XiaoMi-AI文件搜索系统
World File Search SystemSimulators
人工智能驱动模拟器的兴起：构建新的水晶球
人工智能驱动的模拟器的兴起：构建新的水晶球 计算社区联盟 (CCC) 四年期论文 Ian Foster（芝加哥大学）、David Parkes（哈佛大学）和 Stephan Zheng（Salesforce AI Research） 五十年前，天气预报员努力预测明天的天气是否与今天相同。如今，天气预报通常可以准确预测未来一周或更长时间，让个人和社会能够为不再不可预见的事情做好准备。这种显著的转变在很大程度上归功于计算机，尤其是计算模拟的兴起，这是一种使用计算机预测复杂系统未来状态的方法。模拟最初是在第二次世界大战的最后几天为军事目的而开发的，现在已遍布人类社会和经济领域，为决策者提供了一个非凡的水晶球，不仅可以预测下周的天气，还可以预测飞机在不同天气模式下飞行时的表现、新药对新疾病的有效性以及未来电池中新材料的行为。计算机模拟是在计算机上执行的数学建模过程，旨在预测现实世界或物理系统的行为或结果。 1 模拟通常通过将空间（例如北美）划分为多个小单元来配置，每个小单元保存一组值（例如温度和压力）以及一组本地规则，用于更新下一个时间步骤的单元（例如，基于单元和相邻单元的当前温度和压力，一分钟后的温度/压力）。模拟运行以测量的输入（温度/压力）为种子，并反复应用其规则来随时间更新模拟系统。更准确的输入数据、更小的单元和更好的规则可以实现更高保真度的模拟（例如，下周而不是明天的良好天气预报）。计算机模拟的使用现在在社会上如此普遍，毫不夸张地说，美国和国际的持续繁荣、安全和健康在一定程度上取决于模拟能力的持续改进。如果我们能够预测两周后的天气，指导新病毒性疾病新药的设计，或者管理将生产成本和时间降低一个数量级的新制造工艺，情况会怎样？如果我们能够预测人类的集体行为，例如，在自然灾害期间对疏散请求的响应，或劳动力对财政刺激的反应，情况会怎样？ （另请参阅 CCC Quad 关于疫情信息学的配套论文，其中讨论了
未来量子模拟器的研讨会
28。Linsel Simon Mathias（在Pers。）Ludwig-Maximilians-Universitätmünchen物理学系和Arnold Sommerfeld理论物理中心（ASC）
使用 IBM 量子计算机模拟器和 IBM 量子计算机硬件将量子机器学习应用于 LHC 的高能物理分析
我们小组率先在 LHC 的高能物理分析中使用量子机器学习 (QML)。我们已在门模型量子计算机模拟器和硬件上成功将几种 QML 分类算法应用于 ttH（与顶夸克对相关的希格斯粒子生成）和希格斯粒子到两个μ子（希格斯粒子与第二代费米子的耦合）这两项最近的 LHC 旗舰物理分析。模拟研究已使用 IBM Quantum Framework、Google Tensorflow Quantum Framework 和 Amazon Braket Framework 进行，并且我们已实现良好的分类性能，其性能类似于目前在 LHC 物理分析中使用的经典机器学习方法，例如经典 SVM、经典 BDT 和经典深度神经网络。我们还使用 IBM 超导量子计算机硬件进行了研究，其性能令人鼓舞，并且接近 IBM 量子模拟器的性能。此外，我们将研究扩展到其他 QML 领域，例如量子异常检测和量子生成对抗，并已取得一些初步成果。此外，我们还使用 NVIDIA cuQuantum 和 NERSC Perlmutter HPC 克服了大量子比特（25 个量子比特或更多）和大量事件情况下的密集计算资源挑战。
在腹腔镜培训中使用触觉反馈与盒子培训师（BT）比较虚拟现实（VR）模拟器的学习成果：系统的RE
在2023年12月至2024年4月的系统审查和荟萃分析的首选报告项目之后，进行了系统的审查和荟萃分析。研究数据库，例如PubMed，Embase，Cinahl和Web of Science，寻找随机对照试验（RCT），将VR模拟器与触觉反馈与BT与培训医学生的BT进行比较。七个RCT符合纳入标准，荟萃分析中包括四个RCT。主要结果是学习曲线和学习效果，而次要结果包括技能转移到手术环境。评论分析了整个研究中125名参与者的数据。的结果表明，BTS表现出优异的学习曲线，参与者比使用VR的学习速度更快。两个模拟器都显示出显着的学习效果。但是，BTS在更多的性能参数上取得了更大的改进。关于技能转移到手术环境，两组之间没有显着差异，这两种方法都有效地支持了手术技能转移。总体而言，BT具有更有效的学习曲线，并且在技能掌握方面的表现略有更好。虽然带有触觉反馈的VR提供了增强的现实主义，但它并未完全复制BT提供的自然触觉反馈。需要进一步的研究来改善VR触觉反馈及其在培训计划中的整合以增强学习成果。
超越小工具：可扩展性对于模拟量子模拟器的重要性
我们提出了一个模拟量子模拟的理论框架，以捕捉实验可实现模拟器的全部范围，其动机是 Cirac 和 Zoller 首次提出的一组基本标准。我们的框架与复杂性理论中使用的汉密尔顿编码一致，在噪声下稳定，并涵盖了一系列实验可能性，例如模拟开放量子系统和使用 Lieb-Robinson 边界减少开销。我们讨论了模拟量子模拟中的可扩展性要求，特别是论证了模拟不应涉及随系统大小而增长的交互强度。我们为汉密尔顿复杂性理论中使用的小工具开发了一个通用框架，这可能与模拟模拟无关，特别是证明了在汉密尔顿局部性减少中，与尺寸相关的缩放是不可避免的。然而，如果允许额外的工程耗散资源，我们将展示一种使用量子芝诺效应绕过局部性减少不可行的定理的方案。我们的小工具框架为形式化和解决长期存在的小工具悬而未决的问题打开了大门。最后，我们讨论了模拟量子模拟中的普遍性结果。
通过使用SUMO和OMNET ++模拟器对车辆网络进行模拟和建模交通事故检测的估值
伊拉克摩苏尔大学工程学院电气工程系电子邮件：mtyaseen@uomosul.edu.iq（M.T.Y.）; aminaalrawy@uomosul.edu.iq（a.a.f.）; fawaazyasen@uomosul.edu.iq（F.Y.A。）*通讯作者摘要 - 该论文提出了增加导致道路事故的车辆总数的问题。车辆临时网络（VANET）已在基础设施中开发。本研究建议使用Vanet网络与车辆，路边单元（RSU）和网络服务器进行通信。提出的方法通过基于Omnet ++和Sumo Simulators内部框架（静脉）的地图执行IEEE 802.11p的基本参数来正确模拟Vanet，以实现和模拟车辆路线的规划流量策略。建议的技术的主要优势是使车辆能够相互通信或在基础架构上进行交流，以发送和接收各种类型的警告和信息消息。在本文中做出了两项重大贡献：通过减少车辆的CO 2排放和减少道路拥堵的CO 2来降低空气的污染水平，以及模拟车辆路线计划流量的技术贡献。我们的技术能够监视在高速公路上和紧急制动的情况下测试的空气污染和建筑模拟。每辆车可以通过向网络服务器发送数据包请求并等待包含新路径的响应来请求最短路由。主要的性能参数指标是指在不同时间在不同时间的速度和加速器等车辆中的数据交换。在每种情况下更改路径长度时，分析了车辆的速度，加速度，CO 2发射和RSU的总丢失数据包。在模拟中，使用100辆车在3,400米长的高速公路上以14 km/h的速度行驶，网络尺寸为（3000×3000）m。通过100辆车的旅行时间为300秒，RSU的总丢失的数据包为61，总CO 2排放量为3,1548 gm/英里，获得了仿真结果。模拟结果的优点为预防事故，增强无线基础设施和降低污染水平的车辆提供了更安全的道路。
干预模拟器 - Arete Technologies
Arete 设计和制造各种类型的干预模拟器，能够重现不同的紧急情况并帮助救援人员提高专业技能。创新技术控制培训过程，最大限度地保证学员和教员的安全。
评估大型语言模型作为会话推荐的生成用户模拟器
合成用户在评估对话推荐系统的评估中是真实用户的经济高效代理。大型语言模式在模拟类似人类的范围方面表现出了希望，这提出了他们代表多样化用户的能力的问题。我们制定了一种新协议，以衡量语言模型可以在会话推荐中准确模拟人类行为的程度。该协议由五个任务组成，每个任务都旨在评估合成用户应展示的关键属性：选择要讨论的项目，表达二进制偏好，表达开放式的偏好，调查建议，并回馈。通过评估基线类似者，我们证明了这些任务有效地揭示了语言模型与Human行为的偏差，并提供了有关如何通过模型选择和提示策略来减少偏差的见解。1
使用不准确的模拟器改善离线增强学习
摘要 - 离线增强学习（RL）提供了一种有希望的方法，以避免与真实环境的昂贵在线互动。但是，离线RL的性能高度取决于数据集的质量，这可能会导致学习过程中的外推错误。在许多机器人范围内，通常可以使用不准确的模拟器。但是，由于众所周知的探索 - 剥削困境以及不准确的模拟和真实环境之间的动态差距，直接从不准确的模拟器收集的数据不能直接用于离线RL中。为了解决这些问题，我们提出了一种新颖的方法，以更好的方式将离线数据集和不准确的仿真数据组合在一起。具体来说，我们预先训练了生成对抗网络（GAN）模型，以适合离线数据集的状态分布。给出了这一点，我们从发电机提供的分布开始，从不准确的模拟器中收集数据，并使用鉴别器重新重量模拟数据。我们在D4RL基准测试中的实验结果和现实世界中的操纵任务确认，我们的方法可以从不准确的模拟器和有限的离线数据集中受益更多，以比先进的方法获得更好的性能。