XiaoMi-AI文件搜索系统
World File Search SystemUncertainty
全球地下水深度估计的不确定性
抽象知道可以在地面以下发现地下水的深度对于理解其潜在的生态系统和社会的可及性至关重要。全球尺度水位深度（WTD）的不确定性限制了我们评估地下水在水周期中的作用，随着气候，土地覆盖和人类用水的变化而改变的能力。全球地下水模型提供了获得此知识的顶级途径，但目前量化的不确定性很差。在这里，我们研究了四种全球地下水模型，并揭示了全球土地面积三分之一以上的稳态WTD分歧。我们发现，浅层地下水的土地区域的模型估计值<10 m的深度从10％到71％（平均23％）不等。这种不确定性直接转化为随后的评估，因为具有潜在的森林，人口和灌溉面积的地下水可及性，根据所选模型有很大的不同。我们探讨了这些差异的原因，发现与观察相反，在4个模型中，有3个模型比在干旱的气候中表现出更深的水桌，并大量高估了地形斜率控制WTD的强烈强烈控制。这些结果突出了与任何全球规模的地下水分析相关的实质不确定性，应考虑并最终减少。
基于海森堡不确定性的量子启发机器学习
量子计算是一个前沿领域，它利用量子力学原理执行远远超出传统计算机能力的计算。量子计算机利用量子比特，量子比特可以同时存在于多个状态（叠加）中，并通过量子纠缠相互连接。这允许以前所未有的规模进行并行处理，有可能彻底改变密码学、优化和材料科学等领域。物理信息机器学习 (PIML) 将物理定律和原理集成到机器学习模型中，以增强预测能力并提高泛化能力。通过结合量子力学、流体动力学或热力学等领域的约束，PIML 确保模型遵循已知的物理现象，使其在科学计算、工程和环境建模等应用中更加稳健和可解释。量子机器智能的激烈争论可以概括为三个主要方向：
机器学习开放问题和工业问题的不确定性量化
演讲者（TBC）：Loïccoquelin（lne）Laurent Lefebvre（Framatome）Damien Garreau（U.Würzburg）Eiji Kawasaki（CEA）ClémentMantoux（SNCF）（SNCF）（SNCF）Aaditya Ramdas（Carnegie Mellon）Yannga Zaff Zaff Zaff Yannga Yann）varre varrun varrue varrun varrun varrun varrun varrun） （伯克利）
机器学习开放问题和工业问题的不确定性量化
eiji kawasaki（CEA）ClémentMantoux（SNCF）Aadithya Ramdas（Carnegie Mellon）Yann Richet（Irsn）GaëlVaroquaux（Inria）Margaux Zaffran（Berkeley）Aaadithy Ramdas（Carnegie Malia＆nifecn）
海森堡不确定性原理中的复杂性考虑
这项工作通过结合量子复杂性（包括潜在的非线性效应）对海森堡不确定性原理 (HUP) 进行了修改。我们的理论框架扩展了传统的 HUP，以考虑量子态的复杂性，从而提供了对测量精度的更细致的理解。通过在不确定关系中添加复杂性项，我们探索了非线性修改，例如多项式、指数和对数函数。严格的数学推导证明了修改后的原理与经典量子力学和量子信息理论的一致性。我们研究了这种修改后的 HUP 对量子力学各个方面的影响，包括量子计量、量子算法、量子误差校正和量子混沌。此外，我们提出了实验方案来测试修改后的 HUP 的有效性，评估它们与当前和近期量子技术的可行性。这项工作强调了量子复杂性在量子力学中的重要性，并为量子系统中的复杂性、纠缠和不确定性之间的相互作用提供了精致的视角。修改后的 HUP 有可能促进量子物理、信息论和复杂性理论交叉学科的研究，对量子技术的发展和量子到经典转变的理解具有重要意义。关键词
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。
基于自主地面车辆的基于增强学习的运动计划深度回归的不确定性定量指标
在机器人或其他物理系统上部署深层神经网络时，学到的模型应可靠地量化预测性不确定性。可靠的不确定性允许下游模块推理其行动的安全性。在这项工作中，我们解决了不确定性量化的指标。具体来说，我们专注于回归任务，并研究稀疏误差（AUSE），校准误差（CE），Spearman的等级相关性和负模样（NLL）下的区域。使用多个数据集，我们研究了这些指标在四种典型类型的不确定性下的行为，它们在测试集的大小上的稳定性以及揭示其优势和缺点。我们的结果表明，校准误差是最稳定，最容易解释的度量，但是Ause和NLL也具有各自的用例。我们不建议您评估不确定性的Spearman等级相关性，并建议用Ause代替它。
深矿中地热能系统的热力学模型：不确定性量化和设计优化
通过深矿系统提取地热能提取，可以在满足深矿冷却需求的同时降低地热系统的成本。然而，将冷水注入地下触发器强烈耦合的热杂种机械（THM）过程，可能会影响地下发掘的稳定性。这项研究评估了地热能提取对深雷温度和稳定性的影响。通过量化矿温度和对各种参数的稳定性的敏感性，我们提出了一种方案，以优化地热能生产，同时实现快速的地雷冷却并保持稳定性。我们首先通过THM数值建模评估地热操作对矿温度和稳定性的影响。模拟表明，孔隙弹性应力迅速影响矿山的稳定性，而热应力对长期稳定性产生了更大的影响。然后，我们使用基于距离的广义灵敏度分析（DGSA）来量化参数灵敏度。分析将矿山系统和地热系统之间的距离视为最具影响力的因素。其他重要参数包括注射速率，注入温度，井间距，热量系数
供应链不确定性下的内生生产网络
供应链干扰可能会导致生产成本大幅上升。为了减轻这些风险，企业可能会采取措施减少其对波动供应商的依赖。我们构建了内源网络形成的模型，以研究这些决策如何影响生产网络的结构以及宏观经济骨料的水平和波动性。当模型的不确定性增加时，生产商更喜欢从更稳定的供应商那里购买，即使他们可能以较高的价格出售。由此产生的网络重组倾向于降低宏观经济的波动率，但造成总产出的成本下降。该模型还预测，在均衡网络中，更易加力和稳定的公司具有更高的Domar权重，这是其作为供应商的重要性的衡量标准。我们使用美国数据对模型进行了基本校准，以评估这些机制的重要性。
跟踪MENA的气候政策不确定性
在一个时代，反对气候变化的呼吁在整个大洲的气候变化呼应时，世界发现自己处于关键点。气候变化的明确迹象 - 提高海平面，不可预测的天气现象以及改变农业景观的迹象，表明了一项多方面的挑战，具有深远的影响。这些现象ENA超越了纯粹的环境范围来触及社会经济领域，这引起了警报铃，我表明迫切需要对全球响应产生凝聚力。1数十亿美元，充满了这些转变的后果，包括增加的粮食稀缺，强迫移民和危险的生计，地球的健康和人类繁荣的相互依存从未如此明显。这些危机要求采取一种强大的统一方法来减轻气候变化的不利影响并维护我们全球社区的福音。