XiaoMi-AI文件搜索系统
World File Search System分组
美国能源部氢能峰会分组讨论会发言人
Bryan Pivovar 是科罗拉多州戈尔登市国家可再生能源实验室 (NREL) 的高级研究员兼集团经理，负责监督 NREL 的电解和燃料电池研发。自 2021 年 10 月以来，他一直担任 H2NEW（下一代水电解器中的氢气）的主任，这是一个氢和燃料电池技术办公室联盟，专注于通过电解提高氢气的经济性，5 年内预算至少为 5000 万美元。他是多个领域的先驱，担任领导职务并为能源部组织研讨会，涉及亚冰效应、膜、H2@Scale 和扩展表面电催化等领域。他于 2000 年获得明尼苏达大学化学工程博士学位，在加入 NREL 之前领导洛斯阿拉莫斯国家实验室 (LANL) 的燃料电池研发。他获得了 2012 年托比亚斯青年研究员奖和 2021 年电化学学会能源技术部门研究奖。他在燃料电池和电解领域合作撰写了 150 多篇论文，引用次数超过 10,000 次。
![通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。](/simg/d/dd5abf0752fcc9f891dc4a96743f916f96f28350.png)
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
住宅消费者分组能源管理控制器
摘要 — 本文研究了使用分组能源管理的并网光伏 (PV) 系统场景中的储能控制和负载调度管理。目标是通过提出的分组能源管理控制器降低平均总系统成本，该控制器考虑家庭能源消耗、采购价格、负载调度延迟、通过产生的可再生能源实现光伏自给自足以及电池退化。所提出的方法使用成熟的启发式算法（即遗传算法 (GA)、二进制粒子群优化 (BPSO) 和差分进化 (DE)）解决联合优化问题。此外，还从延迟约束下的负载调度有效性、分组能源交易和电池退化成本等方面比较了启发式算法的性能。提供了案例研究来展示和广泛评估算法。数值结果表明，所提出的分组能源管理控制器可以在满足分组能源需求和调度延迟要求的同时，通过 GA、BPSO 和 DE 分别显著降低总平均系统成本高达 4.7%、5.14% 和 1.35%。
无线燃气涡轮机预后的加上制造热部分组件上的传感器集成
要实现复杂能源系统中添加性生产的组件的全部能力，必须在开发阶段和操作过程中最大程度地减少早期组件故障。传统的现场反馈时间表和离线检查协议不足以满足更快的市场部署要求。引入增材制造（AM）方法可以极大地加速开发时间表，并提供了在给定传感器集成要求之前可能是不可行的位置的关键参数的能力。反过来，这些测量值可以促进基于条件的操作和维护（CBOM）方法，最终导致运营成本降低。为了实现这些目标，当前的研究正在开发一种方法，通过该方法可靠地将传感器与加上制造的燃气轮机组件与发电和推进的应用。无线测量功能也包括在演示过程的一部分，其中包括使用AM WaveGuides与测试硬件不可或缺的一部分。实施了一个分阶段的演示方法，以评估在AM零件上沉积的传感器，从简单的优惠券开始，并增加了对涡轮机翼和燃烧器衬里硬件的复杂性。在整个方法中，对AM表面粗糙度，传感器性能和耐用性以及集成无线传感的考虑是评估的最前沿。
b'摘要。本文提出了将对称密码代数方程转化为QUBO问题的方法。将给定方程f 1 ，f 2 ，... ，fn转化为整数方程f \xe2\x80\xb2 1 ，f \xe2\x80\xb2 2 ，... ，f \xe2\x80\xb2 n后，对每个方程进行线性化，得到f \xe2\x80\xb2 lin i = lin ( f \xe2\x80\xb2 i )，其中lin表示线性化运算。最后，可以得到 QUBO 形式的问题，即 f \xe2\x80\xb2 lin 1 2 + \xc2\xb7 \xc2\xb7 \xc2\xb7 + f \xe2\x80\xb2 lin n 2 + Pen ，其中 Pen 表示在方程线性化过程中获得的惩罚，n 是方程的数量。在本文中，我们展示了一些分组密码转换为 QUBO 问题的示例。此外，我们展示了将完整的 AES-128 密码转换为 QUBO 问题的结果，其中等效 QUBO 问题的变量数量等于 237,915，这意味着，至少在理论上，该问题可以使用 D-Wave Advantage 量子退火计算机解决。不幸的是，很难估计这个过程所需的时间。'
b'摘要。本文提出了将对称密码代数方程转化为QUBO问题的方法。将给定方程f 1 ，f 2 ，... ，fn转化为整数方程f \xe2\x80\xb2 1 ，f \xe2\x80\xb2 2 ，... ，f \xe2\x80\xb2 n后，对每个方程进行线性化，得到f \xe2\x80\xb2 lin i = lin ( f \xe2\x80\xb2 i )，其中lin表示线性化运算。最后，可以得到 QUBO 形式的问题，即 f \xe2\x80\xb2 lin 1 2 + \xc2\xb7 \xc2\xb7 \xc2\xb7 + f \xe2\x80\xb2 lin n 2 + Pen ，其中 Pen 表示在方程线性化过程中获得的惩罚，n 是方程的数量。在本文中，我们展示了一些分组密码转换为 QUBO 问题的示例。此外，我们展示了将完整的 AES-128 密码转换为 QUBO 问题的结果，其中等效 QUBO 问题的变量数量等于 237,915，这意味着，至少在理论上，该问题可以使用 D-Wave Advantage 量子退火计算机解决。不幸的是，很难估计这个过程所需的时间。'
将IBEW NECA Conduit 401K计划的分组到计划表格
如果您的出生年份是：那么您的违约投资选择是：1952年或先前的先锋目标退休2015基金1953年至1957年至1957年Vanguard Target Retirement 2020 Fund 2020 Fund 2020基金至1962年，到1962年Vanguard Target Retirement 2025 Fund 2025 Fund 1963至1967年1967年Vanguard Target Target Target Target 2030 Fund 2030 Fund 2030 Fund 1972 to 1972 Vanguard Retirement 2040 Vanguard Retirement 2040 vandArd 2040 vaniord 2040 vanir to 1973 do 1973 do 1973 do 1973 do 1973 1982 Vanguard Target退休2045基金1983年至1987年先锋目标退休2050基金1988年至1992年先锋目标退休2055基金1993年至1997年Vanguard Target退休2060基金1998年或后来的先锋目标退休金退休2065 Fund 2065 Fund
轻量级分组密码的量子搜索：GIFT、SKINNY......
N ）在给定足够数量的明文-密文对的情况下搜索大小为 N 的密钥空间。Jaques 等人 (EUROCRYPT 2020) 的最新成果展示了在 NIST 的 PQC 标准化过程中定义的不同安全类别下针对 AES 的量子密钥搜索攻击的成本估算。在这项工作中，我们将他们的方法扩展到轻量级分组密码，以估算在电路深度限制下量子密钥搜索攻击的成本。我们给出了轻量级分组密码 GIFT、SKINNY 和 SATURNIN 的量子电路。在 NIST 的最大深度约束下，我们给出了门数和深度乘以宽度成本指标的总体成本。我们还为所有版本的 GIFT、SKINNY 和 SATURNIN 提供了完整的 Grover 预言机的 Q# 实现，用于单元测试和自动资源估算。
本地随机分组的混合状态纠缠...
1因斯布鲁克大学，因斯布鲁克大学A-6020，奥地利2量子量子，奥地利2量子光学和量子信息研究所，奥地利科学院的量子和量子信息，因斯布鲁克A-6020，奥地利3，奥地利3，奥地利3综合赛道研究所美国加利福尼亚州帕萨迪纳市加州帕萨迪纳市5计算机和数学科学系，加利福尼亚州加利福尼亚州加利福尼亚州帕萨迪纳，美国6阿卜杜勒·萨拉姆国际理论物理学中心，斯特拉达·科斯蒂埃拉11，34151 Trieste，意大利7 Sissa，Vi Via Bromea 265，34136 Triestey，Triestey 8 Intome，ITELESE，ITEALY 8 INTEMEA，34165，Via Beirse 84165，Via Beirsea，34165。理论物理研究所，因斯布鲁克大学，A6020 Innsbruck，奥地利10 Walter Burke理论物理研究所，加利福尼亚州加利福尼亚州帕萨迪纳市，加利福尼亚州帕萨迪纳，美国11 AWS量子计算中心，加利福尼亚州帕萨迪纳，加利福尼亚州，美国加利福尼亚州12 Univ。Grenoble Alpes，CNR，LPMMC，38000 Grenoble，法国
Sławomir SZRAMA CE-2017-412 Adam KADZI Ń SKI 在 F100 涡扇发动机维护系统选定的分析领域中识别危险的过程 多用途 F-16 是波兰空军最先进的飞机。它配备了非常现代、精密和先进的涡扇发动机 F100-PW-229。由于只有一台发动机，因此其可靠性、耐用性效率和性能是确保安全的关键因素。在本文中，作者研究了安装在多用途 F-16 飞机上的 F100 涡扇发动机的维护系统。为了研究目的，创建了 F100 维护系统模型。从该模型中，得出了主要的分析领域，包括“主要发动机对象差异消除”过程。考虑到这样的分析领域，基于危险源识别流程示意图，作者提出了以下步骤：危险源识别工具准备、危险源识别、危险源分组和危险表述。本文的主要目标是提供危险源识别流程结果作为危险规范，其中包括：一组危险源、危险表述以及危险激活的最可能/可预测后果、严重程度和损失/危害。
Sławomir SZRAMA CE-2017-412 Adam KADZI Ń SKI 在选定的 F100 涡扇发动机维护系统分析领域中识别危险的过程 多用途 F-16 是波兰空军最先进的飞机。它配备了非常现代、精密和先进的涡扇发动机 F100-PW-229。由于只有一个发动机，因此其可靠性、耐用性效率和性能是安全的关键因素。在本文中，作者研究了 F100 涡扇发动机的维护系统，该发动机建立在多用途 F-16 飞机上。为了研究目的，创建了 F100 维护系统模型。从该模型中，得出了主要的分析领域，包括“主要发动机对象差异消除”过程。考虑到这样的分析领域，基于危险源识别过程示意图，作者提出了以下步骤：危险源识别工具准备、危险源识别、危险源分组和危险表述。本文的主要目标是提供危险源识别过程结果作为危险规范，其中包括：一组危险源、危险表述以及危险激活的最可能/可预测的后果、严重程度和损失/危害。