XiaoMi-AI文件搜索系统
World File Search System学习率
QI-Space：太空领域的人工智能革命
我们知道，人类经常通过利用过去获得的不同经验和知识来学习，以改进新的、新颖的任务。迁移学习的本质与此类似，因为它允许将从一个来源学到的知识应用于解决另一个来源的新问题。迁移学习方法有望成为极其有用的方法，因为它可以通过成功运用从不同但相关的问题中获得的知识来大幅减少所需的训练量。迁移学习评估比较了学习率、初始优势和渐近优势等绩效指标。初始优势（或快速启动）是迁移导致的代理性能的初始提升。学习率是达到特定性能水平（尤其是渐近性能）所需时间的减少。（Klenk, M., Aha, DW, & Molineaux, M., 2011）。由于迁移学习能够从现有的实验和模拟数据中提取见解，因此对于面临未知因素和其他挑战的科学家来说，迁移学习是一种很有前途的工具。
在避免疼痛和寻求奖励期间加强学习中个体差异的神经相关性
抽象生物学会学会获得奖励并避免通过行动 - 结果关联进行惩罚。强化学习（RL）提供了一个关键的框架，通过评估学习率，行动偏见，Pavlovian因素（即，在刺激值的影响下）以及对成果的主观影响（即寻求奖励和惩罚）的主观影响，来理解这种关联学习中的个体差异。然而，这些个人级别指标在大脑中的代表如何仍然不清楚。当前的研究利用fMRI在健康的人类中和概率学习进行/不执行任务来表征学习涉及寻求奖励和避免疼痛的神经相关性。在行为上，参与者在避免疼痛期间与寻求奖励相比显示出更高的学习率。此外，结果对奖励试验的主观影响更大，并且与较低的响应随机性有关。我们的成像发现表明，在回避学习过程中学习率和表现精度的个体差异与背扣带扣带回皮质，中型皮层和中心后回的活性呈正相关。相比之下，在避免疼痛和寻求疼痛期间，帕夫洛维亚因子分别在上述回中心和上额回（SFG）中表示。通过激活左侧扣带回皮层的激活来积极预测结果的主观影响。最后，动作偏见由补充运动区域（SMA）和SMA代表，而SFG在限制这种行动趋势方面发挥了作用。，这些发现首次突出了RL期间计算过程中个体差异的神经底物。
经诊断的不灵活的学习动力学解释了抑郁症和精神分裂症的缺陷
奖励学习缺陷是许多精神障碍的核心症状。最近的工作表明，这种学习障碍是由于使用奖励历史来指导行为的能力而引起的，但是这些障碍出现的神经计算机制仍不清楚。此外，有限的工作采用了跨诊断方法来研究引起学习def ICIT的心理和神经机制是否在精神病理学形式上共享。为了洞悉此问题，我们通过结合计算模型Ling和单次试验的EEG回归，探索了被诊断出患有重力疾病的患者（n = 33）或精神分裂症（n = 24）和33个匹配的健康对照组。在我们的任务中，参与者必须整合刺激的奖励历史，以决定是否值得赌博。在此任务中的自适应学习是通过动态学习率来实现的，这些学习率在第一次遇到给定刺激的情况下是最大的，并且随着刺激重复的增加而衰减。因此，在学习过程中，选择偏好理想地稳定并且不易受到误导性信息的影响。我们显示了减少学习动态的证据，两个患者群体都表现出超敏的学习（即减少腐烂的学习率），使他们的选择更容易受到误导的反馈。此外，还存在精神分裂症特异性的方法偏见，并且对Disconfirma的反馈（事实损失和反事实胜利）的抑郁症特异性提高。两个患者组中的不灵活的学习因神经加工的改变而感到恐慌，包括对任何一个患者组的预期值都没有跟踪。综上所述，我们的结果提供了证据，表明减少逐审学习动力学反映了抑郁症和精神分裂症的融合缺陷。此外，我们确定了疾病独特的学习缺陷。
基于深度学习的飞机蒙皮内部情况识别
飞机蒙皮是飞机的重要组成部分，其完整性影响着飞机的飞行性能和安全性能。以超声无损检测为核心的损伤检测技术在飞机蒙皮损伤检测中发挥了重要作用。由于飞机蒙皮检测难度大，单纯依靠超声A扫设备检测效率很低，引入人工智能可以有效提高检测效率。本文建立了一维卷积神经网络与单发多框检测器网络，在SSD网络基础上利用空洞卷积提高超声探头的实时跟踪，同时引入1DCNN对超声A扫信号进行分类，最后将二者的检测结果结合起来实现对飞机蒙皮内部状况的反映。经测试，该算法可以识别蒙皮模拟试件，其识别准确率为96.5%，AP为90.9%，kappa值为0.996。将改进的SSD网络与SSD、YOLOv3、Faster R-CNN等网络进行对比，结果表明本文采用的改进网络更加优秀、有效；同时研究了四类优化算法、五种学习率的检测效果，最终得出对应的信号分类模型采用Adam，学习率为0.0001时效果最好。
表演探索生成预训练的变压器-2歌词生成
摘要。近年来，自然语言处理领域（NLP）发生了一场革命，文字一代在这一转变中起着关键作用。这种转变不仅限于技术领域，而且还无缝渗透了创意领域，一个很好的例子是歌曲歌词的一代。真正有效的生成模型，例如生成训练的预训练变压器（GPT）-2，需要进行微调作为关键步骤。本文利用了广泛参考的Kaggle数据集的鲁棒性，标题为“歌曲歌词”，仔细探讨了调节三个关键参数的影响：学习率，批处理大小和序列长度。数据集提出了一个引人入胜的叙述，该叙述将学习率视为最有影响力的决定因素，直接影响了产生的歌词的质量和连贯性。在增加批处理大小和扩展序列长度有望增强模型性能的同时，很明显，还有一个饱和点，超出该点的效果受到限制。通过此探索，本文旨在揭开模型校准的复杂世界，并强调战略参数选择在追求抒情卓越方面的重要性。
基于深度学习的飞机蒙皮内部状态识别
飞机蒙皮是飞机的重要部件，其完整性影响着飞机的飞行性能和安全性能。以超声无损检测为核心的损伤检测技术在飞机蒙皮损伤检测中发挥了重要作用。由于飞机蒙皮检测难度大，单纯依靠超声A扫设备检测效率很低。引入人工智能可以有效提高检测效率。本文建立了一维卷积神经网络和单发多框检测器网络，在SSD网络的基础上，利用空洞卷积提高超声探头的实时跟踪。同时引入1DCNN对超声A扫信号进行分类。最后将二者的检测结果结合起来，实现对飞机蒙皮内部状况的反映。经测试，该算法能够对皮肤模拟标本进行识别，其识别准确率为96.5%，AP为90.9%，kappa值为0.996。将改进的SSD网络与SSD、YOLOv3、Faster R-CNN等网络进行比较，结果表明本文采用的改进网络更加优秀、有效。同时研究了4类优化算法、5种学习率的检测效果，最终对应的信号分类模型采用Adam，学习率为0.0001时效果最好。
人工智能生成新颖的 3D 打印配方
配方开发是药物开发的关键步骤。该过程需要人类的创造力、独创性和对配方开发和加工优化的深入了解，这可能非常耗时。在此，我们测试了人工智能 (AI) 为三维 (3D) 打印创建从头配方的能力。具体来说，条件生成对抗网络 (cGAN) 是一种以创造力著称的生成模型，它在由 1437 种熔融沉积成型 (FDM) 打印配方组成的数据集上进行训练，这些配方是从文献和内部数据中提取的。总共探索了 27 种不同的 cGAN 架构，它们具有不同的学习率、批量大小和隐藏层数量参数，以生成 270 种配方。通过比较 AI 生成的配方和人类生成的配方的特点，发现具有中等学习率 (10 − 4 ) 的 cGAN 可以在生成新颖性和现实性兼具的配方方面取得平衡。使用 FDM 打印机制作了四种配方，其中第一个 AI 生成的配方已成功打印。我们的研究代表了一个里程碑，突出了 AI 承担创造性任务的能力及其彻底改变药物开发过程的潜力。
使用基于深度强化学习的引导进行航天器机器人捕获的实验室实验
术语 A = 动作空间 a = 动作 a ，b = 机械手长度属性，m B = 值分布箱的数量 C = 科里奥利矩阵 dt = 目标上的对接口位置，m E = 期望 h = 角动量，kg ⋅ m2 ∕ s I = 转动惯量，kg ⋅ m2 J = 总预期奖励 K = 参与者数量 L = 损失函数 l = 线性动量，kg ⋅ m ∕ s M = 质量矩阵 M = 小批量大小 m = 质量，kg N = N 步返回长度 N = 正态分布 p = 位置，m R = 重放缓冲区大小 r = 奖励 u = 控制力度 v = 速度，m ∕ s X = 状态空间 x = 总状态；特定状态，下标为 c 或 tx = x 方向的位置，m Y = 目标值分布 y = y 方向的位置，m Z ϕ = 具有参数 ϕ 的价值神经网络 α = 策略网络学习率 β = 价值网络学习率 γ = 未来奖励的折扣因子 ϵ = 权重平滑参数 π θ = 具有参数 θ ϕ 0 或 θ 0 的策略神经网络 = ϕ 或 θ ϕ 的指数平滑版本，q = 角度，度 σ = 探索噪声标准差 ω = 角速率，rad ∕ s
用...
摘要 - 传统的人工神经网络从生物网络中汲取灵感，使用神经元的节点层来传递信息进行处理。更现实的模型包括在神经网络中的尖峰，更贴近捕获电气特性。然而，很大一部分脑细胞是神经胶质细胞类型的，特别是星形胶质细胞被认为在执行计算中起作用。在这里，我们介绍了一个修改后的尖峰神经网络模型，并在神经网络中具有添加类似星形胶质细胞的单元，并评估它们对学习的影响。我们将网络作为液态机器实现，并任务网络执行混乱的时间序列预测任务。我们改变了网络中类似神经元和星形胶质细胞样单元的数量和比率，以检查后一种单元对学习的影响。我们表明，与神经和星形细胞网络相反，神经元和星形胶质细胞的结合对于推动学习至关重要。有趣的是，我们发现当类似星形胶质细胞样和神经元的单位之间的比率大约为2：1时，达到了最高的学习率，这反映了生物星形胶质细胞与神经元比率的一些估计值。我们的结果表明，在跨时间范围内代表信息的类似星形胶质细胞样单元可以改变神经网络的学习率，并且应将星形胶质细胞与神经元的比例适当地调整为给定的任务。