XiaoMi-AI文件搜索系统
World File Search Systemoptimization
直流微电网功率平衡的经济约束优化：多源电梯系统应用
本文考虑了一种离散时间调度方法，用于实现连续时间直流微电网系统的功率平衡。高阶动力学和电阻网络分别用于对集中式微电网系统的电力存储单元和直流总线进行建模。采用图上的 PH（Port-Hamiltonian）公式来明确描述微电网拓扑。这种建模方法使我们能够推导出一个离散时间模型，该模型可以保持物理系统的功率和能量平衡。接下来，使用所提出的控制模型制定了受约束的经济 MPC（模型预测控制），以有效管理微电网运行。网络建模方法和基于优化的控制的系统组合使我们能够生成适当的功率分布。最后，通过在不同场景下使用真实数值数据对特定直流微电网电梯系统进行仿真和比较结果，验证了所提出方法的优势。
运动序列学习涉及更好地预测运动轨迹的下一个动作和优化
学习新的顺序运动是许多动物的基本技能。尽管序列学习的行为表现很明确，但基本机制仍然很少理解。运动序列学习可能来自三个不同的过程：（1）改善独立于顺序上下文的单个运动的执行； （2）接下来应该执行对“什么”运动的增强期望，从而更快地启动； （3）应在序列中最佳地执行编码“如何”运动的摩托序列特定表示。但是，许多现有的范式将学习的组成部分混为一谈，因为参与者经常获得序列内容（做什么）及其执行（如何做）。这种重叠掩盖了每种机制对运动序列学习的不同贡献。在这项研究中，我们使用连续的任务解散了这些机制。将训练序列中的性能与随机序列进行比较，以排除仅归因于孤立运动执行的改进。还通过改变了几个即将到来的目标，我们评估了预期在学习中的作用。当参与者只能看到一个未来的目标时，改进主要是由于他们学习了下一个目标。当他们看到未来的四个目标时，参与者立即证明了快速的运动时间并增加了运动平滑度，在一个目标条件下超过了晚期性能。至关重要的是，即使对未来目标的全面可见性，参与者也表现出进一步的序列特异性学习，这是由于运动轨迹的连续优化而引起的。随访实验表明，学到的序列表示是效应器特异性和编码四个运动或更长的上下文信息。我们的范式可以在运动序列学习的“什么”和“如何”组成部分之间进行明显的解离，并为效应特异性序列表示的开发提供了令人信服的证据，从而指导最佳运动执行。
用于自动可再生能源资源评估和基础设施优化的 GIS 和 Gen-AI 驱动框架
随着全球转向可再生能源，最大限度地利用可再生资源和加强基础设施管理是传统方法难以成功处理的重要问题。本文提出了一种新方法，将地理信息系统 (GIS) 与生成人工智能 (Gen-AI) 相结合，以提高可再生能源系统的效率。此外，GIS 具有强大的地理问题分析工具，而 Gen-AI 则具有增强的能源率预测、适合能源生产的区域选择和设施控制功能。这些技术已被提议协同工作以解决一些复杂问题，例如确定场地的确切位置、随时估计能源生产量和控制实时能源需求。此外，它还用于预测和改进智能电网的维护以及正确配置，使其成为更有效、更环保的能源分配系统。该框架的应用包括许多 REN 领域，例如太阳能、风能、水力和生物能源，解决了种植损失、环境影响和不同的能源需求问题。通过解决这些紧迫的问题，GIS 与 Gen-AI 的集成为更可持续、更稳健的未来能源结构奠定了基础。
利用数字双技术进行端到端供应链优化和缓解全球物流的干扰
全球物流格局正在经历前所未有的转型，这是由技术进步和供应链网络复杂性提高的驱动的。Digital Twin Technology是一种革命性的供应链管理方法，为优化和减轻干扰提供了全面的解决方案。这项全面的综述研究了数字双技术通过系统分析现有文献，实施框架和案例研究来革新全球物流的变革潜力。我们的调查表明，数字双胞胎实施可以将运营成本降低30-40％，将供应链中断时间减少高达60％，并通过先进的预测建模来提高整体供应链的弹性。该研究综合了来自多个领域的证据，证明了数字双胞胎解决当代供应链管理中关键挑战的能力。通过探索新兴趋势，实施机制和关键挑战，本综述为数字双技术的机会和局限性提供了平衡的观点。调查结果表明，尽管数字双胞胎具有有希望的供应链优化解决方案，但成功实施需要仔细考虑技术基础架构，数据集成策略和组织能力。
琼脂糖或聚丙烯酰胺的准备和优化/ ... div>
Shunyu Xiang，ChloéGuilbaud-Chéreau，Paul Hoschtettler，LoïcStefan，Alberto Bianco等。制备和优化琼脂糖或聚丙烯酰胺/基于氨基酸的双网络Hy-drogels用于光控药物释放。国际生物大分子杂志，2024，255，pp.127919。10.1016/j.ijbiomac.2023.127919。hal-04790522
使用生成AIli-ion电池
samuel.cooper@imperial.ac.uk在这项工作中，我们演示了生成人工智能（AI）的最新进展如何通过将制造参数与微观结构直接联系起来，并最终与全电池性能相关联[1]。我们的方法解决了电极设计中的基本挑战：只有几个常见参数（例如主动材料分数和日历压力）可以导致广泛的可实现的微观结构，每个微结构具有不同的传输属性和电化学行为。传统上，弥合此“制造对绩效”差距将需要昂贵或耗时的基于物理的模拟和/或广泛的实验活动。我们通过在电极横截面图像的小数据集上训练数据驱动的，有条件的生成模型来克服这些挑战。这些图像捕获的微结构数据改变了三个关键参数：活动材料重量百分比，孔隙率和粘合剂粘附度量。至关重要的是，在仅看到21个培训样本后，我们的生成模型准确地重现了看不见的微观结构，同时还可以预测有效的运输和界面特性。通过比较微观结构指标（例如曲折度因子，表面积），可以验证这些生成的微观结构的保真度。平均相对误差低于几％，表明在整个参数空间上可靠的插值。因此，它可以嵌入贝叶斯优化环中。每次迭代首先选择一组制造参数。一旦受过训练，生成模型就可以比基于最先进的物理制造模拟生成准确的微观结构数据五个数量级。该模型生成相应的微观结构，从中我们提取有效的特性（例如，有效材料体积分数，孔曲折度因子，如图1所示）。我们使用了自己的GPU加速求解器Daufactor2 [2]，
多热源电子设备冷却散热器设计及拓扑优化
为了提高散热器的性能，许多研究论文集中于散热器几何形状的设计和优化，这是改善传热的决定性因素。提高散热器（或热交换器）性能的基本方法是优化耦合的流体流动和热传递。考虑三个优化级别：尺寸优化、形状优化和拓扑优化（TO）。对于散热器尺寸优化，通道或翅片直径是需要调整或定义的变量。对于预定义的形状，尺寸优化是最简单的方法，因为它需要较少的设计变量。但是，它不允许获得具有更复杂形状的最佳几何形状。散热器形状优化涉及优化散热器通道或翅片的形状，可以是圆形、矩形、不规则形状等。该方法比尺寸优化方法更灵活，因为其解空间包含了尺寸优化的解空间，尽管程序更复杂。散热器的拓扑优化 (TO) 没有所需的预定义几何形状。可以在设计域中创建各种空隙大小和形状，以生成不同的 TO 几何形状。解空间TO包括尺寸优化和形状优化的解空间。因此它是自由度最大的优化，但同时也是复杂度最大的优化。
CMOS 成像器微透镜优化的光学模拟
在第一部分中，我们描述了我们的方法。我们从标准微电子 CAD 软件中的像素布局描述开始，然后在光学射线追踪软件上生成三维模型。该光学模型旨在尽可能真实，同时考虑到像素所有组件的几何形状和材料的光学特性。还开发了一种特定的射线源来模拟真实条件下的像素照明（物镜后面）。在光学模拟之后，结果被传输到另一个软件以进行更方便的后处理，其中我们使用由角度响应模拟结果与测量值的拟合确定的加权表面作为感光区域。利用这个表面，我们计算基板内的射线密度以评估传感器的模拟输出信号。
使用自由能量优化的早期声音学习和对应匹配的大脑启发模型
我们提出了一个受皮层基底系统 (CX-BG) 启发的发展模型，用于婴儿的发声学习，并解决他们在听到具有不同音调和音高的陌生声音时面临的对应不匹配问题。该模型基于神经架构 INFERNO，代表循环神经网络的迭代自由能优化。自由能最小化用于快速探索、选择和学习要执行的最佳操作选择（例如声音产生），以便尽可能准确地重现和控制代表所需感知（例如声音类别）的脉冲序列。我们在本文中详细介绍了 CX-BG 系统，该系统负责在几毫秒的量级上将声音和运动原语因果联系起来。使用小型和大型音频数据库进行的两个实验展示了我们的神经架构在发声学习期间和与未听过的声音（不同性别和音调）进行声学匹配时检索音频原语的探索、泛化和抗噪能力。
EEG电极设置优化了新生儿睡眠状态分类的特征提取技术
1 1智能医学电子电子学中心，电子工程系，信息科学技术学院，富丹大学，上海，上海，2号，2 2号电气工程系，纳马尔大学米安瓦利，米安瓦利，米安瓦利，巴基斯坦，巴基斯坦3号上海，中国上海，中国5号新生儿学系，中国上海，上海，中国，伯明翰伯明翰大学电子，电气和系统工程系6，英国伯明翰大学，7人类现象学院，上海，上海，上海，中国，中国，8号，生物培训学院1智能医学电子电子学中心，电子工程系，信息科学技术学院，富丹大学，上海，上海，2号，2 2号电气工程系，纳马尔大学米安瓦利，米安瓦利，米安瓦利，巴基斯坦，巴基斯坦3号上海，中国上海，中国5号新生儿学系，中国上海，上海，中国，伯明翰伯明翰大学电子，电气和系统工程系6，英国伯明翰大学，7人类现象学院，上海，上海，上海，中国，中国，8号，生物培训学院