XiaoMi-AI文件搜索系统
World File Search System参数优化
最初发表于：Mazzola, Guglielmo (2024)。从蒙特卡罗角度看化学和物理应用的量子计算。期刊 o
本期观点主要关注物理和化学领域中量子算法和蒙特卡罗方法之间的几个重叠部分。我们将分析将已建立的量子蒙特卡罗解决方案集成到量子算法中的挑战和可能性。这些包括精细的能量估计器、参数优化、实时和虚时动力学以及变分电路。相反，我们将回顾利用量子硬件加速统计经典模型中采样的新想法，并将其应用于物理、化学、优化和机器学习。本评论旨在让两个社区都能阅读，并旨在促进量子计算和蒙特卡罗方法交叉领域的进一步算法发展。本期观点中讨论的大多数作品都是在过去两年内出现的，表明人们对这一有前途的研究领域的兴趣正在迅速增长。
![arxiv：2405.05809v2 [cs.lg] 2024年10月30日](/simg/g:\will\search\icon\source\e\e9b444092f5241fbdb77ad8c260708d6dd0d4f8c.webp)
arxiv：2405.05809v2 [cs.lg] 2024年10月30日
Aequitas流是用于端到端公平机器学习（ML）实验的开源框架和工具包，并在Python中进行基准测试。此软件包填补了其他公平ML软件包中存在的集成空白。除了Aequitas中现有的审计功能外，Aequitas流量模块还提供了公平感知的模型训练，超参数优化和评估的管道，从而实现了易于使用和快速的实验以及结果的分析。针对ML从业人员和研究人员，该框架为这些组件提供了方法，数据集，指标和标准接口的实现，以提高可扩展性。通过促进公平ML实践的发展，Aequitas的流程希望增强AI系统中的公平概念的结合，从而使AI系统更加健壮和公平。关键字：公平的机器学习，实验，道德人工智能，开源框架，Python
基于 AI 的网络拓扑优化系统
摘要 – 现有的网络拓扑规划没有充分考虑日益增长的网络流量和链路容量利用不均衡的问题，导致资源利用率较低，也增加了网络建设的不必要投入。本文介绍的基于人工智能的网络拓扑优化系统，构建了用于时间序列流量预测的长短期记忆（LSTM）模型，利用Python库NetworkX进行图分析，根据节点流量动态地通过删边或增边来优化网络拓扑，并在节点流量增加时保证网络负载均衡，主要详细介绍了LSTM预测模型的构建过程、参数优化策略以及网络拓扑优化等内容。该系统能够有效提升资源利用率，对复杂网络拓扑的优化具有重要意义。本文最后对人工智能未来的发展进行了展望，并提出了与运营商网络合作、建立跨界生态发展的可能性。
功能梯度材料增材制造的机器学习
摘要：增材制造 (AM) 是一种变革性的制造技术，能够根据 3D 建模数据逐层直接制造复杂部件。在 AM 应用中，功能梯度材料 (FGM) 的制造具有重要意义，因为它有可能提高多个行业的组件性能。FGM 是通过不同材料之间的梯度成分过渡制造的，从而能够设计具有位置相关机械和物理特性的新材料。本研究全面回顾了有关在 AM 中实施机器学习 (ML) 技术的已发表文献，重点介绍了基于 ML 的 FGM 制造工艺优化方法。通过对文献的广泛调查，本综述文章探讨了 ML 在解决 FGM 制造固有挑战中的作用，并涵盖了参数优化、缺陷检测和实时监控。本文还讨论了在 FGM 的 AM 制造中采用基于 ML 的方法的未来研究方向和挑战。
人工智能增材制造工艺协议预测
1.2. 工艺控制优化 通过选择合适的 AM 方法并优化所用 AM 方法的工艺参数，可以实现质量保证改进。最简单的方法是改变次优工艺类型和工艺参数（包括所选材料）的组合，并反复评估质量，直到达到令人满意的质量。这是一种成本高昂且耗时的方法。但是，操作员可能会在一定操作期后获得足够的经验来减少这些迭代。此方法的准确性和速度还取决于评估技术的准确性；否则，操作员将获得相对不正确的经验。 AM 工艺的工艺参数优化可以利用分析性破坏性测试 (DT) 和/或功能性无损检测 (NDT) 方法。X 射线计算机断层扫描 (X 射线 CT) 技术属于 NDT 方法。文献中报道了材料挤压和喷射工艺的 AM 样品的 DT（拉伸试验）和 NDT（X 射线和超声波）数据之间的相关性。发现相关性是线性的[11]，[12]。
我们真的在文本分类方面取得了很大进展...
我们分析了跨知名数据集的单标签和多标签文本分类的各种方法，将其分类为单词袋，基于序列，基于图和层次结构的方法。尽管基于图的模型，但仅编码的预先训练的语言模型（尤其是BERT）仍然是最先进的方法。然而，最近的发现提出了更简单的模型，例如逻辑回归和基于Trigram的SVM的表现优于新技术。虽然仅解码的生成语言模型在学习有限的数据方面表现出了希望，但它们却落后于仅编码模型的性能。我们强调了歧视语言模型（例如BERT）比生成模型的优越性。此外，我们高度阐明了文献在方法比较中缺乏鲁棒性，尤其是关于基本的超参数优化，例如仅通过编码器的语言模型中的学习率。数据可用性：源代码可在https://github.com/drndr/multilabel-text-clf上找到。除NYT数据集外，用于我们实验的所有数据集均可公开使用。
铝合金挤压
7 设备利用率 323 7.1 简介 323 7.2 现代挤压设备 323 7.2.1 挤压机 324 7.2.2 辅助设备 327 7.2.3 挤压工艺和参数优化 330 7.3 挤压机要求 331 7.3.1 可靠性 332 7.3.2 力学 332 7.3.3 液压 335 7.3 4 控制和监控 335 7.4 等温挤压 340 7.4.1 工艺优化 342 7.4.2 全面工艺优化所需的特性 343 7.4.3 工艺优化结果 345 7.5 专家系统 351 7.5.1 应用于挤压机的专家系统 353 7.5.2 典型系统描述 354 7.6 方面模具设计和修正 357 7.6.1 模具堆叠考虑因素 360 7.6.2 模具设计步骤 360 7.6.3 修改模具前要考虑的工艺因素 370 7.7 工具故障 374 7.7.1 特性 374 7.7.2 预防措施 374 7.8 废料损失 375 7.8.1 挤压损失 376
减少了1型糖尿病和神经病的成年人的灰质脑体积和皮质厚度
本文的目的是证明有关预测电化学迁移（ECM）引起的故障的案例研究，该迁移发生在印刷电路板上（PCB）。首先，提供了本研究中使用的栅极驱动程序PCB的简要介绍。在冷凝条件下，研究了在受弱有机酸（WOA）污染的PCB板上发生的电化学反应。基于Comsol，提出了一种方法来模拟电化学反应。要校准模拟中使用的参数，测量了表面绝缘电阻（SIR）上的泄漏电流（LC）。因此，执行了一个参数优化过程，以确保模拟LC匹配测量数据。为了验证所提出的方法，在门驱动器PCB上执行湿度测试。在测试中观察到的失败与模拟LC密度进行了比较，该密度被用作形成ECM的指标。最后，当PCB在实际操作条件下运行时，进行仿真。模拟确定可能发生在PCB上的可能发生的ECM路径。
通过自动化
近年来，由于能够从数据中提取模式并产生有价值的决策知识，因此对深度学习技术的使用已获得流行。深层神经网络的几种应用正在能量领域增长。建立越来越可持续的建筑物或工厂的挑战使使用机器学习技术来预测他们所需的能源需求并重新分配能源以避免浪费。在与可持续性有关的所有情况下，能源效率至关重要，并且使用深度学习技术可以准确预测能源需求，从而使能源系统能够根据需要将能源重新分配给客户。但是，在此类应用程序中要处理的数据量增加提出了重大挑战。深度神经网络变得越来越复杂，需要许多隐藏层来处理数据。此外，文献中的现有模型需要对超参数进行临时调整，以最大程度地提高准确性。为了解决这个问题，已经开发了几种技术来生成自动深度神经网络，以改善多元时间序列问题的性能，例如在能源需求预测的情况下。所有这些技术均表示为自动化机器学习（AUTOML）[1]，可以分为两种类型：神经体系结构搜索（NAS）和超参数优化（HPO）。神经体系结构搜索方法基于优化算法，以选择适合数据集的最佳神经网络体系结构，并避免过度适应以达到最佳模型精度。另一方面，超参数优化选择了最大化这种网络性能的神经网络体系结构的最佳超参数。可以将预测客户的能源需求（例如建筑物或工厂）的问题建模为多元时间序列，因为几个变量可能会影响所需能源的需求。在[2]中，已经证明了变量如何在多变量时间序列预测中相互影响，并且使用元神经算法可以帮助选择每个变量的最佳预测指标，从而提高预测的准确性。在这项研究工作中，我们采用了自动化机器学习算法，称为GP-NAS（通用神经架构搜索），发表在[3]中，设计了一种神经网络体系结构，可最大程度地提高医院设施中能源消费的性能[4]。我们的目标是展示如何在多元时间序列预测问题中使用我们的算法，从而为设计在该领域使用的深神经网络体系结构提供了宝贵的贡献。
用于参数化量子算子发现的混合多目标遗传规划
量子信息的处理由量子电路定义。对于当前量子设备上的应用，这些通常是参数化的，即它们包含具有可变参数的操作。设计这样的量子电路和聚合的高级量子算子是一项具有挑战性的任务，需要大量的量子信息理论知识，前提是可以通过分析找到多项式大小的解。此外，找到一个具有低计算成本的精确解决方案代表着一个重大的权衡，特别是对于当前一代量子计算机而言。为了应对这些挑战，我们提出了一种多目标遗传编程方法（与数值参数优化器混合）来自动合成参数化量子算子。为了证明所提出方法的优势，将其应用于混合量子经典算法的量子电路，然后与分析解决方案和非混合版本进行比较。结果表明，与非混合版本相比，我们的方法产生了更多样化的解决方案和更准确的量子算子，甚至达到了分析基线的质量。