XiaoMi-AI文件搜索系统
World File Search Systemsimulate
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
模拟空战的团队态势感知精度测量技术 - 感知与性能之间的曲线关系
态势感知 (SA) 已经取代传统的“方向舵和操纵杆”技能，成为空战中取胜的主要因素 (Endsley，1995；Svenmarckt 和 Dekker，2003)。态势感知通常被定义为一个人对当前状况的感知 (SA 级别 1)、对当前状况的理解 (SA 级别 2) 和对近期事件的预测 (SA 级别 3) 的三级结构 (Endsley，1995)。态势感知作为一个概念可能是有争议的。例如，Dekker 和 Hollnagel (2004) 将该概念描述为“民间模型”，并采用还原论方法，认为态势感知可以分解为可测量的具体组成部分 (例如决策、感知、理解和长期记忆)。他们还认为，态势感知不容易被证伪 (另见 Flach，1995)。即使承认 SA 确实存在，该概念的科学性仍有待商榷。例如，它存在于用户的认知中，还是更广泛系统的突发属性，以及最合适的测量方法是什么（有关更多详细信息，请参阅 Salmon 等人，2008 年；Endsley，2015 年；Stanton 等人，2017 年；Nguyen 等人，2019 年的广泛评论）？尽管如此，很明显，SA 的概念已成为评估系统和人类表现的重要指标。正如 Wickens (2008) 指出的那样“……人们可以说，该构造在理论和应用中的使用增加证明了
MAR 模拟南极洲沿海阿德利地表能量收支对飘雪的敏感性
摘要。为了了解南极洲气候的演变，需要在气候模型中准确捕捉控制地面和低层大气气象学的主导过程。我们使用了 10 公里水平分辨率的区域气候模型 MAR (v3.11)，该模型由 ERA5 在 9 年期间 (2010-2018) 重新分析，以研究飘雪 (此处指 2 米以下和 2 米以上的风驱动雪粒运输) 对东南极洲阿德利地近地面大气和地表的影响。进行了两次模型运行，一次有飘雪，一次没有飘雪，并与阿德利地沿海多风地点 D17 的半小时现场观测进行了比较。我们表明，大气中飘雪颗粒的升华导致了模型运行之间的差异，并对近地面大气产生了重大影响。通过冷却低层大气并增加其相对湿度，飘雪还会减少地表的感热和潜热交换（平均 -5.7 W m-2）。此外，大而密集的飘雪层通过与入射辐射通量相互作用，增强入射长波辐射并减少夏季入射短波辐射（净辐射强迫：5.7 W m-2），充当近地面云。即使飘雪改变了这些涉及地表-大气相互作用的过程，由于地表能量通量的补偿效应，总地表能量收支仅因飘雪的引入而略有改变。飘雪驱动的影响是
利用数据实现安全：机器学习/人工智能实现及时航空安全 Nikunj C. Oza 博士、Chad Stephens 美国宇航局全系统安全项目 现代喷气式客机每飞行一次记录近 1GB 的原始数据，几乎是不到十年前投入使用的喷气式客机记录数据的两倍。鉴于这一宝贵的数据宝库，数据分析是一项非常重要的能力，它可以将这些数据转化为知识，从而帮助理解和实现安全操作。数据分析的实践涉及应用人工智能 (AI) 和机器学习 (ML) 等方法来获取见解并识别数据中的有意义关系。人工智能是一门专注于在基于计算机的代理中开发模拟人类智能的研究领域。ML 是人工智能的一个分支，涉及开发预测或决策算法，这些算法不是明确编程来预测或决策的，而是从代表过去预测或决策的数据中学习的。您可能体验过 ML 支持的功能，例如 Netflix 或 Amazon 中的自定义推荐。由于机器学习算法具有从过去的操作中学习的能力，因此虚拟助手（例如 Apple 的 Siri 或 Amazon 的 Alexa）以及部分或完全自动驾驶汽车成为可能。
利用数据实现安全：机器学习/人工智能实现及时航空安全 Nikunj C. Oza 博士、Chad Stephens 美国宇航局全系统安全项目 现代喷气式客机每飞行一次记录近 1GB 的原始数据，几乎是不到十年前投入使用的喷气式客机记录数据的两倍。鉴于这一宝贵的数据宝库，数据分析是一项非常重要的能力，它可以将这些数据转化为知识，从而帮助理解和实现安全操作。数据分析的实践涉及应用人工智能 (AI) 和机器学习 (ML) 等方法来获取见解并识别数据中的有意义关系。人工智能是一门专注于在基于计算机的代理中开发模拟人类智能的研究领域。ML 是人工智能的一个分支，涉及开发预测或决策算法，这些算法不是明确编程来预测或决策的，而是从代表过去预测或决策的数据中学习的。您可能体验过 ML 支持的功能，例如 Netflix 或 Amazon 中的自定义推荐。由于机器学习算法具有从过去的操作中学习的能力，因此虚拟助手（例如 Apple 的 Siri 或 Amazon 的 Alexa）以及部分或完全自动驾驶汽车成为可能。
真实和模拟驾驶和导航中的眼球运动...
几十年来，系统一直是研究的对象。数字时代日益复杂的情况使得系统与人类操作员之间的交互优化变得尤为必要。在本专题中，介绍了十篇典型文章，从观察性实地研究到高度复杂的导航模拟器中的实验工作。对于人类操作员来说，注意力过程起着至关重要的作用，这在本专题中列出的贡献中通过眼动追踪设备捕捉到了。
提高模拟脑机接口性能的人工智能
摘要 目的。脑机接口 (BCI) 将神经活动转化为辅助设备的控制信号，以帮助运动障碍人士有效沟通。在这项工作中，我们引入了一种新的 BCI 架构，可以改善对 BCI 计算机光标的控制，以便在虚拟键盘上打字。方法。我们的 BCI 架构结合了外部人工智能 (AI)，可以有益地增强 BCI 的运动轨迹。此 AI-BCI 利用过去用户的操作（长时间（100 秒前）和短时间（100 毫秒前））来修改 BCI 的轨迹。主要结果。我们在闭环 BCI 模拟器中测试了我们的 AI-BCI，其中 9 名人类受试者执行打字任务。我们证明我们的 AI-BCI 实现了：(1) 更高的信息通信速率，(2) 目标之间的弹道运动更快，(3) 改进的精确控制以“拨入”目标，以及 (4) 更高效的运动轨迹。我们进一步表明，我们的 AI-BCI 可提高从差到精通控制的广泛控制质量范围内的性能。意义。这种 AI-BCI 架构通过提高所有评估的关键指标的 BCI 性能，可能会提高 BCI 系统的临床可行性。
模拟酸雨对开花中国卷心菜和土壤养分变化的生理反应的影响
摘要：开花的中国卷心菜在中国南部广泛种植，经常暴露于酸雨。，酸雨对开花中国白菜的生长的影响尚不清楚。在这项研究中，我们研究了模拟酸雨（SAR）对植物高度，土壤植物分析（SPAD）值的影响（叶绿素含量的指数），脯氨酸，丙二醛（MDA），抗氧化剂酶活性，氮气，氮（N），磷（P）和钾盐（K）和钾盐（K）和钾盐（K）和钾盐（K）我们的结果表明，在pH 5.5处的SAR不会损害植物的发育，因为与pH 7.0时的生长特性，光合作用，超氧化物歧化酶和过氧化物酶活性相比，在此pH值明显变化。然而，在pH 4.5和pH 3.5时SAR暴露的2至7次导致抗氧化剂酶活性，MDA和脯氨酸含量的增加，以及叶子Spad值和根活性的降低。营养分析表明，在pH下喷洒4至7倍的SAR 3.5可显着降低中国卷心菜的N，P和K的摄取。此外，在pH 3.5处进行SAR处理可降低表面土壤的pH值和碱性水解N的含量，并随时可用K，但在表面土壤中易于使用的P的pH值增加了8.5％至14.9％。在一起，我们的结果表明，pH 3.5的SAR影响了抗氧化剂酶系统和土壤养分的含量，引起了代谢性疾病，并且最终限制了开花的中国卷心菜的发展和生长。
表面能预算对降雪的敏感性，如Mar在南极洲沿海地区所模拟的
1大学格勒诺布尔（Grenoble Alpes），CNRS，环境地球科学研究所，38000，法国格勒诺布尔2大学。Grenoble Alpes, University of Toulouse, Météo-France, CNRS, CNRM, Center for Snow Studies, Grenoble, France 3 F.R.S.-FNRS, Laboratory of Climatology, Department of Geography, University of Liège, 4000 Liège, Belgium 4 Department of Geosciences, University of Oslo, Oslo, Norway 5 Science Systems and Applications,美国马里兰州格林贝尔特
研究基于模拟退火的人工蜂群算法的微网格混合储能系统的能力优化
性能。它们可以通过合理的连接混合和使用。系统具有电池高能密度和超级电容器的高功率密度的优势，并且可以优化电池的工作环境。超级电容器和蓄能器的混合储能系统的应用改善了微电网的电源质量，并改善了微电网的运行稳定性和经济性。为了更好地抑制功率波动的效果，混合储能系统的容量通常很大。，但是随着混合储能系统的能力增加，其成本也会增加[5]。混合储能系统的成本与其水平效果相矛盾。因此，非常有必要在经济和合理地配置混合储能系统的能力。
深度 2 QAC 电路无法模拟量子奇偶校验
量子退相干是维持长时间量子计算的主要障碍。大规模量子计算机（如果建成）很可能面临短暂的退相干时间，因此必须快速行动才能进行有用的计算。这种计算的一个合理理论模型是浅量子电路，即深度较小的量子电路。退相干难题激发了人们对这些电路（尤其是具有恒定深度和多项式大小的电路）功能的理论兴趣。为了解决有用的问题，非常浅的量子电路将需要同时作用于多个量子比特的门。那么一个主要问题是：是否存在既可能实现又足以在小（甚至恒定）深度下进行强大计算的多量子比特门？