XiaoMi-AI文件搜索系统
World File Search System反复试验
玻璃科学与技术领域的人工智能和机器学习：21 世纪的 21 个挑战
摘要 2000 多年来，玻璃一直是人类生活中不可或缺的一部分。尽管经过了数年的研究和分析，但有关玻璃的一些基本和实际问题仍未得到解答。虽然大多数早期方法都基于 (i) 专家知识和直觉、(ii) 爱迪生式的反复试验或 (iii) 物理驱动的建模和分析，但最近的研究表明，数据驱动技术（如人工智能 (AI) 和机器学习 (ML)）可以提供解决其中一些问题的新视角。在本文中，我们确定了玻璃科学中的 21 个重大挑战，这些挑战的解决方案要么是启用 AI 和 ML，要么是通过 AI 和 ML 加速玻璃科学领域的发展。这里提出的挑战包括与玻璃形成和成分-加工-性能关系相关的基本问题，以及玻璃制造中的自动缺陷检测等工业问题。我们相信，本文将激发读者的热情，探索这里概述的一些重大挑战，并发现更多可以推动玻璃科学、工程和技术领域发展的挑战。
风湿病学临床试验的变革
尽管靶向疗法在治疗炎性关节炎方面取得了成功，但由于缺乏预测性生物标志物，治疗分配只能采用“反复试验”的方法，导致反应不稳定和/或不令人满意。对类风湿性关节炎、银屑病关节炎和脊柱关节炎滑膜组织的深入表征，为这些疾病的多种细胞和分子特征及其与不同临床和治疗反应表型的潜在联系带来了新的见解。这种进展带来了通过将特定药物的使用与可能驱动特定患者群体中特定疾病亚型的同源靶向途径相匹配来提高反应率的诱人前景。需要创新的以患者为中心、以分子病理学为驱动的临床试验方法来实现这一目标。虽然显然正在取得进展，但必须强调的是，这一领域仍处于起步阶段，实现以患者为中心的临床试验的前提存在许多潜在障碍。
课程课程
强化学习和决策是一门三学分的课程，即强化学习和决策。强化学习是机器学习的一个子区域，与计算文物有关，通过经验来修改和改善其性能。强化学习的一个关键区别是用于训练模型的数据通常以模型本身通常收集的反复试验体验的形式出现。本课程重点介绍可以通过经典论文和最新工作的结合以编程方式学习控制政策的算法。它研究了它们存在的有效算法，以便单身和多代理计划以及从经验中学习近乎最佳决策的方法。主题包括马尔可夫决策过程；动态编程方法；基于价值的方法；马尔可夫决策过程部分可观察到；基于策略的方法；随机和重复的游戏；分散的部分可观察到的马尔可夫决策过程；和多代理方法。班级对概括，探索，表示和多代理系统的问题特别感兴趣。
从精神障碍的研究到临床应用
我们面临着将研究转化为精神病学临床应用的危机。因此，大多数诊断仍然基于观察者在临床实践中（而不是基于客观的神经元和/或心理标记）。更重要的是，治疗通常基于反复试验，因此，研究可能会产生生物标志物，以产生客观诊断和治疗性监测以及超出试验和错误的指导。然而，大多数研究，包括脑成像和分子，遗传和生化研究，尚未导致用于临床诊断和治疗的生物标志物。我们似乎错过了一些关键成分，这些成分将基本的病理学 - 逻辑机制与症状特定的方式联系起来。i在这里提出，缺失的链接是早期的精神科医生尤金·麦科夫斯基（EugèneMinkowski）被描述为基本或生成性障碍1：而不是主要原因，而是基本或生成性障碍在中间水平上起作用，这是产生这些病理生理机制的关键，这些病理学机制可以推动和导致各种心理病理学症状。让我首先进行类比和比较精神障碍与另一种疾病糖尿病（DM）的比较。
基于纳米颗粒的二进制混合物中结构颜色的机制
受鸟类物种的结构颜色的启发，已经开发出了各种合成策略，以使用纳米颗粒组件产生非虹彩，饱和的颜色。纳米颗粒混合物在颗粒化学和大小中有所不同，具有影响产生颜色的其他新兴特性。对于复杂的多组分系统，了解组装结构和强大的光学建模工具可以使科学家能够识别结构颜色的关系，并用量身定制的颜色制造设计师材料。在这里，我们将如何使用计算反向工程分析来从小角度散射测量中重建组装结构，用于散射实验方法，并在有限差异时计算中使用重建的结构来预测颜色。我们成功地，定量预测包含强烈吸收纳米颗粒的混合物中的实验观察到的颜色，并证明了单层分离的纳米颗粒对产生的颜色的影响。我们提出的多功能计算方法对于具有所需颜色的工程合成材料有用，而无需艰苦的反复试验实验。
基于深度强化学习的空间非合作物体主动跟踪
摘要——空间非合作物体的主动视觉跟踪对于未来智能航天器实现空间碎片清除、小行星探索、自主交会对接具有重要意义。然而，现有的工作通常将此任务视为不同的子问题（例如图像预处理、特征提取和匹配、位置和姿态估计、控制律设计）并单独优化每个模块，这些模块是琐碎且次优的。为此，我们提出了一种基于 DQN 算法的端到端主动视觉跟踪方法，称为 DRLAVT。它可以仅依靠彩色或 RGBD 图像来引导追逐航天器接近任意空间非合作目标，其性能明显优于采用最先进的 2D 单目跟踪器 SiamRPN 的基于位置的视觉伺服基线算法。使用不同的网络架构、不同的扰动和多个目标进行的大量实验证明了 DRLAVT 的先进性和鲁棒性。此外，我们进一步证明我们的方法确实通过数百次反复试验利用深度强化学习学习到了目标的运动模式。
AC Transit ZEB 推广计划
自 2000 年以来，AC Transit 一直致力于构建美国最全面的零排放公交车 (ZEB) 项目，最初专注于氢燃料电池技术，最近扩展到包括电池电动公交车。从 2003 年到 2018 年，AC Transit 领导着一个由联邦、州和地方合作伙伴支持的交通机构和行业利益相关者联盟；AC Transit 部署了三代 ZEB。每个阶段都教会我们如何改进 ZEB 技术的采购、运营和性能。在演示期间，AC Transit 记录了超过 320 万英里的零排放里程，同时超过了联邦交通管理局 (FTA) 和能源部 (DOE) 设定的许多性能目标，并创造了 ZEB 技术的新性能记录。通过反复试验和许多成长的烦恼，AC Transit 通过增强项目交付方法和持续的可持续维护实践改进了 ZEB 部署流程。AC Transit 现已进入 ZEB 部署的高级阶段。
计算发现具有最佳刚度阻止权衡的微观结构复合材料
僵硬与韧性之间的冲突是工程材料设计中的基本问题。，从未证明过具有最佳刚度阻止权衡取舍的微观结构化合物的系统发现，这受到模拟与现实之间的差异以及对整个Pareto阵线的数据有效探索之间的差异的阻碍。我们引入了一条可推广的管道，该管道将物理实验，数值模拟和人工神经网络集成以应对这两个挑战。没有任何规定的材料设计专家知识，我们的方法实现了嵌套循环提案验证工作流程，以弥合模拟到现实差距，并找到微观结构化的复合材料，这些复合材料僵硬而坚硬，具有较高的样品效率。对帕累托最佳设计的进一步分析使我们能够自动识别现有的韧性增强机制，这些机制以前是通过反复试验，错误或仿生物质发现的。在更广泛的规模上，我们的方法为除固体力学外的各种研究领域（例如聚合物化学，流体动力学，气象学和机器人学）提供了计算设计的蓝图。
Integrating Behavioral Cloning into a Reinforcement Learning pipeline
近年来，随着众多能够创造出具有智能剂的技术的兴起，增强学习（RL）的增长已经显着增长。每当我们提供合适的学习环境和明确定义的目标时，这些代理人就可以解决众多的顺序决策问题。尽管如此，在某些现实世界中应用这些算法仍然很困难：RL在很大程度上依赖奖励功能，并且这种信号的设计通常很麻烦。此外，RL的反复试验性质使其成为一种极其摄入的技术，在训练的第一个时期中具有接近随机的方式。这些限制使通过RL学习不适合现实世界环境，因为在这些情况下，低绩效行为是不可接受的，收集样本很昂贵（就时间或实际成本而言）。在某些情况下，专家们同意，要克服上面显示的challenges，它更容易演示DeSired行为，而不是手动设计它或尝试从头开始学习它。通过试图模拟给名的演示来进行学习过程称为模仿学习（IL）。此re-
奖励几乎是足够的
几个世纪以来，人类一直试图了解智力及其相关的机制，这些机制推动了我们的思维方式。有些人假设有不同类型的能力需要不同的信号或目标，包括学习，感知，社会智力，概括和模仿，但其他人则建议通过反复试验和错误学习以最大程度地提高奖励，这可以帮助发展包含所有这些能力的能力。在本文中，我们认为，尽管最大化奖励是发展各种能力范围的核心，但我们必须重新构架这些奖励的方式和制定这些奖励的方式，因为在增强学习中使用奖励的常规方法可能是令人难以置信的，并且在各种环境中都表现不佳，包括稀疏环境和嘈杂的奖励条件。我们建议需要对这些奖励进行改革，以纳入i）不确定性的不同概念，ii）人类偏好，iii）嵌套或混合的组成，iv）非平稳性，并说明v）无需奖励的情况。我们建议这样做可以使更强大的强化学习者成为迈向人工通用情报的一步。