XiaoMi-AI文件搜索系统
World File Search Systemanalogy
脑机类比——“特刊”
在这篇评论文章中，我们详细概述了《生态与进化前沿》特刊中收集的 12 篇文章，这些文章的研究主题是“关于脑机类比的最新想法——所有隐喻都是错误的，但有些是有用的”。摘要附有图形摘要，图形摘要是将文章与选定概念链接起来的矩阵。正如图灵首次指出的那样，本期特刊的所有作者都认为语义是脑机类比争论中的关键问题，并因此解决了许多此类问题。我们认为，缺少的是隐喻和类比之间的区别，我们重新评估了隐喻，详细描述了类比，并为后者提供了定义。为了丰富辩论，我们还认为有必要发展大脑的进化理论，我们对此进行了概述。本文以对科学创造力的思考作为结束，因为我们同意这样的观点：隐喻和类比及其美学影响对于创造过程至关重要，无论是在科学还是艺术领域。
Simple Analogy to Understand Strategic Planning
Simple Analogy to Understand Strategic Planning Perhaps one of the easiest ways to explain strategic planning is by using a simple analogy. The following table depicts a comparison between strategic planning for an organization to vacation planning for a family.
可靠性与有效性目标类比...
n是如果10个项目测试的长度增加， n是将大小增加到20个项目（具有相同平均平均项目间相关性）的因素，n = 2，因为长度增加了2个示例：如果10个项目的长度增加了长度，则如果10个项目的长度增加到20个项目，则增加了20个项目（n = 2，n = 2，因为 假设原始可靠性r xx原始性为.6。n是将大小增加到20个项目（具有相同平均平均项目间相关性）的因素，n = 2，因为长度增加了2个示例：如果10个项目的长度增加了长度，则如果10个项目的长度增加到20个项目，则增加了20个项目（n = 2，n = 2，因为 假设原始可靠性r xx原始性为.6。假设原始可靠性r xx原始性为.6。
视觉类比的两种计算方法：任务‐......
人工智能的发展提出了一个关于人类智能的基本问题：人类推理是通过应用从丰富的先前经验中获得的任务特定知识来最好地模拟的，还是基于领域通用的心理表征操纵和比较？我们针对视觉类比推理的情况来解决这个问题。使用熟悉的三维物体（汽车及其零件）的真实图像，我们系统地操纵视觉类比问题中的视点、零件关系和实体属性。我们将人类的表现与两种最近的深度学习模型（孪生网络和关系网络）的表现进行了比较，这两种模型直接经过训练来解决这些问题并将其任务特定知识应用于类比推理。我们还通过将领域通用的映射程序应用于汽车及其零部件的学习表征，开发了一个使用基于零件的比较 (PCM) 的新模型。在四项类比（实验 1）和开放式类比（实验 2）中，领域通用的 PCM 模型（而非特定任务的深度学习模型）在关键方面产生了与人类推理者相似的性能。这些发现证明，通过将大数据的深度学习应用于特定类型的类比问题，不太可能实现类似人类的类比推理。相反，人类确实（并且机器可能）通过学习对多个任务有用的结构信息进行编码的表示，再加上关系相似性的高效计算来实现类比推理。
大脑如同计算机：隐喻、类比、理论还是事实？
无论是电子、模拟还是量子，计算机都是可编程机器。Wilder Penfield 认为大脑实际上是一台计算机，因为他是一个二元论者：心灵编程大脑。如果这种二元论被拒绝，那么将大脑与计算机联系起来需要定义大脑“程序”的含义以及谁可以“编程”大脑。如果大脑在学习时“编程”自己，那么这就是一个隐喻。如果进化“编程”大脑，那么这就是一个隐喻。事实上，在神经科学文献中，脑机通常不被用作类比，即作为明确的比较，而是被用作隐喻，通过将计算机领域的术语引入神经科学话语：我们断言大脑计算声音的位置，我们想知道感知算法如何在大脑中实现。当试图对这些术语进行精确的生物学描述时，会出现相当大的困难，这表明我们确实在处理一个隐喻。隐喻既有用又具有误导性。脑机隐喻的吸引力在于它有望连接生理和心理领域。但它具有误导性，因为这一承诺的基础是计算机术语本身是从心理领域（计算、记忆、信息）引入的。换句话说，脑机隐喻提供了一种还原论的认知观点（所有认知都是计算），而不是隐藏在隐喻背后的自然主义认知理论。
太阳能园区集群的光纤网络类比
增加可再生能源在电力系统中的份额是成功实现能源转型的关键。最佳可再生能源选址需要采取整体方法，涉及土地、资源、环境和经济数据以及约束。在本文中，我们将太阳能光伏发电渗透到电网的问题视为时空分析，并结合针对政策制定者和投资者的决策支持。我们的目标是寻找新的模型，以最大限度地提高能源渗透和网络稳定性，同时最大限度地降低运营成本。我们展示了如何通过研究围绕共享变电站的多个太阳能光伏园区的最佳聚类来选择太阳能光伏站点以满足这些目标。这是一个组合问题，涉及给定一组光伏站点候选的所有潜在集群。我们的主要贡献在于确定并提出我们的问题与光纤网络设计中解决的所谓 SONET 问题的建模类比。我们展示了这种新的时空光伏园区布局模型如何最大限度地降低运营成本，同时提高所产生的解决方案的能量稳定性。我们还引入了 GIS 预处理步骤来降低所提方法的计算成本。我们根据真实案例研究和法属圭亚那电力系统的数据，将我们提出的基于 SONET 的模型与现有的 GIS 优化模型进行了比较。这种新方法将多个光伏园区聚合成分布在整个领土的集群。以法属圭亚那为例，相同的全球标称功率（≈45 MW）可以分布在 11 个光伏园区和 3 个集群中，而不是 3 个大型光伏园区。结果显示，当考虑到 ⩽ 5 MW 的光伏园区时，每千瓦时发电成本大幅提升，最多可增加 10 MW 的额外安装功率和 16 GWh 的额外发电量。新的集群配置还可确保解决方案的能量稳定性得到提高，从而降低网络管理员和决策者的风险。
玻尔兹曼机与费曼路径积分的类比
摘要：机器学习对科学、技术、健康以及计算机和信息科学等多个领域产生了重大影响。随着量子计算的出现，量子机器学习已成为研究复杂学习问题的一种新的、重要的途径。然而，关于机器学习的基础存在着大量的争论和不确定性。在这里，我们详细阐述了一种称为玻尔兹曼机的通用机器学习方法与费曼对量子和统计力学的描述之间的数学联系。在费曼的描述中，量子现象源于路径的优雅加权和（或叠加）。我们的分析表明，玻尔兹曼机和神经网络具有相似的数学结构。这允许将玻尔兹曼机和神经网络中的隐藏层解释为路径元素的离散版本，并允许对机器学习进行类似于量子和统计力学的路径积分解释。由于费曼路径是对干涉现象和与量子力学密切相关的叠加原理的自然而优雅的描述，这种分析使我们能够将机器学习的目标解释为通过网络找到路径和累积路径权重的适当组合，从而累积地捕获给定数学问题的 x 到 y 映射的正确属性。我们不得不得出结论，神经网络与费曼路径积分有着天然的联系，因此可能提供了一种被视为量子问题的途径。因此，我们提供了适用于玻尔兹曼机和费曼路径积分的通用量子电路模型。
量子压缩态的结构光类比 - DR-NTU
© 2024 作者。开放存取。本文根据知识共享署名 4.0 国际许可协议获得许可，允许以任何媒介或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可的链接，并指明是否进行了更改。本文中的图像或其他第三方材料包含在文章的知识共享许可中，除非在材料的致谢中另有说明。如果材料未包含在文章的知识共享许可中，并且您的预期用途不被法定法规允许或超出允许用途，则您需要直接从版权所有者处获得许可。要查看此许可证的副本，请访问 http://creativecommons.org/licenses/by/4.0/。
小说和复杂世界中的策略制定：类比的力量 * Giovanni Gavetti Daniel A. Levinthal Jan W. Rivkin 233 Morgan Hall 2028
新颖和复杂世界中的策略制定：类比的力量 * Giovanni Gavetti Daniel A. Levinthal Jan W. Rivkin 233 Morgan Hall 2028 Steinberg-Dietrich Hall 239 Morgan Hall Harvard Harvard商学院沃顿商学院哈佛大学哈佛大学波士顿波士顿，马萨诸塞州，马萨诸塞州02163 Philadelphia，Pharadelphia，6114 BOSTON，616（MA 021）。 495-6378 (215) 898-6826 (617) 495-6690 ggavetti@hbs.edu levinthal@wharton.upenn.edu jrivkin@hbs.edu Strategic Management Journal, 2005 * For helpful comments, we are grateful to Nicolaj Siggelkow, anonymous referees, and seminar audiences at Babson,哈佛商学院，麻省理工学院的斯隆学校，加州大学洛杉矶分校卡尔加里大学，多伦多大学和沃顿商学院。我们还要感谢霍华德·布伦纳（Howard Brenner）的计算机编程工作，西蒙娜·乔治（Simona Giorgi）和伊丽莎白·约翰逊（Elizabeth Johnson）的研究援助以及哈佛商学院慷慨资助的研究部。错误仍然是我们自己的。