XiaoMi-AI文件搜索系统
World File Search Systemtransferability
测量机器学习力场中的可传递性问题：与线性电势的金铁相互作用的示例
原子建模通常分为两种不同类型的模拟。一方面，包括Hartree -Fock和密度功能理论（DFT）方法在内的量子方法被认为是最准确的，几乎用于任何类型的化学物种[1，2]。另一方面，经典力场用于执行精度较低的大规模和长期模拟[3，4]。但是，仍然很难连接这两种方法，直到现在，人们几乎无法执行涉及数百万个原子的纳秒原子的模拟，同时保留量子方法的准确性。在这种情况下，近年来已经提出了机器学习互动电位（MLIP），并显示出实现此类模拟的巨大潜力[5-7]。目前考虑了许多方法，包括人工神经网络[8]，高斯近似方法[9]，线性电位[10，11]，频谱邻域分析电位[12]，对称梯度域机器学习[13，14]和矩张量张量的电位[15]。这些技术的成功得到了成功解决的各种材料的认可：纯属金属[16-20]，有机分子[21-24]，氧化物[25，26]，水[27 - 31]，无定形材料[32 - 37]和HYBRIDPEROVSKITES [32 - 37]和HYBRIDERIDPEROVSKITES [38]。对于所有这些技术，主要过程包括对力场使用非常通用的分析公式，然后将其进行参数化以匹配DFT计算数据库，包括总能量，力和应力张量。但是，人们承认MLIP有时会显示出对学习数据库中未包含的系统的可传递性。在最坏的情况下，MLIP SO-WELL拟合到其学习数据库中，可以在其外观察到非物理行为。为了解决此问题，主要建议是定期检查电位的准确性，因为进行了机器学习分子动力学模拟并改善MLIP“ fly the Fly” [38 - 40]。，据我们所知，这种方法的这种缺陷从未经过定量调查，而在被用户和开发人员承认的同时。
具有可转让性的有效基于区块链的身份验证方案
在Web应用程序的开发中，互联网技术的快速发展带来了前所未有的机会，并增加了对用户身份验证方案的需求。在区块链技术出现之前，建立两个陌生的实体之间的信任，依靠可信赖的第三方进行身份验证。但是，这种值得信赖的第三方的失败或恶意行为可能破坏此类身份验证方案（例如，单点失败，凭证泄漏）。安全授权系统是用户身份验证方案的另一个要求，因为用户必须授权其他实体在某些情况下代表其行事。如果身份验证许可的转让不足，则可能会发生诸如未经授权转移到实体的安全风险。一些研究提出了基于区块链的分散用户身份验证解决方案，以解决这些风险并提高可用性和可审核性。，众所周知，大多数提出的计划允许用户将身份验证权限转移到其他实体中，需要在智能合约中部署和触发时大量的天然气消耗。为了解决此问题，我们提出了一种仅基于哈希功能的可转让性的身份验证方案。通过将一次性密码与Hashcash相结合，该方案可以限制可以在确保确定性的同时传输权限的次数。此外，由于它仅依赖哈希功能，我们提出的身份验证方案在智能合约中的计算复杂性和气体构成方面具有绝对的优势。此外，我们已经在Goerli测试网络上部署了智能合约，并证明了这种身份验证方案的实用性和效率。
评估深度学习模型的可转移性潜力
抽象的气候降低降级，这是从低分辨率模拟中生成高分辨率气候数据的过程，对于理解和适应区域和本地规模的气候变化至关重要。深度学习方法已被证明在解决此问题方面很有用。但是，存在研究通常集中在一个特定任务，位置和变量的培训模型上，因此它们的可推广性和可传递性受到限制。在本文中，我们评估了培训深度学习对多种气候数据集的深度学习模式的效果，以了解更多可靠和可转移的表示形式。我们使用CNN，傅立叶核电运算符（FNOS）和视觉变压器（VIT）评估体系结构零射击传递性的有效性。我们以实质性地评估了降尺度模型的空间，可变和产物的可传递性，以了解这些不同体系结构类型的普遍性。
数据驱动添加剂制造的可传输性分析
数据驱动的增材制造（AM）的研究在近年来取得了巨大的成功。这导致了许多科学文献的出现。这些作品中的知识包括AM和人工智能（AI）上下文，这些环境尚未以综合的方式开采和形式化。此外，没有任何工具或准则可以支持从一个上下文到另一种上下文的数据驱动知识转移。结果，仅针对特定的AM过程技术开发并验证了使用特定AI技术的数据驱动解决方案。有可能利用各种AM技术的固有相似性，并使用AI（例如转移学习）将现有解决方案从一个过程或问题调整到另一个过程。我们在AM中提出了一个三步知识转移性分析框架，以支持数据驱动的AM知识传输。作为可转让性分析的先决条件，AM知识被介绍为已识别的知识组成部分。该框架由转移，转移和转移后的步骤组成，以完成知识转移。在旗舰金属AM过程之间进行了案例研究。激光粉末床融合（LPBF）是知识的来源，它是由于其在定向能量沉积（DED）上应用AI时相对成熟度（DED）的来源，它可以将知识转移的需求作为较少探索的目标过程。我们在数据驱动的解决方案的不同级别上显示了成功的传输，包括数据表示，模型体系结构和模型参数。AM
对Koning等人的评论：冰岛预防模型的实施：对其全球可转让性的批判性讨论
作者感谢Koning等。对冰岛预防模型（IPM）的批判性审查以及强调其优势。但是，我们希望回应他们的批评。首先，Koning等。得出的结论是：‘…仍然不清楚IPM的核心组成部分是什么。此外，Kristjansson等人的指导原则。（2020 a）不包括特定的干预组件……'（Koning等，2021，第3页）。指导原则（Kristjansson等，2020 A）和IPM的实施步骤（Kristjansson等，2020b）已详细描述；但是Koning等。似乎忽略了这些描述。他们认为IPM是一个干预程序，事实并非如此。类似于SAMHSA的战略预防框架（SAMHSA，2019年），IPM是一种过程结构，旨在促进长期社区授权和系统变化。IPM指向父母/护理人员，同伴小组，学校社区和休闲时间的四个优先领域内的潜在干预领域（例如Kristjansson等人，2020b，表2）;但是，该模型没有规定特定的干预措施。第二，Koning等。声称监督 - 阶段的活动（包括代金券系统）和宵禁时间是模型的一部分。再次，这是不正确的。这些是在许多冰岛社区中颁布的特定企业，以响应基于实践的证据。（Kristjansson等，2020b）;但是，这些都不是模型的规定组成部分。IPM采用严格的诊断评估系统来了解可能需要并应对不同级别的各种干预措施的全球和地方问题，包括国家法律的变化，地方规则，改善父母与学校的合作，资助地方预防专家，访问权限，访问权限以及增加正式休闲时间活动的机会等。