XiaoMi-AI文件搜索系统
World File Search System参数化
数据驱动参数化中的数据不平衡，不确定性定量和转移学习：WACCM中重力波动量传输的经验教训
抽象的神经网络（NNS）越来越多地用于天气和气候模型中数据驱动的亚网格尺度参数化。虽然NNS是从数据中学习复杂的非线性关系的强大工具，但将它们用于参数化存在一些挑战。这些挑战中的三个是（a）与学习稀有（通常是大振幅）样本有关的数据失衡； （b）预测的不确定性定量（UQ）提供精确指标； （c）对其他气候的概括，例如那些具有不同辐射的刺激的气候。在这里，我们使用基于整个大气的社区气候模型（WACCM）物理学的重力波（GW）参数化来解决这些挑战的方法的性能。WACCM具有地讲，对流和前驱动的GWS的复杂状态，对对流和前驱动的GWS。对流和地形驱动的GWS由于在大多数网格点缺乏对流或地球而具有显着的数据失衡。我们使用重采样和/或加权损失功能来解决数据不平衡，从而成功地模仿了所有三个来源的参数化。我们证明了三种UQ方法（贝叶斯NN，变异自动编码器和辍学器）提供了与测试过程中准确性相对应的集合差，提供标准，用于识别NN何时给出不准确的预测。最后，我们表明这些NN的准确性降低了温暖的气候（4×CO 2）。但是，通过应用转移学习，仅使用约1％的新数据从温暖的气候中重新训练一层，从而显着提高了它们的性能。这项研究的结果为开发可靠且可推广的数据驱动参数的各种过程（包括（但不限于）GWS）提供了见解。
用于估计分布度量的参数化量子电路
抽象量子计算是一个新的令人兴奋的领域，有可能解决一些世界上最具挑战性的问题。当前，随着量子计算机的兴起，主要挑战是创建量子算法（在量子物理学的限制下），并使不是物理学家的科学家可以使用它们。本研究提出了一个参数化的量子电路及其在估计离散值向量的分布度量时的实现。可以从这种方法中得出各种应用程序，包括信息分析，探索性数据分析和机器学习算法。此方法在提供对量子计算的访问并使用户可以在无量子物理学的情况下运行它是独一无二的。在数据集和具有不同参数的五个离散值分布上实现并测试了所提出的方法。结果显示了使用量子计算的经典计算与提出的方法之间的高度一致性。数据集获得的最大误差为5.996％，而对于离散分布，获得了5％的最大误差。
干燥大气边界层的生成对流参数化
抽象的湍流参数将仍然是公里尺度地球系统模型中必要的构建块。在对流边界层中，其中保守特性（例如潜在温度和水分）的平均垂直梯度大约为零，标准的ANSATZ将湍流通量与涡流扩散率的平均垂直梯度相关联，必须通过质量 - 浮力参数来扩展典型的非元素和降低的质量上流和下向大气边界层。我们提出了基于生成对抗网络的干燥和瞬时增长的对流边界层的参数化。训练和测试数据是从三维高分辨率直接数值模拟获得的。模型结合了自同性恋层生长的物理学，随后是通过重生化的经典混合层理论。这增强了生成机器学习算法的训练数据库，因此显着改善了在地面层上方边界层内部不同高度的合成生成的湍流场的预测统计数据。与随机参数的不同，我们的模型能够预测不同高度的浮力波动，垂直速度和浮力通量的高度非高斯和短暂性统计，从而捕获了最快的热量渗透到稳定的顶部区域。我们的生成算法的结果与标准的双方程质量 - 舒适方案一致。我们的概念证明也为在其他自然流中有效的数据驱动对流参数铺平了道路。目前的参数化还提供了湍流对流的颗粒型水平组织，这在其他模型封闭中均无法获得。
比较参数化和自由敏感的诉讼 -
分子在强或超长的光耦合下构成了一种有趣的途径，以改变化学结构，性质和反应性。对此类系统的严格理论处理需要在相同的量子机械基础上处理物质和光子自由度。在分子电子强或超长耦合到一个或几个分子的状态下，希望使用量子量子化学的工具来处理分子电子度自由度，从而产生一种方法，该方法被称为Ab Initio量子量子量子量动力量动力（AI-QED），在该量子量子量子量子（AI-QED）中，该方法是光子的自由度。在这封信中，我们分析了AI-AQED的两种互补方法：（1）参数化的CQED（PQED），这是一种两步的方法，其中使用现有的电子结构理论计算了自由度，从而实现了严格的AI-QED Hamiltonians在许多基础上的构建，以多种电子方式来构建（2）cqsent efersonics selfsissics cqQQQQQQQQQQQQQQQQQQQQQQQQQESENT cq QQQQQQQQESEND cq QQQQQQESENT SERVENSINS（2）CQQQQQQQQQQQQESENT（2）CQQQQQQQQQQESENT（2）结构方法被推广为包括电子自由度和光子自由度之间的耦合。尽管这些方法在它们的确切限制上是等效的，但我们确定了在PQED方法中出现的两体偶极子自动能源运算符的投影与SCQED方法中的确切对应物之间的差异。我们提供了一个理论上的论点，即这种差异仅在完整的轨道基础和完整的多电子基础的限制下解决。我们提出的数值结果突出了这种差异及其在简单分子系统中的分辨率，在那里可以同时接近这两个完整的基础限制。此外，我们检查并比较了将每种方法融合到完整轨道和多电子基础所需的计算成本的实际问题。
推进力场参数化有向图 - ...
原子特征 大小(38) 描述 原子符号 11 [UNK、H、C、N、O、F、P、S、Cl、Br、I] (one-hot) 键度 6 共价键数 [0、1、2、3、4、5] (one-hot) 形式电荷 7 [-3、-2、-1、-0、1、2、3] (one-hot) 杂化 8 [未指定、s、sp、sp2、sp3、sp3d、sp3d2、其他] (one-hot) 手性 4 [未指定、四面体 CW、四面体 CCW、其他] (one-hot) 环 1 原子是否在环中 [0/1] (one-hot) 芳香性 1 原子是否属于芳香系统 [0/1] (one-hot) 键特征 大小(12) 描述 键类型 4 [单键、双键、三键、芳香] (one-hot) 共轭1 键是否为共轭键 [0/1] (one-hot) 环 1 键是否在环中 [0/1] (one-hot) 立体类型 6 [StereoNone, StereoAny, StereoZ, StereoE, Stereocis, Stereotrans] (one-hot)
数据驱动的可参数化生成对抗网络，用于合成数据的增强超声波传感器信号
在复合材料（例如纤维金属层压板（FML））中检测并表征隐藏的损害仍然是一个挑战。引导的超声波（GUW）或X射线影响通常用于检测这些损害，但它们的解释仍然存在，在非破坏性测试（NDT）和结构健康监测（SHM）中也是如此。数据驱动的预测指标模型可以检测与GUW时间相关信号的结构中的损害，但是实验训练数据缺乏差异，统计强度和超参数空间的质量覆盖率。通常会经历心理数据缺乏目标参数的基础真理注释。综合数据通常是创建强大而广义的损害预测模型的唯一解决方案。可以使用基于模型，模型辅助或无模型方法生成合成传感器数据。然而，通过应用有限元方法或求解字段方程式通过数值计算的GUW信号表明，由于过多的约束和简化，尤其是在非同质的材料，复合材料和层板的情况下，由于过多的约束和简化而显示出差的现实统计。数据驱动的生成模型的最新发展，例如生成对抗（神经）网络（GAN）[1]，通常是由大量生成过程驱动的，包括确定性样式矢量以生成特定信号数据[2] [2]，确定损坏大小，位置，位置，定位，传递器位置，材料，材料，材料，材料，材料，材料，材料。这些新体系结构旨在通过使用
通过参数化的软演员 - 批判性的杂种动作空间
摘要：本研究重点是自动驾驶，自主车道变化领域的关键任务。自主车道变更在改善交通流量，减轻驾驶员负担和降低交通事故风险方面起着关键作用。然而，由于车道变化场景的复杂性和不确定性，自主巷变化的功能仍然面临着挑战。在这项研究中，我们使用深钢筋学习（DRL）和模型预测控制（MPC）进行了自主巷更换模拟。具体而言，我们使用参数化的软侵略者 - 批评（PASAC）算法来训练基于DRL的车道变化策略，以输出离散的车道更换决策和连续的纵向车辆加速度。我们还基于不同车道的最小预测汽车跟踪成本来选择车道选择。首次比较了在变化决策的背景下DRL和MPC的性能。模拟结果表明，在相同的奖励/成本功能和交通流下，MPC和PASAC的碰撞率为0％。PASAC在平均奖励/成本和车辆速度方面表现出与MPC相当的性能。
过度参数化机器学习中的简单偏见
仍然缺乏对深网（和其他过度参数模型）令人惊讶的发生能力的彻底理论理解。在这里，我们证明了模拟性偏差是在过度参数化机器学习中不可忽视的主要现象。除了解释简单性偏见的结果外，我们还研究了它的来源：遵循具体的严格示例，我们认为（i）模拟偏见可以解释在过度参数化学习模型（例如神经网络）中的概括； （ii）正如我们的示例所示，简单性偏差和出色的概括是与优化器无关的，尽管优化器会影响培训，但它并不是简单性偏见的动力； （iii）在训练模型中的模拟偏差和随后的后代是普遍的，并且源于一个微妙的事实，即统一的随机构造的先验不是统一的统一性； （iv）在神经网络模型中，宽（和浅）网络中的偏见机器与深（和狭窄）网络中的偏置机制不同。
用于比较算法组件的参数化任务图计划算法
摘要 - 在异质计算网络上运行的分布式应用程序在分布式计算中是一个基本问题（NP-HARD）问题，在过去的几十年中，已经提出了许多启发式算法。这些算法中的许多算法都属于列表安排范式，因此该算法首先计算任务的优先级，然后将它们贪婪地安排在最小化某些成本函数的计算节点上。因此，许多算法仅在几个关键组件中彼此不同（例如，它们优先级任务，其成本功能，算法考虑将任务插入部分完成时间表等）。在本文中，我们提出了一种广义列表安排算法，该算法允许混合和匹配不同的任务优先级和贪婪节点选择方案，以产生72个独特的算法。我们在四个数据集上对这些算法进行基准测试，以研究不同算法组件对性能和运行时的个体影响。索引项 - 安排，任务图，工作流程，基准测试