XiaoMi-AI文件搜索系统
World File Search System可观察的
计算机科学 P-301（人工智能）填空
图灵测试及其要求：1. 什么是图灵测试，为什么它在人工智能领域具有重要意义？2. 描述机器成功通过图灵测试必须满足的关键要求。3. 讨论图灵测试作为人工智能智能衡量标准的批评和局限性。4. 自然语言理解和沟通技巧如何在图灵测试中发挥作用？5. 你能在图灵测试的背景下解释艾伦图灵提出的“模仿游戏”概念吗？6. 提供尝试通过图灵测试的聊天机器人或人工智能系统的例子和结果。7. 解释图灵测试如何区分强人工智能和弱人工智能。8. 将图灵测试与评估人工智能智能的其他方法进行比较和对比。9. 图灵测试在评估人工智能研究进展方面起着什么作用？环境及其特征：10. 在人工智能和机器人技术的背景下定义环境是什么。 11. 讨论传感器在 AI 代理感知环境中的作用。 12. 解释 AI 背景下完全可观察环境的概念。 13. 描述确定性环境和随机性环境之间的区别。 14. 什么是环境动态，它如何影响 AI 代理的行为？ 15. 讨论情景环境的概念并提供示例。 16. 如何在 AI 应用程序中处理部分可观察的环境？
神经模拟：描绘人文学科描绘大脑
神经科学的心理功能可视化描绘了什么？本文认为，从圣地亚哥·拉蒙·卡哈尔的钢笔和水墨画开始，神经科学成像就属于模仿传统，即处理现实的艺术表现。卡哈尔的锥体神经元和神经胶质细胞的标志性图像令人惊讶地表明了一种描绘大脑和思维的非现实主义方法，从而在人文学科和神经科学之间开辟了新的方法论联系。其中，美学作品提供了神经科学模仿实践的视角，深入了解了使原本不可见的心理现象可观察的表现策略。这种方法引起了人们对隐喻在神经科学研究中的作用的必要关注。它还重新构想了跨学科学术研究如何与艺术作品互动。虽然人们通常从神经科学内容的角度来解读以大脑和/或心灵为特色的人文物品，但像本文探讨的《无头女人》（La mujer sin cabeza，导演：Martel，2008）这样的电影表明，这样做很容易抑制具有更大解释力的解读。卡哈尔的图像和马特尔的电影共同帮助阐述了一种新的方法论范式——不同于神经心理分析——将美学物品定位为一种长期被忽视的大脑研究工具，因为它（而不是尽管）投入了想象力。
通过部分监督的强化学习
抽象的深入强化学习表明，在视频游戏，机器人控制，官方驾驶和药物发现等不同领域的跨不同领域取得了巨大的成就。部分可观察的域中的常见方法在很大程度上倾向于从高维观测（例如图像）中端到端学习，而没有明确推理真实状态。我们提出了一个替代方向，引入了部分规定的加固学习（PSRL）框架。PSRL的核心是受监督和无监督学习的融合。该方法利用州估计器从高维观测中提取监督的语义状态信息，这些观察通常在培训时完全可用。这产生了更容易解释的政策，这些政策由控制构成状态预测。并行，捕获了一个无透视的潜在表示。这两个 - 语义状态和潜在状态 - 然后融合并用作策略网络的输入。这种并置为从业者提供了灵活而动态的范围：从强调监督的状态信息到整合富裕的潜在见解。广泛的实验结果表明，通过合并这些双重表示，PSRL提供了有效的平衡，增强了模型，可以在保存的同时使用，并且通常明显胜过表现，这是通过奖励和收敛速度以传统方法设定的性能基准。
神经人体工程学与飞行安全 - ISAE-SUPAERO
从人为因素到神经人体工程学 众所周知，人为因素是核能、太空探索、医学或航空等许多关键领域发生事故和灾难的一个原因。就航空运输而言，估计约有 60% 至 80% 的航空事故涉及人为失误。自第二次世界大战以来，人为因素研究蓬勃发展。在航空领域，早期研究侧重于驾驶舱的设计（控制、显示……）以及高度和环境因素对飞行员的影响。随着计算机化驾驶舱的复杂性不断增加，研究越来越多地集中在操作员的认知上（例如心理需求）。此外，单人飞行员操作和地面驾驶的新发展构成了新的挑战，需要进行广泛的研究。因此，在 20 世纪，人为因素和人体工程学方法不断发展。传统上，人机交互分析主要侧重于主观和可观察的行为，以研究现场的人类工作。尽管这种方法为取得巨大进步铺平了道路，尤其是当观察结果导致描述性建模时，但飞行员大脑功能的一个重要部分仍然未知。自 21 世纪初以来，神经人体工程学（神经科学、认知工程和人为因素的交叉学科）通过研究人与技术交互之间相互作用背后的大脑机制，提供了一种替代方法来进一步扩展我们对可观察行为的理解。因此，在人为因素的连续性中，神经人体工程学的主要目标是通过使系统设计适合人脑来增强人与技术的耦合，并通过提供帮助、加强培训或改进操作员选择来支持活动。
MSW 基础教育学习计划
社会工作教育委员会 (CSWE) 为经认证的专业课程中的社会工作学生确定了九项核心能力。德克萨斯州立大学社会工作学院遵循这些能力和实践行为，以指导在实地实习中完成的活动并评估社会工作学生在实现能力方面的进展。实地教育学习计划确定了支持学生发展专业社会工作实践的实地实习活动，并为实地评估中概述的学生能力水平评估提供信息。这是一份工作文件，用于指导学生在实地实习中的实习活动。教育学习计划由学生、实地指导老师和/或任务主管（如适用）共同制定，为专业实践能力的开发和展示提供基础。参与这些活动将为学生最终实地评估中的能力评级提供支持证据。现场联络员可根据需要提供支持此计划的制定。这些社会工作实践活动针对具体地点，并根据个人情况进行，旨在促进学生的成功职业发展。期望学生拥有各种体验，以便通过可观察的行为（亲自或远程）对他们进行评估。学生在实现社会工作实践行为方面的进展将通过最终评估进行评估，以展示学生在社会工作实践中应用知识、价值观、技能以及认知和情感过程的熟练程度。
Div conherence意味着信息增益
deconmenon的现象 - 我们将其定义的意思是减少量子系统密度矩阵的量化元素的幅度，在某些可观察到的一些首选的量子系统中，毫无疑问，毫无疑问，这是过去量子机械化的基础中最重要的概念发展。尽管辩论一直在辩论是否本身是否解决了测量问题[1，2]，但它确实提供了对系统与环境相互作用时可能发生的量子系统转化性质的深刻见解[3-6]。被广泛认为，将变形表示从系统到其环境的信息损失[7，8]。在这里，我们挑战了这种观点，实际上表明了消融性是关于信息从环境中流入系统而不是相反的信息。我们的结果是一般的，独立于系统环境相互作用的确切性质。纸张的组织如下。首先，我们研究了传统的观点，即消毒意味着信息丢失。al-尽管这种广泛持有的观点是基于似乎是令人信服的推理线，但我们指出，传统论点中有一些广告，当纠正时，这会导致相反的结论。通常的观点是，由于系统的von Neumann熵随着系统的变化而增加，因此这意味着信息从系统中丢失。问题是von Neumann的熵不涉及发生折叠发生的首选基础。这个我们表明，如果量子系统的状态在基于首选的可观察到的基础上获得有关其扩展的信息，则系统的密度矩阵必然在可观察的基础上进行分解。
使用大语言模型
在复杂环境中的机器人导航仍然是一项关键的研究挑战。值得注意的是，由于四足机器人的地形适应性和移动敏捷性，四足动导航已取得了重大进展。但是，传统的导航任务将机器人限制在预定义的自由空间中，并专注于避免障碍物，从而限制了它们在更具挑战性的环境中的适用性，例如缺乏可行的目标途径的场景。我们提出了一种交互式导航方法，该方法利用敏捷四足动物的运动来适应各种地形并与环境互动，更改工作区以应对开放且复杂的环境中挑战性的导航任务。我们提出了一棵原始树，用于使用大语言模型（LLM）的高级任务计划，从而促进了长期任务的有效推理和任务分解。树结构允许添加动态节点和修剪，从而对新观测值进行自适应响应，并在导航过程中增强鲁棒性和实时性能。对于低级运动计划，我们采用强化学习来预先培训技能库，其中包含复杂的运动和互动行为，以执行任务。此外，我们引入了一种基于认知的重型方法，该方法由顾问和树木师组成，以应对实时自我的观察。该提出的方法已在多个模拟场景中得到了验证，该方法在不同的情况下阐明了其在各种情况下的有效性和在部分可观察的条件下的实时适应性。
基于分布式传感器和深度学习的大型空间天线结构健康监测研究
摘要：大多数现代地球和宇宙观测航天器现在都配备了大型轻便灵活的结构，例如天线、望远镜和可扩展元件。承载更复杂、更大的附件的趋势对于高精度科学应用至关重要，这使得轨道卫星更容易因结构损坏而导致性能损失或性能下降。在这种情况下，结构健康监测策略可用于评估卫星子结构的健康状况。然而，特别是在分析大型附件时，传统方法可能不足以识别局部损坏，因为它们通常会在系统动力学中引起不太可观察的变化，但会导致有效载荷数据和信息的相关丢失。本文提出了一种深度神经网络来检测故障并研究传感器对在大型网状反射器天线上承载分布式加速度计网络的轨道卫星的损伤分类的灵敏度。传感器获取的时间序列是使用完全耦合的 3D 模拟器生成的，该模拟器模拟柔性卫星的在轨姿态行为，其附件采用有限元技术建模。然后使用在复合场景中收集的传感器响应对机器学习架构进行训练和测试，该场景不仅包括结构元素的完全失效（结构断裂），还包括中等程度的结构损坏。所提出的深度学习框架和传感器配置被证明可以准确检测最关键区域或结构的故障，同时为几何特性和传感器分布开辟了新的研究可能性。
将投射意识模型和虚拟人类结合起来进行沉浸心理学研究：模拟TOM评估的概念证明
将明确的心理机制和可观察的行为与心理和行为科学的核心目的有关。挑战之一是理解和模拟意识的作用，尤其是其主观的观点是行为治理中内部的代表性（包括社会认知）。朝向这个目标，我们将投射意识模型（PCM）的原理实现为体现为虚拟人类的人造代理，从而扩展了该模型的先前实现。我们的目标是纯粹基于模拟提供概念验证，作为未来方法论框架的基础。其总体目的是在虚拟现实中的实验背景下，基于与意识研究相关的模型来评估人类参与者中隐藏的心理参数。作为方法的例证，我们专注于模拟心理理论（TOM）在选择方法和回避行为中的作用（TOM），以优化对代理人偏好的满意度。我们在虚拟环境中设计了一个主要实验，可以与真正的人类一起使用，使我们能够将行为分类为汤姆的秩序，直至第二阶。我们表明，使用PCM的试剂在本实验中表现出具有TOM一致参数的预期行为。我们还表明，代理可以用来正确估计彼此的汤姆顺序。此外，在补充实验中，我们证明了代理如何同时估计TOM的顺序以及归因于其他人以优化行为结果的偏好。未来的研究将在虚拟现实实验中通过经验评估和微调实际人类的框架。
通过活性自旋团簇测量退相干效应下的量子信息扰乱动态
开发量子技术需要控制和理解多体系统中量子信息的非平衡动力学。局部信息通过创建复杂的关联（称为信息扰乱）在系统中传播，因为此过程阻止从局部测量中提取信息。在这项工作中，我们开发了一个改编自固态 NMR 方法的模型来量化信息扰乱。扰乱是通过时间反转 Loschmidt 回波 (LE) 和多重量子相干实验来测量的，这些实验本质上包含缺陷。考虑到这些缺陷，我们推导出非时间序相关器 (OTOC) 的表达式，以基于测量信息传播的活跃自旋数量来量化可观察的信息扰乱。基于 OTOC 表达式，退相干效应自然是由 LE 实验中未反转项的影响引起的。退相干会导致可测量程度的信息扰乱的局部化。这些效应定义了可观测的活跃自旋数量的局部化簇大小，从而确定了动态平衡。我们将模型的预测与使用固态 NMR 实验进行的量子模拟进行了对比，该实验测量了具有受控缺陷的时间反转回波的信息扰乱。从实验数据确定的量子信息扰乱的动态和其局部化效应之间具有极好的定量一致性。所提出的模型和派生的 OTOC 为量化大型量子系统（超过 10 4 个自旋）的量子信息动态提供了工具，与本质上包含缺陷的实验实现一致。