有产生任何片状测试。我们进一步讨论了非确定模拟的潜在原因，片状测试在ADS测试中的含义以及减轻未来工作中片状的实用策略。
模拟的拟南芥消化物在塑造肠道菌群和短链脂肪酸水平中的作用
1 食品科学研究所 (CIAL, CSIC-UAM)，Nicolás Cabrera 9, 28049 马德里，西班牙； samuel.paterson@csic.es （SP）; martamaj11@gmail.com（毫米）； mafl@if.csic.es (M. Á .dlF) 2 微生物和血管生物学实验室，圣卡洛斯临床医院-圣卡洛斯健康研究所（IdISSC），教授。 Martín Largos，s/n，28040马德里，西班牙； mgomezgarre@salud.madrid.org（总干事）； a.ortega.hernandez@hotmail.com（AO-H.）； silsangon@outlook.es (SS-G.) 3 心血管疾病生物医学研究网络中心（CIBERCV），Monforte de Lemos 3-5，28029 马德里，西班牙 4 马德里康普顿斯大学（UCM）医学院生理学系，Plaza Ramírez Cajal s/n，28040 马德里，西班牙 * 通讯地址：pgcortes@csic.es -C.); b.hernandez@csic.es (BH-L.)
在Omniverse中创建一个模拟的月球地形
•随机月球地形产生，具有大的（陨石坑，山丘）和小（迷你陨石坑，岩石）伪影。•其他地形样品是手工制作或缩放的NASA高分辨率地形。•许多可自定义的参数设置火山口，地形大小和特征。•培训数据收集的大面积，可为更广泛的唯一数据范围提供。
注册前护理课程中的模拟实践学习
监测报告证实，AEI 已经删除、减少或打算减少支持或支撑模拟练习的在线内容，转而支持校园活动。这主要是由学生反馈推动的。据报道，在校园内开展的在线和虚拟 SPL 活动对学生来说具有适当的技术支持优势。校园活动发展到包括更多涉及人员的活动——包括同龄人、演员和“模拟病人”——并有面对面的实践监督。许多 AEI 表明或表示有意减少 SPL 学生团体的规模，以促进更多定制学习。53. 一些 AEI 开发的 SPL 纯粹是为了支持学生的实践学习
估计模拟ENSO统计数据中的不确定性-Centaur
在评估气候模型并评估气候变化引起的趋势时，经常使用抽象的模型模拟大型组合来降低内部变异性的影响。但是，区分模型偏差和气候变化信号与内部变异性所需的合奏成员的最佳数量在模型和指标之间各不相同。在这里，我们分析了东部赤道太平洋地区的降水和海面温度的平均值，方差和偏度，通常用于描述从耦合模型对间隔项目的大型组合中获得的ElNiño -Southern振荡（ENSO）。利用既定的统计理论，我们开发和评估估计方程，先验，整体规模或模拟长度，以限制ENSO统计量基于采样的不确定性所需的不确定性到所需的公差内。我们的结果证实，这些统计数据的不确定性随时间序列长度和/或整体大小的平方根而降低。此外，我们证明，当使用前工业化控制或历史运行计算时，这些统计数据的不确定性通常是可比的。这表明有时可以使用前工业运行来估算从现有历史成员或合奏中计算出的统计数据的预期不确定性，以及所需的模拟年数（运行持续时间和/或集合大小）的数量充分表征统计量。这些结果很可能适用于ENSO以外的变量和区域。此进步使我们能够使用现有模拟（例如，在模型开发过程中执行的控制运行）来设计合奏，这些集合可以充分限制由模拟内部可变性引起的诊断不确定性。
模拟了大型语言模型和临床信用系统的滥用
1美国国立卫生研究院（NIH），美国国立卫生研究院（NIH），美国马里兰州贝塞斯达2已经提出了大型语言模型（LLMS）来支持许多医疗保健任务，包括疾病诊断和治疗个性化。虽然可以应用AI来协助或增强医疗保健的提供，但也存在滥用的风险。llms可用于通过不公平，不公正或不准确的标准分配资源。例如，社会信贷系统使用大数据来评估社会中的“可信赖性”，对那些基于仅由权力结构定义的评估指标（例如，公司实体或管理机构）定义的评分量很差的人进行了惩罚。强大的LLM可以扩大此类系统，该系统可以根据多模式数据 - 金融交易，Internet活动和其他行为输入来评估个人。医疗保健数据可能是最敏感的信息，可以通过“临床信贷系统”收集，并有可能用于侵犯公民自由或其他权利，这可能包括限制获得护理的访问。这项研究的结果表明，LLM可能会偏向于保护个人权利的集体或系统利益，从而有可能使这种未来的滥用。此外，本报告中的实验模拟了如何使用当前LLM利用临床数据集，以证明解决这些道德危险的紧迫性。1。最后，提出了策略来减轻开发大型AI医疗模型的风险。简介大语模型（LLMS）可以使用非结构化数据执行许多复杂的任务 - 在某些情况下，除了人类功能之外。1,2这种进步正在扩展到医疗保健：正在开发新的AI模型来使用患者数据进行任务，包括诊断，工作流程改进，监测和个性化治疗建议。但是，如果被管理当局，公司或其他决策实体滥用，临床AI潜在应用的这种增加也会给公民自由带来重大风险。对这种潜力的认识可能会降低风险，激励透明度，为负责任的治理政策提供信息，并导致开发针对“大数据压迫”的新保障措施。1.1社会信用系统社会信贷系统已在中国人民共和国（中国）引入，是大数据压迫的新兴例子。社会信贷系统旨在限制“被抹黑”的特权，但不能限制“可信赖”的特权。 3-23在社会信贷系统中，从公民/成员收集的大型多模式数据集可用于确定社会内的“可信赖性”，该指标是基于由权力结构定义和控制的指标。3-23被认为是值得信赖的，公民必须表现出对权力结构的忠诚，并与已建立的专业，财务和社会（行为）标准保持一致。否则，他们可能会失去自己和亲人的关键资源的访问权限。24例如，对管理机构的批评可能会导致旅行，就业，医疗服务和/或教育机会的限制。3-23甚至非常小的“犯罪”，例如轻率的购买，停车票或过度的在线游戏，也可能导致处罚。21-23最终，从电力结构中获取资源，威胁力量结构或以其他方式被认为是不受欢迎/不信任的任何行为都可能导致负面后果，包括由于公共“黑名单”而进行的社会羞辱。