XiaoMi-AI文件搜索系统
World File Search System参数估计
sbmltoolkit.jl：用于将SBML导入SCIML生态系统
摘要：朱莉娅是一种通用编程语言，旨在简化和加速数值分析和计算科学。尤其是朱莉娅软件包的科学机器学习（SCIML）生态系统包括用于高性能符号数量计算的框架。它允许用户使用符号预处理和自动sparsifient和计算并行化来自动增强其模型的高级描述。此功能可以对微分方程，有效的参数估计以及具有神经微分方程的自动化模型发现的有效参数估计以及非线性动力学的稀疏识别。为了使系统生物学社区轻松访问SCIML，我们开发了sbmltoolkit.jl。sbmltoolkit.jl将动态SBML模型导入SCIML生态系统，以加速模型模拟和动力学参数的拟合。通过为计算系统生物学家提供容易访问开源的朱莉娅Ecosystevnm，我们希望能够促进该领域中进一步的朱莉娅工具的开发以及朱莉娅生物科学界的增长。sbmltoolkit.jl可根据麻省理工学院许可免费获得。源代码可在https://github.com/sciml/sbmltoolkit.jl上获得。
本杰明·迈克尔·博尔克
我是一名数学、统计和计算生物学家。我的兴趣包括宿主-寄生虫相互作用，尤其是毒力的进化；空间群落动态；广义线性混合模型；以及非线性动力学模型的参数估计和推断。我的工作是统计学和生态学之间的交叉领域，开发新方法，适当地考虑不确定性，并将统计摘要和估计与有意义的生态和进化参数联系起来。
对电化学电池和液体金属电池（LMB）参数开发的综述
摘要：液体金属电池（LMB）技术是一个由不同的经济和政治氛围所生的新研究领域，能够解决缺乏电力储能替代方案的社会的缺陷。美国政府已开始在其顶级工业和国家实验室资助学术研究工作。这是为了开发液态金属电池电池来存储解决方案。在冷战争取科学优势的战斗中，这项研究受到鼓励。密集研究随后朝着高能充电电池倾斜，该电池对汽车和其他应用更好。对电化学可充电全液体储能电池的发展进行了深入的研究。最近对各种应用的绿色能源转移和存储要求，范围从小规模到大型电源存储，增加了储能的进步和探索。通过锂离子电池，钠离子电池和液体金属电池的开发，已经满足了高能密度，低成本和广泛的能源存储的标准。这项研究的目的是确定液态金属电池技术可以提供研究概念，从而为LMB开发提供了可能利用的电极金属的预测。因此，在这项研究结束时，发现LI // CD-SB组合的参数估计对于LI //////////dd-bi，li-Bi和li-cd成分而言最可行。LMB参数估计的独特组成部分将为LMB开发带来更好的结果。
引用了原始发表的论文（记录的版本）：Tekden，A.，Erdem，A.，Erdem，E。等（2024）。对象和关系中心代表
推动是一项必不可少的非划算操作技能，用于任务，从预抓操作到场景重新排列，关于场景中的对象关系的推理，因此在机器人技术中广泛研究了推动动作。有效使用推动动作通常需要了解受操纵对象的动态并适应预测与现实之间的差异。出于这个原因，在文献中对推动作用进行了效果预测和参数估计。但是，当前方法受到限制，因为它们要么建模具有固定数量对象的系统，要么使用基于图像的表示，其输出不是很容易解释并迅速累积错误。在本文中，我们提出了一个基于图神经网络的框架，以根据触点或关节对对象关系进行建模，以效应预测和参数估计推动操作。我们的框架在真实和模拟环境中都得到了验证，这些环境包含不同形状的多部分对象，这些对象通过不同类型的关节和具有不同质量的对象连接，并且在物理预测上的表现优于基于图像的表示。我们的方法使机器人能够预测并适应其观察场景时推动动作的效果。它也可用于使用从未看过的工具进行工具操作。此外，我们在基于机器人的硬盘拆卸的背景下证明了杠杆起作的6D效应预测。
NACA/NASA 超音速飞行研究的精选示例
6 第 1 阶段：超音速飞行的障碍. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 可调式“全动式”稳定器. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... . . 20 第 2 阶段：地面设施数据和飞行数据的关联—集成 . . . . . . 20 超音速风洞模型与飞行阻力关联 . . . . . . . . . . . . 20 壁面干扰和柔韧性效应 . . . . . . . . . . . . . . . . . 22 “冷壁”实验：风洞与飞行的直接相关性....................................................................................................................27 飞行与风洞流动质量的相关性....................................................................................................................................................29 气动热结构研究....................................................................................................................................................................................29 ........................................................................................................................................................................30 34 参数估计：飞行与风洞模型数据关联的有力工具。。
评估量子估计的数据后处理
摘要 — 量子传感器是最有前途的量子技术之一，可以达到参数估计的极限精度。为了实现这一点，需要完全控制和优化传感器硬件部分的构成，即探测状态的准备和要执行的测量的正确选择。然而，对于软件组件也必须仔细考虑：必须采用一种策略来找到所谓的最佳估计量。在这里，我们回顾了在无限和有限资源的情况下寻找最佳估计量的最常用方法。此外，我们尝试通过概率分布的高阶矩对估计量进行更完整的表征，表明大多数信息已经由标准界限传达。
基于模型的机器学习-GergőBognár
4。隔室建模隔室建模是一种广泛使用的技术，例如在生理过程中建模材料流，并且疾病在流行病学中扩散。在数学角度，需要解决系统识别问题，其中需要根据系统的输出来识别动态模型的参数。这些模型也与可变投影和小波有关，这激发了VPNET和Waveletkernelnet的应用。任务是对隔室模型的模拟，以及具有基于模型的神经网络的参数估计。长期目标是对实际动态PET测量的验证该方法。进一步阅读：[7]
比较遗传算法（GA）和粒子群优化（PSO），用于估计易感暴露感染的（SEIR）模型PAR
背景：用于分析疾病扩散的最常用的数学模型是易感暴露感染的回收（SEIR）模型。此外，SEIR模型的动力学取决于几个因素，例如参数值。目标：本研究旨在比较两种优化方法，即遗传算法（GA）和粒子群优化（PSO），以估算SEIR模型参数值，例如感染，过渡，恢复和死亡率。方法：将GA和PSO算法与SEIR模型的估计参数值进行了比较。适应性值是根据累积阳性covid-19病例的实际数据与从seir covid-19模型解决方案的案例数据之间的误差计算得出的。此外，使用四阶Runge-kutta算法（RK-4）计算了CoVID-19模型的数值解，而实际数据是从印度尼西亚雅加达省正Covid-19 Case的累积数据集获得的。然后使用两个数据集比较每个算法的成功，即数据集1，代表COVID-19的扩展的初始间隔和数据集2，该间隔代表一个间隔，其中COVID-19 Case Case较高增加。结果：估计四个参数，即由于疾病引起的感染率，过渡率，恢复率和死亡率。在数据集1中，当值= 0.5时，GA方法的最小误差（即8.9％）发生，而PSO的数值误差为7.5％。在数据集2中，GA方法的最小误差，即31.21％，当时发生在= 0.5时，而PSO的数值误差为3.46％。结论：基于数据集1和2的参数估计结果，PSO比GA具有更好的拟合结果。这表明PSO对所提供的数据集更健壮，并且可以更好地适应Covid-19-19的流行病的趋势。关键字：遗传算法，粒子群优化，SEIR模型，COVID-19，参数估计。文章历史记录：2024年2月12日，2024年5月17日第一个决定，2024年6月20日接受，在线获得2024年6月28日
融合粒子群优化和统计算法的混合模型拟合方法∗
软件可靠性增长模型 [1] 适用于与测试期间经历的故障相关的时间序列数据，以预测达到所需故障强度或故障间隔时间等指标。从历史上看，人们采用了牛顿法等数值算法，这些算法需要良好的初始参数估计，因此应用 SRGM 需要高水平的专业知识。最近克服传统数值方法不稳定性的方法包括群体智能 [2] 等技术，它表现出强大的全局搜索能力。然而，这些技术可能需要大量的计算资源和时间来收敛到精确的最优值，这对 SRGM 很重要，因为一些模型参数对其他参数的精确估计非常敏感。此外，过去大多数应用群体智能的研究