XiaoMi-AI文件搜索系统
World File Search Systemtrollers
当网络物理系统遇上人工智能：基准、评估和前进之路
信息物理系统 (CPS) 已广泛应用于安全关键领域，例如汽车系统、航空电子设备、医疗设备等。近年来，人工智能 (AI) 越来越多地被用于控制 CPS。尽管人工智能 CPS 很受欢迎，但公开的基准测试却很少。人们对不同工业领域的人工智能 CPS 的性能和可靠性也缺乏深入了解。为了弥补这一差距，我们提出了七个领域的行业级 CPS 公共基准，并通过最先进的深度强化学习 (DRL) 方法为它们构建人工智能控制器。在此基础上，我们进一步对这些人工智能系统与传统系统进行系统评估，以确定当前的挑战和未来的机遇。我们的主要发现包括：(1) AI 控制器并不总是优于传统控制器；(2) 现有的 CPS 测试技术（具体来说，证伪）不足以分析支持 AI 的 CPS；(3) 构建一个混合系统，在 AI 控制器和传统控制器之间进行战略性组合和切换，可以在不同领域实现更好的性能。我们的结果强调了对支持 AI 的 CPS 的新测试技术的需求，以及对混合 CPS 进行更多研究以实现最佳性能和可靠性的需要。我们的基准、代码、详细评估结果和实验脚本可在 https://sites.google.com/view/ai-cps-benchmark 上找到。
![arXiv:2102.11230v2 [physics.ins-det] 2021 年 4 月 13 日](/simg/g:\will\search\icon\source\1\169fa343fa4d4d23df65387892fb8f54bf44d44f.webp)
arXiv:2102.11230v2 [physics.ins-det] 2021 年 4 月 13 日
激光冷却的原子、离子和分子是值得研究的有趣而动态的系统，并且被用于开发许多量子技术。这些技术包括精密原子钟 1、2、量子计算机和模拟器 3、4 和量子传感器 5、6。原子、分子和光学 (AMO) 物理实验通常是来自不同来源和制造商的大量商用或定制仪器的组合，这些仪器需要同步且可重复地运行。同步是通过使用专门的软件套件来控制具有确定性时序的主数字模式发生器或时钟设备来实现的，该时钟设备向其他硬件设备发送触发信号。SpinCore 7 的 PulseBlaster 是一种基于现场可编程门阵列 (FPGA) 的商用设备，通常用作许多 AMO 实验 8 中的主时钟，并且与许多不同的软件套件兼容。许多大学团体还设计了基于微控制器或 FPGA 的定制设备作为主时钟。微控制器将处理能力与许多外设相结合，可直接与硬件接口，并已在各种物理实验中得到广泛应用 9 – 12 。另一方面，FPGA 可以灵活地修改整个系统架构以适应功能的变化，尽管它们需要更多的开发专业知识。尽管学习难度较大，但 FPGA 已成为许多物理实验中控制设备的常见选择，并且能够很好地适应更复杂的架构以及模块化架构 13 – 17 。控制实验的另一种方法是创建一个完整的软件和模块化硬件基础设施，并设计有内置时序同步功能。这种方法的两个商业示例是
基于EEG Microstate分析预测运动图像BCI性能
摘要：电动图像（MI）脑电图（EEG）自然而舒适，并且已成为大脑 - 计算机界面（BCI）领域的研究热点。探索主体间MI-BCI性能变化是MI-BCI应用中的基本问题之一。EEG微晶格可以代表大脑认知功能。在本文中，使用了四个EEG微骨（MS1，MS2，MS3，MS4）进行分析，分析受试者的Mi-BCI性能差异，并计算四个微杆菌特征参数（平均持续时间，每秒出现，时间覆盖率和时间覆盖率和过渡概率）。测量了静息状态EEG Microstate特征参数与受试者的MI-BCI性能之间的相关性。基于MS1的发生的负相关性和MS3平均持续时间的正相关性，提出了静静态微晶格预测指标。28名受试者参加我们的MI实验，以评估我们静止状态的Microstate预测指标的性能。实验结果表明，与频谱熵预测变量相比，我们静止状态的Mi-Crostate预测器的平均面积（AUC）值为0.83，增加了17.9％，表明微骨特征参数可以更好地表明受试者的MI-BCI性能比光谱enterpy enterpropy预测器。此外，在单节水平和平均水平上，Microstate预测指标的AUC高于光谱熵预测变量的AUC。总体而言，我们的静止状态微晶格预测指标可以帮助MI-BCI研究人员更好地选择受试者，节省时间并促进MI-BCI的发展。
二十年网络管理 - 欧洲空中导航安全组织
TEC Suite 是 Indra 空中交通管理 (ATM) 系统的最新成果，该系统与欧洲主要空中导航服务提供商（DFS - 德国、ENAIRE - 西班牙、LVNL - 荷兰和 NATS - 英国）合作开发。iTEC Suite 结合了 Indra ATM 在 SESAR 背景下进行的持续研究和开发成果，为全球空中交通市场的需求提供了高度模块化和可配置的解决方案。iTEC Suite 基于两个概念：4D 轨迹和全球互操作性。作为基于轨迹的系统，iTEC Suite 能够预测未来航班的位置，让管制员能够通过无冲突计划提前管理航班。无冲突计划对 ANSP 向客户提供的服务的有效性和效率有积极影响，通过最大限度地减少日常任务（减少高度或速度变化）来减少管制员的工作量，同时提高安全性和生产力；减少航班改道、飞行时间、燃料消耗和排放。此外，全球互操作性概念支持更大的空域总体交通容量，并易于与更广泛的 ATM 网络集成。iTEC Suite 是 Indra ATM 自动化产品的完整目录，基于 iTEC 国际合作的核心元素构建。它提供先进、全面和模块化的 ATM 解决方案，能够适应每个客户的特定需求；并提供效率和先进技术的改进。iTEC Suite 产品可分为两个级别：核心产品和补充产品。iTEC Suite Core 产品将 SESAR 中验证的最新操作概念融入到
主动流控制的基于伴随的机器学习
我们使用深度学习PDE增强方法（DPM）开发神经网络活动流量控制器。使用管理方程的伴随计算优化的端到端敏感性，而无需限制目标函数中可能出现的术语。在具有分析性（制造）控制功能的一维汉堡的示例中，基于DPM的控制功能与样本外溶液的标准监督学习相当有效，并且对不同的分析控制功能更有效。分析了优化时间间隔和中性网络宽度的影响，其结果影响算法设计和超参数选择，平衡控制功效与计算成本。随后，我们为两个流动方案开发了基于伴随的控制器。首先，我们比较了基于伴随的控制器的拖放性能和优化成本和基于深入的强化学习（DRL）的控制器，用于在RE = 100处二维，不可压缩的，不可压缩的，可压缩的，限制性的流动，并通过沿圆柱体边界的合成体力来控制。基于DRL的控制器所需的模型复杂性是基于DPM的控制器所需的4,229倍。在这些测试中，基于DPM的控制器的效率高4.85倍，而训练的计算量则比基于DRL的控制器少63.2倍。第二，我们测试了基于DPM的控制，以在圆柱体上进行可压缩的，无约束的流量，并将控制器推断为样本外雷诺数。我们还根据DPM控制法训练简化，稳定的离线控制器。在线（DPM）和离线（稳定）控制器都以减少99％的阻力稳定涡旋脱落，证明了学习方法的鲁棒性。对于样本外流（RE = {50，200，300，400}），在线和离线控制器都成功地减少了阻力和稳定涡流脱落，这表明基于DPM的方法会导致稳定的模型。一个关键的吸引人特征是基于伴随的优化的灵活性，该功能允许对任意定义的控制定律进行优化，而无需匹配先验已知的功能。
第 XXIII 卷第 1 期 1997 年 1 月/2 月 - The Ninety-Nines, Inc.
我们每个人都记得第一天爬进 Lois Erickson 总裁“那架飞机”的机舱，发现一个全新的世界向我们敞开。在 Piper Cherokee 180 上完成了四个小时的培训后，我上完课回来，丈夫兴奋地迎接我，告诉我“我们”刚刚买了一架很棒的飞机，叫做 140。我的第一个念头是：“那到底是什么？”想象一下，当他打开机库门，我发现这架飞机的机翼在机身错误的一侧，前轮在背面时，我有多惊讶。正是在那时，我了解到了一种名为赛斯纳 140 的飞机。随着飞行杂志在我们家中逐渐堆积，我了解到了比奇、穆尼、卢斯科姆、泰勒、直升机、实验飞机等等。一个全新的、令人兴奋的世界等着我去学习和体验。当我学会成为一名安全的飞行员时，我很幸运地得到了现场所有男士的支持和鼓励。FBO 的教官、飞行服务站的工作人员、飞行员休息室的公司飞行员，他们都在培养我，让我踏上了人生中最伟大的冒险之旅。你知道，我是最初的“小鸟”，因为当时我是威斯康星州西部唯一的女性飞行学员。当我终于获得了梦寐以求的证书时，考官告诉我，我需要联系并加入