XiaoMi-AI文件搜索系统
World File Search System元模型
基于信号的预测可靠性分析元模型...
测试结果的预测对于非常昂贵的测试尤其重要，例如航空航天工业应用，例如高升力系统的测试。出于成本和可管理性考虑，测试样本通常仅代表部分系统。通过软件驱动的执行器对剩余系统的反应进行真实的反馈，可以提高测试结果的代表性。可以使用复杂的程序对物理系统进行真实的建模，例如多体动力学模拟算法，但它们需要大量的计算时间，并且缺乏实时性能。因此，需要降低计算成本，同时保持高保真度建模。可以建立纯数学模型，这些模型计算速度快，但结果准确。作者的方法最初在 [1] 中提出，产生了近似测试对象动态响应的元模型。修改
基于模型的技术路线图信息结构元模型
摘要：技术路线图领域的最新贡献通常旨在应用各种数值模型和工具来促进路线图过程并丰富其成果。这种趋势导致了所谓的基于模型的技术路线图的出现。我们认为它是传统基于文档的范式的未来发展。支持基于模型的路线图的一般方法之一是开发路线图的元模型，该元模型将独立于应用环境对其进行定义并将其链接到现有的路线图文献。在本文中，我们尝试通过概括和形式化现有的基于文档的路线图来创建这样的元模型。我们通过重现文献中的三个非常不同的路线图来验证我们的元模型，这些路线图未包含在创建元模型的路线图集中。
商业体系结构元模型指南v3.0
在过去几年中，业务架构Guild®与其他实体一起一直与对象管理小组（国际标准组织）合作，开发了跨行业，标准化的商业体系结构元模型，称为商业体系结构核心Metamodel（BACM）。1该公会商业架构元模型在此白皮书中描述并符合BACM，但对从业者更友好。目的是为业务架构实践者和基础架构支持团队提供将不同的业务架构域与相关学科相关联的基础，以支持战略执行，操作模型优化，程序管理和IT架构（例如）。此版本的白皮书正式将关联与三个相互关联的学科：客户旅程映射；需求管理；和业务流程管理。未来版本将探讨其他跨学科观点。
核融合应用中辐射效应的有限元模型
抽象的氘融合反应以14.1 MeV中子的形式产生能量，因此，融合反应器成分将暴露于高能量中子辐照的情况下，同时也受到热，机械和磁负荷的影响。暴露于中子辐射会带来许多后果，包括肿胀和尺寸变化，与等离子成分中发生的峰值瞬态热变形相当。辐照还以强烈的非线性方式动态改变了各种热机械特性，温度，应力和肿胀。有关跨越设计参数空间的中子暴露影响的实验数据非常稀疏，这突出了计算机模拟的相关性。在这项研究中，我们探讨了体力/表面牵引方法与特征性形式主义之间的等效性，用于治疗各向异性辐射引起的肿胀。我们发现，用于有限元方法（FEM）模拟的商业和大规模并行的开源软件都适合评估中子暴露对机械载荷反应器组件的影响。我们证明了辐射，辐射肿胀和导热率的降解的两个主要影响如何影响ITER TOKAMAK分流中应力和温度的分布。表征肿胀幅度和治疗模型的明显不确定性表明，基于目前可用的数据，只能给出反应堆成分中最受辐射的反应堆组件中发生的压力估算。
与 Hodgkin-Huxley 模型耦合的神经元-电极接口降阶模型
摘要 – 电极和神经元之间界面的电特性高度依赖于界面几何形状和其他参数。有限元模型在一定程度上可用于研究这些特性。不幸的是，这种模型在计算上非常昂贵。通过简化这些模型，可以减少计算时间。在这项工作中，我们使用基于 Krylov 子空间的模型降阶来简化电极-神经元界面的简化线性化有限元模型。这有助于在系统级耦合到 Hodgkin-Huxley 模型，并大大减少了计算时间。原始有限元模型的精度在很大程度上得以保留。关键词：神经元-电极界面，Hodgkin-Huxley 模型，模型降阶，有限元模型 1. 简介
gizaml：使用LLM进行自动时间序列预测的基于协作元学习的框架
机器学习算法在依靠时间序列数据（例如能量预测，环境监控和电信等时间序列数据）方面表现出显着的成功。随着时间序列数据的越来越多的流行率，有一个越来越多的授权可以用于预测任务的准确和广义模型。培训这种模型是一个高度迭代的过程，需要对时间序列数据和机器学习算法有深刻的了解。我们演示了Gizaml，这是一种基于元学习的框架，专门针对自动化算法选择和用于预测时间序列的超参数调整。gizaml主要包括两个关键阶段：数据和特征工程阶段，以及建议和优化阶段。在数据和功能工程阶段中，GizAML对数据集进行重新启动，以获取均匀的时间间隔，处理离群值并自动提取各种与时间序列相关的功能。在推荐和优化阶段，Gizaml采用了一种元模型，该元模型提出了机器学习管道配置的实例化，这些配置预计将在新型数据集中表现出很强的表现。这些配置温暖启动了采用有效的贝叶斯选择方法的优化阶段。元模型采用大型语言模型（LLM），用于生成数据集表示的嵌入代表向量。Gizaml使用9种不同的回归机学习算法和每种不同的超参数配置。此外，Gizaml利用新的运行来不断提高对未来时间序列预测任务的元模型建议的性能和鲁棒性。我们的演示方案表明，Gizaml的表现优于当前最新的开源自动化机器学习框架。
数据驱动和基于模型的方法，结合物理引导的机器学习进行损伤识别
第 2 章。通过物理引导机器学习进行结构损伤识别：一种将模式识别与有限元模型更新相结合的方法。..................。。。。。。。。。。。。。。。。。。。。。。。。9 2.1 简介。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。9
认知模式：对象问题解决框架...
业务流程建模 ................................................................................................................................................ 71 开发企业元模型 .............................................................................................................................................. 72 知识管理 .............................................................................................................................................................. 73 模式和用例 ...................................................................................................................................................... 73 识别/开发业务规则 ...................................................................................................................................... 74 开发用户需求 ...................................................................................................................................................... 75 识别技能组合需求 ............................................................................................................................................. 75 培训开发 ............................................................................................................................................................. 76 构建案例库 ...................................................................................................................................................... 77
人工智能的工程应用
为了降低工程设计中的计算成本，昂贵的高保真仿真模型通常用数学模型来近似，这些数学模型被称为元模型。典型的元建模方法假设昂贵的仿真模型是黑盒函数。在本文中，为了提高元模型的准确性并降低构建元模型的成本，利用有关工程设计问题的知识来帮助开发一种新的元模型，称为因果人工神经网络（causal-ANN）。利用设计问题固有的因果关系将 ANN 分解为子网络，并利用中间变量的值来训练这些子网络。通过涉及设计问题的知识，因果 ANN 的准确性高于假设黑盒函数的传统元建模方法。此外，可以利用因果 ANN 的结构和贝叶斯网络理论从因果 ANN 中识别出有吸引力的子空间。本文还讨论了因果图保真度和设计变量相关性的影响。工程案例研究表明，只需少量昂贵的模拟即可准确构建因果 ANN，并且可以直接从因果 ANN 中识别出有吸引力的设计子空间。