XiaoMi-AI文件搜索系统
World File Search SystemSymbolic
AI计划的符号推理方法
计划是行动之前的审议思维行为（Haslum 2006）。它基于世界的符号模型及其在其中作用的选项，通常在功能 - 无函数的一阶逻辑中定义。规划师必须找到一系列行动（计划），该动作从当前状态带到了期望的目标状态。纯粹的物理描述可以通过部分有序的语法式结构（分层任务网络或HTN）进行增强，描述专家知识，或实用，法律或操作要求。在本次演讲中，我将使用符号方法来调查各种自动得出计划的方法。这些符号方法 - 从某种意义上说 - 将计划问题转化为其他，更简单的符号代表，并推理了这些方法，以找到计划。作为这些方法的基础，我首先将在计划中介绍相关的理论结果。首先，我将讨论规划形式主义的表现力（Houler等人2014; Houler等。2016）和第二，HTN计划的计算复杂及其相关任务，例如HTN计划验证，计划修改和计划识别（Behnke，Houler和Biundo 2015； Behnke等； Behnke等人2016）。基于这些理论结果，我将开发为什么基于SAT的HTN计划以及如何进行基于SAT的HTN计划。为此，我将在顶级会议上调查我的几个公开（Behnke，Houler和Biundo 2017，2018，2019a，b; Behnke等人。接下来，我提出了表达以SAT（Houler and Behnke 2022）的升级经典计划的想法。2020; Behnke 2021） - 在其中，我开发了一个基于SAT的HTN问题计划者，包括找到最佳计划以及接地的能力，以作为预处理步骤。由此产生的计划是第一个基于SAT的计划者 - 事实证明，在出版时表现出了高效且优于所有其他提起的计划者。值得注意的是，Lisat是第一位计划者（被解除或扎根），仍然是唯一一个解决具有挑战性的有机合成基准的计划者，甚至可以证明所有计划的最佳性。最后，我介绍了具有象征性表示的计划概念（Behnke和Speck 2021； Behnke等人。2023） - 使用二进制决策图（BDD）紧凑地编码大量状态。使用BDD注释的finenite自动机的组合，我们可以结构
符号人工智能讲座2：知识图谱
2 DTD：文档类型定义，定义 SGML 系列标记语言（SGML、XML、HTML）文档类型的标记声明。通过合法元素和属性列表定义 XML 文档的合法组成部分。XSD：XML 模式定义：W3C 建议正式描述 XML 文档中的元素并验证文档中每一项内容 [Lagoze]。具体化：将语句视为资源的能力，从而对该语句做出断言（在 FOL [McCarthy'87,79] 中推理，与出处有关）。
符号回归程序 AI-Feynman 在心理学中的应用
从自然科学到社会科学，发现数据中隐藏的规律是许多领域的核心挑战。然而，这项任务在历史上依赖于人类的直觉和经验，在许多领域，包括心理学。因此，使用人工智能 (AI) 发现规律有两个显著的优势。首先，它可以发现人类无法发现的规律。其次，它将有助于构建更准确的理论。一种名为 AI-Feynman 的人工智能在一个非常不同的领域发布，表现令人印象深刻。虽然 AI-Feynman 最初是为发现物理学规律而设计的，但它在心理学中也能很好地发挥作用。本研究旨在通过测试 AI-Feynman 是否可以发现双曲折现模型作为折现函数，来检验它是否可以成为跨期选择实验的一种新的数据分析方法。为了实现这些目标，进行了一项跨期选择实验，并将数据输入 AI-Feynman。结果，AI-Feynman 提出了七个折现函数候选。其中一个候选模型是双曲折现模型，目前认为该模型最为准确。三种均方根误差函数均优于双曲折现模型。此外，三种候选模型中有一种比标准双曲折现函数更“双曲”。这些结果表明了两点。一是 AI-Feynman 可以成为跨期选择实验的一种新数据分析方法。二是 AI-Feynman 可以发现人类无法发现的折现函数。
超出标准模型物理的符号回归
，我们建议符号回归是对标准模型以外的物理模型的数值研究的强大工具。在本文中，我们证明了该方法在基准模型上的功效，即受约束的最小超对称标准模型，该模型具有四维参数空间。我们提供了一组分析表达式，这些表达式在理论的参数方面重现了三个低能的观察结果：希格斯质量，对穆恩的异常磁矩的贡献以及冷暗物质依赖密度。为了证明该方法的功能，我们在全局拟合分析中采用了符号表达式来得出参数的后验概率密度，而这些概率密度比使用常规方法更快地获得了两个数量级。
诗歌等价：象征能力发展的关键
在本文中，我将试图从长大的法语和英语中追踪我的个人轨迹，成为接受德国文学训练的法国老师，并最终在美国从事职业，因为应用语言学家都投资了文学和语言。是我与罗马雅各布森（Roman Jakobson）的等价原则的相遇，使我不仅能够理解使文本成为“文学”的原因，还可以调和对语言和文学研究的研究，并融合了在应用语言学中的结构主义和后结构主义的思想传统。这将使我能够反思文学作为外语教育的基本维度以及象征能力可以振兴交流语言教学法的作用。
一维符号替代系统的近似
在研究来自准晶体的薛定谔算子时，人们常常通过周期晶体近似底层动力学结构来研究它。这种方法的例子可以在早期的著作中看到，例如 [ OK85 、 MDO89 、 SB90 、 TFUT91 、 TCL93 ] 和最近的 [ SJ08 、 TGB + 14 、 EAMVD15 、 TDGG15 、 CRH19 、 BBDN20 ]。这是使用具有开放、周期或扭曲边界条件的有限体积近似值来完成的，同时试图最小化边界条件的影响。在本文中，我们处理具有周期势的无限近似值，用于估计来自无限晶格 Z 上非周期原子配置的薛定谔算子。使用 Bloch-Floquet 理论可以相对容易地理解这些无限周期近似值，该理论允许我们通过具有扭曲边界条件的有限体积算子来研究它们。例如，请参阅 [ MDMPAR06 ] 或 [ SV05 ]。我们考虑的薛定谔算子是紧束缚模型的简单情况，由下式给出
物理科学中符号机器学习的观点
过去十年见证了机器学习（ML）方法的越来越多，包括物理科学在内[1]。The rise of deep learning (DL) [ 2 ] in early 2010 and the remarkable potential of deep neural networks (DNNs) in learning highly predictive models, mainly powered by convolutional [ 3 ] and recurrent [ 4 ] neural networks, emphasized with the ImageNet challenge [ 5 ] and developments in areas such as reinforcement learning [ 6 ], have boosted the application of artificial intelligence (AI) in nearly all domains and thus reshaped the AI的未来。DL革命之后是成功的变压器体系结构[7]，其中“注意”的概念被添加到标准NN的体系结构中，以捕获数据特征之间的长期相关性。变形金刚是大语言模型（LLM）的基础，可以通过在大型数据集上预处理，从而在没有特定领域的知识的情况下学习上下文，从而解开了另一个AI的新时代。尽管AI的发展急剧发展，但大多数基于ML的物理科学应用程序[1]着重于学习非线性数值模型以完成特定任务（例如，数据分析，模拟等）实现新发现。这里出现了物理学家对应用ML的期望以及如何推进物理学的期望。只是一组革命性的数学工具，其性能克服了经典方法，从而取代了它们（例如，DL表现出色的促进决策树，用于针对事件选择任务，该任务针对粒子物理学的标准模型以外的理论[8]），或者是数据驱动的科学发现的能力[8]）？
符号、非符号和非...的 fMRI 适应性研究
人类大脑中不同格式的量级是如何表示的？我们使用功能性磁共振成像适应性来分离 45 名成年人的符号、数量和物理尺寸的表示。结果表明，支持数字符号被动处理的神经关联在解剖学和表征上与支持数量和物理尺寸的神经关联基本无关。从解剖学上讲，数量和大小的被动处理与右顶叶内沟的激活相关，而与数量处理相比，符号数字处理与左顶叶下小叶的激活相关。从表征上讲，支持符号的激活神经模式与支持双侧顶叶数量和大小的神经激活模式不同。这些发现挑战了长期以来的观点，即文化习得的将符号数字概念化的能力使用与支持用于处理数量的进化古老系统完全相同的大脑系统来表示。此外，这些数据表明，支持数值量级处理的区域对于非数值量级的处理也很重要。这一发现促使人们未来研究获取符号数字知识的神经后果。