XiaoMi-AI文件搜索系统
World File Search Systemsimulation
仿真建模实践与理论
在增材制造中，新几何形状、工艺参数和材料的升级会耗费大量的时间和成本。特别是对于激光定向能量沉积 (DED-L)，熔池的极端物理环境需要进行多次反复试验才能量化工艺行为。这些测试大大增加了制造费用。因此，如果可以减少实验测试量，DED-L 工艺的数字孪生 (DT) 将具有巨大的价值。在本研究中，研究了基于耦合全局和局部模型的多尺度 DT。全局模型模拟整个部件的加热，而局部模型仅代表该全局几何形状的特定区域。对局部模型使用高密度网格可以模拟 DED-L 中典型的特定激光-粉末相互作用和快速冷却速率。全局模型的结果用于将有关打印作业期间工艺条件变化的情境感知集成到局部模型中。这种过程演变不可能通过较小尺寸的模型获得，并且对于准确模拟多包层沉积而言是必不可少的。DT 在具有现场过程监控功能的工业级 DED-L 机器上进行了验证。在所有情况下，DT 都与实验数据和金相检查高度相似，并且计算成本合理。
模拟环境中的可行性研究
深度强化学习（RL）被用作一种教授机器人代理如何自主学习复杂任务的策略。虽然稀疏性是在现实的机器人场景中定义奖励的自然方式，但它为代理提供了差的学习信号，从而使良好的奖励功能的设计具有挑战性。使用隐式脑部计算机界面（BCI）克服从人类反馈中学习的挑战。我们将BCI与深度RL相结合，用于在3-D物理逼真的模拟环境中进行机器人训练。在第一项研究中，我们比较了不同的脑电图（EEG）系统（湿度与基于干燥的电极）的可行性，并比较了在机器人任务中使用不同机器学习模型的机器人任务中自动分类的感知错误。在第二项研究中，我们将基于BCI的深度RL培训的表现与参与者明确给出的反馈进行了比较。我们从第一项研究中发现的发现表明，使用高质量的基于干燥的脑电图系统可以提供强大而快速的方法，用于使用复杂的卷积神经网络机器学习模型自动评估机器人行为。我们的第二项研究的结果证明，基于隐式BCI的深度RL版本与干燥的EEG系统结合使用，可以在现实的3-D机器人模拟环境中显着加速学习过程。基于BCI的训练的深RL模型的性能甚至与通过明确的人类反馈所实现的方法相当。我们的发现强调了基于BCI的深度RL方法的用法是在那些无法获得认知要求的明确人类反馈的人类机器人应用中的有效替代方案。
基于社区的全...重建与模拟
Armando Romani 1，+，Alberto Antonietti 1，Davide Bella 1，Julian Budd 1,3，Elisabetta Giacalone 2，Kerem Kurban 1，3SáraSáray3,4 3,4，Marwan Abdellah 1，Marwan Abdellah 1，Alexis Arnaudon 1，Alexis Arnaudon 1，Elvis Bocina 1，Cristina，coristina，curestina，jorsine，jorsine，jores 14 1，Joanne Falck 5，Cyrille Favreau 1，Michael Gevaert 1，Juan B. Hernando 1，5 Joni Herttuainen 1，Genrich Ivaska 1，Lida Kanari 1，Anna-Kristin 1，Anna-Kristin Kaufmann 1，James King 16 Lange 5,6 Lange 5,6，Huanxiang lu 1，lu lu 1，li anna liarina liina liina liina liina liina liina liina liina liina liina liina liina liina liina liina， ，7 Judit Planas 1，Pranav Rai 1，Srikanth Ramaswamy 1，Michael W. Reimann 1，Juan Luis Riquelme 1，Nadir Guerre 18，RománVinghalSood 1，MohamethFrançoisSy 1，Werner van Geit 1，Werner van Geit 1，liesbeth vanherpe 1，therpe 1，tamás ER 1，*，FelixSchürmann1，*，Alex M. Thomson，Migli，10，20* Kali 3,4，*，+和Henry Markram 1，*，*，+ 11
高能物理的量子模拟
1 劳伦斯伯克利国家实验室物理部，加利福尼亚州伯克利 94720，美国 2 马里兰大学物理系，马里兰基础物理中心和 NSF 稳健量子模拟研究所，马里兰州帕克分校，美国 20742 3 威斯康星大学物理系，威斯康星州麦迪逊 53706，美国 4 洛斯阿拉莫斯国家实验室 T-2，新墨西哥州洛斯阿拉莫斯 87545，美国 5 费米国家加速器实验室，伊利诺伊州巴达维亚 60510，美国 6 芝加哥大学恩里科费米研究所，伊利诺伊州芝加哥 60637，美国 7 芝加哥大学卡夫利宇宙物理研究所，伊利诺伊州芝加哥 60637，美国 8 芝加哥大学物理系，伊利诺伊州芝加哥 60637，美国 9 伊利诺伊大学物理系、伊利诺伊州宇宙高级研究中心和伊利诺伊州量子信息科学与技术中心，厄巴纳，伊利诺伊州 61801，美国 10 QuEra Computing Inc，波士顿，马萨诸塞州 02135，美国 11 萨里大学数学系，吉尔福德，萨里 GU2 7XH，英国 12 石溪大学物理与天文系核理论中心，纽约 11794-3800，美国 13 布鲁克海文国家实验室物理系，厄普顿，纽约 11973，美国 14 彭焕武基础理论研究中心，安徽合肥 230026，中国 15 中国科学技术大学理论研究交叉学科中心，安徽合肥 230026，中国 16 芝加哥大学普利兹克分子工程学院、芝加哥量子交换中心和 Kadanoffi 理论物理中心，伊利诺伊州 60637，美国 17 qBraid Co.，哈珀考特5235，伊利诺伊州芝加哥 60615，美国 18 哈佛大学物理系，马萨诸塞州剑桥 02138，美国 19 爱荷华大学物理与天文系，爱荷华州爱荷华市 52242，美国 20 杜克大学杜克量子中心，北卡罗来纳州达勒姆 27701，美国 21 杜克大学电气与计算机工程系，北卡罗来纳州达勒姆 27708，美国 22 杜克大学物理系，北卡罗来纳州达勒姆 27708，美国 23 IonQ，Inc.，马里兰州学院公园 20740，美国 24 莱斯大学物理与天文系，德克萨斯州休斯顿 77005，美国 25 加州理工学院量子信息与物质研究所，加利福尼亚州帕萨迪纳 91125，美国 26 密歇根大学物理系，密歇根州安娜堡 48109，美国 27 理论日本理化学研究所先进研究中心量子物理实验室，日本埼玉县和光市 351-0198 28 日本理化学研究所跨学科理论与数学科学项目 (iTHEMS)，日本埼玉县和光市 351-0198 29 特伦托大学物理系，via Sommarive 14, Povo, Trento I–38123，意大利
2022 ASC 模拟策略
注意：本报告是作为美国政府机构赞助的工作的记录而编写的。美国政府及其任何机构、其任何雇员、其任何承包商、分包商或其雇员均不对所披露的任何信息设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务，并不一定构成或暗示美国政府、其任何机构或其任何承包商或分包商对其的认可、推荐或支持。本文表达的观点和意见不一定表明或反映美国政府、其任何机构或其任何承包商的观点和意见。
从现实到模拟的超现实
我们今天生活在一个新的虚拟和全球空间中。计算机和电子设备（智能手机）使我们保持在线，沉浸在网络空间中，处于一个万物相连的网络中。日益超现实的世界意味着我们的感知如何依赖于模拟。鲍德里亚说，整个系统被不确定性所淹没，现实被模拟的超现实所吸收。超现实和模拟取代了现实本身，看起来比现实更真实。我们必须反思虚拟是什么，它的影响或后果是什么，因为每一种新的电子媒介或数字设备都会带来新的程序、行为和存在方式。本研究采用理论和概念方法，目的是：a) 了解虚拟及其影响的含义，b) 将重塑和重构文化和社会互动模式的超现实的普通体验问题化。虚拟不仅仅是鲍德里亚所定义的幻觉。虚拟为我们思考。在不久的过去，情况恰恰相反。我们得出的结论是，技术已经使我们习惯了虚拟媒体化，现在我们毫无区别地将其视为真实，更喜欢虚幻的无限力量及其效果，而不是真实的局限性。
动态模拟平台进行训练和...
abtract该项目通过使用Unity ML代理来训练AI模型[1]，解决了在不同行星环境中模拟火箭着陆的挑战。对空间探索至关重要的火箭的可重复性需要精确控制和适应性的重力条件。我们提出了一种解决方案，将AI驱动控件与交互式用户输入相结合，以创建灵活且逼真的火箭着陆模拟器。使用的机器学习方法来开发能够处理复杂控制任务的模型，并使用强化学习来适应地球，火星和月球的不同环境。实验以评估模型在每个环境中进行调整和执行的能力，分析关键的火箭参数（例如质量和推力）如何影响各种引力和大气条件的性能。这种方法提供了对模型的适应性和优化潜力的见解。[2]。最重要的发现是，由于更快的下降速度，AI在地球和月球上表现良好，但需要在火星上进行进一步调整[3]。我们的方法为研究可重复使用的火箭技术提供了一个引人入胜的教育平台，使其成为学术和实际应用的宝贵工具。k eywords机器学习，火箭，着陆，加固学习1。在太空探索中的介绍性可重复使用性已成为一个重点，尤其是当SpaceX等公司证明了与重复使用火箭相关的巨大成本和时间[4]。实现这一目标涉及复杂的控制系统，这些系统必须准确地说明许多变量，例如燃料水平，大气条件和推力幅度，以确保成功着陆。当前的模拟虽然高级，但通常缺乏在多个天体上复制这些条件的灵活性和可伸缩性。我们的项目通过利用AI和先进的物理模拟来解决这一差距，以模仿不同环境（例如地球，火星和月球）的火箭登陆，这些火箭登陆由于其不同的引力力而引起的明显挑战[5]。这个问题很重要，因为可重复使用的火箭技术的进步可以大大降低任务成本，从而使长期探索更容易访问（Reddy，2018）。此外，对空间和人工智学感兴趣的学生和研究人员需要
物流和...
物流和供应链管理是复杂系统的两个示例，它们从离散事件模拟（DES）的建模和分析功能中受益匪浅。为了克服物流和供应链管理中的障碍，本研究提出了基于使用离散事件模拟的解决方案。该策略是非常深入的，特别强调了供应链系统准确表示，模拟模型的验证，场景开发，模拟结果的分析以及基于关键性能指标的性能优化。该策略强调迭代模拟，其主要目标是通过常规模型更新进行持续改进。在本研究中也讨论了供应商，生产设施，仓库，运输网络，库存，信息系统和客户。它强调了这些部分的相互联系性质，以及它们在模拟环境中的建模如何。组织可以改善其供应链运营，决策过程以及在推荐策略的帮助下推动持续改进的能力。可以通过建模这些更改来评估关键的绩效指标，包括订单履行率，库存水平，运输成本和客户幸福感，以替代策略，政策和运营调整来评估。通过建议的方法提供了使用离散事件模拟来处理供应链和物流管理的复杂性和未知数的总体框架。它为建模，分析和优化供应链运营提供了有条不紊的框架，这反过来又可以提高效率，较低的费用和当今快节奏的市场的战略优势。