XiaoMi-AI文件搜索系统
World File Search System学习率
基于学习的深度涡流粘度建模，用于改善虚张声势的风压
准确预测建筑物的风压对于设计安全有效的结构至关重要。现有的计算方法，例如Reynolds-平均Navier-Stokes（RANS）模拟，通常无法在分离区域准确预测压力。本研究提出了一种新型的深度学习方法，以增强涡轮闭合泄漏范围内的涡流建模的准确性和性能，尤其是改善了虚张声板体空气动力学的预测。经过大型涡流模拟（LES）数据的深度学习模型，用于各种虚张声势的身体几何形状，包括扁平屋顶的建筑物和前进/向后的台阶，用于调整RANS方程式中的涡流粘度。结果表明，合并机器学习预测的涡流粘度可显着改善与LES结果和实验数据的一致性，尤其是在分离气泡和剪切层中。深度学习模型采用了一个神经网络体系结构，具有四个隐藏层，32个神经元和Tanh激活功能，该功能使用ADAM优化器进行培训，学习率为0.001。训练数据由LES模拟组成，用于向前/向后面向宽度比率为0.2至6的步骤。研究表明，机器学习模型在涡流粘度方面达到了平衡，从而延迟了流动的重新安装，从而比传统的湍流闭合（如K-ωSST和K-ε），导致更准确的压力和速度预测。灵敏度分析表明，涡流粘度在控制流，重新分布和压力分布中的关键作用。此外，研究强调了RANS和LES模型之间的涡流粘度值的差异，从而强调了增强湍流建模的需求。本文提出的发现提供了实质性的见解，可以告知针对工程应用程序量身定制的更可靠的计算方法，包括结构性设计的风负荷考虑以及不稳定空气动力学现象的复杂动态。
自闭症的虚拟现实：解锁学习和成长
在自闭症谱系障碍领域（ASD）中，与尖端技术（尤其是虚拟现实（VR））的动态交集已成为教育和治疗性干预措施的开创性途径。ASD以社会交流和重复行为的困难为特征，在导航日常社交互动方面提出了独特的挑战（美国精神病学协会，DSM-5 TOMPLECT，2013年）。最近，技术创新（尤其是虚拟现实）的利用情况显着提高，以解决自闭症谱系障碍患者的各种要求（Burdea和Coi效率，2017年； Glaser和Schmidt，20222）。自闭症和技术共生的新兴领域有望以量身定制和令人鼓舞的方式改善社会，认知和语言能力。vr是在现代时期快速扩张的关键参与者，在那里信息和通信技术系统（ICT）正在策划整个部门的破坏性变化（乌卷，2020年）。其根源在计算机图形上，虚拟现实（VR）为虚拟环境中的用户提供丰富的感官体验。沉浸式VR（IVR）系统，例如头部安装的显示（HMD），对VR的出现做出了重要贡献，尤其是在医疗保健领域。学术界逐渐探索了IVR在医疗保健中的使用，目的是提高学习率并解决与ASD这样的与神经发育障碍有关的特定问题。IVR的优势与ASD的人的特征很好，例如他们对技术的天生热爱，出色的视觉回忆和对视觉空间信息的敏感性提高（Glaser and Schmidt，2022; Schmidt et el。，Schmidt等，2021b）。通过减少社交焦虑并促进现实，适应性的虚拟世界中的教学，这项技术促进了受监管且可重复的学习环境（Zhang等，2022； Karami等，2021； Parsons，2016）。文献强调了针对IVR作为ASD患者的关注IVR的研究激增，强调了其对解决该疾病核心症状的深远影响（Bozgeyikli等，2018; Miller and Bugnariu，2016; Lorenzo et al。，2019年）。然而，IVR的效果取决于其与精心设计的学习策略的整合，强调需要采取整体方法来利用这种变革技术对自闭症谱系中的个人的潜力。
人工智能与机器学习 IV 年级课程大纲
神经网络与深度学习 B.Tech. IV 第一年 学期 LTPC 3 0 0 3 课程目标： 介绍人工神经网络的基础知识 获取有关深度学习概念的知识 学习各种类型的人工神经网络 获取应用优化策略的知识 课程成果： 能够理解神经网络的概念 能够选择学习网络来建模现实世界系统 能够使用有效的深度模型算法 能够将优化策略应用于大规模应用 UNIT-I 人工神经网络简介、ANN 的基本模型、重要术语、监督学习网络、感知器网络、自适应线性神经元、反向传播网络。联想记忆网络。模式关联的训练算法、BAM 和 Hopfield 网络。 UNIT-II 无监督学习网络-简介，固定权重竞争网络，Maxnet，Hamming 网络，Kohonen 自组织特征映射，学习矢量量化，反向传播网络，自适应共振理论网络。特殊网络-各种网络的介绍。 UNIT - III 深度学习简介、深度学习的历史趋势、深度前馈网络、基于梯度的学习、隐藏单元、架构设计、反向传播和其他微分算法 UNIT - IV 深度学习的正则化：参数范数惩罚、范数惩罚作为约束优化、正则化和欠约束问题、数据集增强、噪声鲁棒性、半监督学习、多任务学习、早期停止、参数类型化和参数共享、稀疏表示、Bagging 和其他集成方法、Dropout、对抗性训练、切线距离、切线 Prop 和流形、切线分类器 UNIT - V 训练深度模型的优化：神经网络优化中的挑战、基本算法、参数初始化策略、具有自适应学习率的算法、近似二阶方法、优化策略和元算法应用：大规模深度学习、计算机视觉、语音识别、自然语言处理教科书：1. 深度学习：麻省理工学院出版社出版的书籍，作者：Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 2. 神经网络和学习机器，Simon Haykin，第 3 版，Pearson Prentice Hall。
Div de-Novo驯化用于提高农作物的盐耐受性
摘要目的：多发性磁共振（MR）图像的存在增加了可用于诊断和治疗脑癌患者的临床信息水平。但是，获取完整的多元图像MR图像的完整集并不总是可行的。在这项研究中，我们开发了一种最先进的深度学习卷积神经网络（CNN），用于跨三个标准的MRI对比度，用于大脑的三个标准MRI对比度。方法：在本研究中使用了477例临床诊断患有神经胶质瘤脑癌的477例患者的BRATS'2018 MRI数据集，每位患者患有T1加权（T1），T2加权（T2）和FLAIR对比度。分别将其分别分为64％，16％和20％，分别为培训，验证和测试集。我们开发了一个U-NET模型，以学习与三个MRI对比度的目标图像对比的源图像的非线性映射。使用于点误差（MSE）成本函数，0.001学习率的ADAM优化器和120个时期，批次大小为32。通过计算MSE，平均绝对误差（MAE），峰值信噪比（PSNR）和结构相似性指数（SSIM）来评估生成的合成MR图像。结果：与我们的模型一起生成的合成-MR图像几乎与测试数据集上的真实图像有关所有翻译的区别，除了合成的素质图像的质量略低，并且显示出细节的丢失。我们的结果与Brats数据集上其他深度学习模型的最佳报告结果一样好。六个翻译中平均PSNR，MSE，MAE和SSIM值的范围分别为29.44–33.25 dB，0.0005–0.0012，0.0086–0.0149和0.932–0.946。结论：我们的U-NET模型表明，它可以在跨大脑MRI对比度上准确地执行图像图像翻译。由于多重激发MRIS的可用性，这种方法可能在改善临床决策和更好地诊断脑癌患者的临床使用方面具有很大的希望。这种方法可能在临床上相关，并设定明显的步骤以有效地填充没有其他MR序列的缺乏空隙。
10LARGE语言模型
语言的流利扬声器带来了大量的知识，可以在理解和生产期间承受。这种知识以多种形式体现，也许最明显的是词汇，我们对单词及其含义和用法的丰富表示形式。这使得词汇成为探索人和机器从文本获取知识的有用镜头。估计成人词汇量的大小在语言内部和语言内的差异很大。例如，根据用于使估算值和知道一个单词含义的定义的资源，对美国英语年轻人的词汇规模的估计为30,000至100,000。商定的是，通常在正规教育开始之前就可以通过与看护人和同龄人进行交流，从而通过与看护人和同龄人进行交流来获得成熟的演讲者在日常互动中使用的绝大多数单词。与成人词汇的大小相比，这个主动词汇（通常按2000个单词的订单为2000个单词）极为有限，并且非常稳定，在早期阶段以后，通过随意对话学习的其他单词很少。明显地，这留下了大量的单词，可以通过其他方式获取。这些事实的一个简单结果是，每天每天都必须学到每天大约7至10个单词，才能到达20岁的词汇水平。，以及在高中晚期通过词汇生长的经验估计与这种速度一致。儿童如何达到这种词汇增长速度？这些知识获取的大部分似乎是作为阅读的副产品而发生的，这是我们阅读时所执行的丰富处理和推理的一部分。研究儿童花费的平均时间以及他们阅读的文本的词汇多样性，表明有可能达到所需的利率。但是，这种学习率背后的机制确实必须是显着的，因为在学习词汇增长速度的某些时候，在学习速度上超过了学习者向学习者出现新单词的速度！这样的事实激发了第6章的分布假设，这表明含义的各个方面只能从我们一生中遇到的文本中学到的各个方面，基于复杂的单词与与之共同相关的单词的复杂关联（以及这些单词发生的单词）。分布的假设表明，我们可以从文本中获取大量知识，并且可以在最初的收购后很长时间才能带来这些知识。当然，从现实世界中的互动或其他方式扎根可以帮助构建更强大的模型，但即使单独的文本也非常有用。在本章中，我们正式化了这一预处理的想法 - 学习有关预读的知识
基于图像的植物病害深度学习方法...
摘要 植物疾病严重影响农业生产力和质量，危及全球粮食安全。因此，应尽早发现和治疗这些疾病，以减轻损失，同时实现可持续农业。多年来，由于深度学习技术的出现，优化了基于图像的植物疾病检测过程，取得了巨大进步。本研究的目的是基于基于图像的深度学习方法准确有效地诊断农业疾病，以进行植物疾病识别。作为一种建议，该方法涉及使用卷积神经网络 (CNN) 来识别植物图像中的适当特征，随后可用于确定它们是健康的还是生病的。在训练和评估过程中，使用一组包含健康和患病植物的图像。模型架构由多个卷积层和池化层组成，用于从输入图像中提取相关特征。为了防止过度拟合，添加了 dropout 层，并以 0.0001 的小学习率对模型进行训练。 CNN 在 70,295 张训练图像的数据集上进行训练，并在属于 38 种不同植物疾病类别的 17,572 张验证图像上进行验证。该模型实现了 97.82% 的高训练准确率和 94.59% 的验证准确率。此外，模型性能的评估涉及多个指标，包括精确度、召回率和 F1 分数，这些指标显示出在农业实际应用中的良好效果。 关键词：植物病害诊断、深度学习、CNN、食品安全。1. 引言 农业是最古老的工作之一，自古以来就一直存在。植物是我们生活的重要组成部分。在印度，51% 的人口直接或间接依赖农业部门。然而，由于环境因素、污染等多种异常发育活动，导致不同类型的疾病，从而影响植物的正常生长。与哺乳动物类似，植物也会遭受各种异常疾病的困扰。导致植物疾病的生物因素被称为病原体。1.1。植物中的病原体 引起植物疾病的微生物被称为病原体，包括细菌、真菌、病毒、线虫和其他微生物。病原体侵袭植物的各个部位，包括叶子、茎、根和果实，从而表现出叶斑、枯萎、腐烂和发育不良等症状。每种病原体都有其特定的特征和入侵方式。例如，真菌病原体通常会产生孢子，这些孢子可以通过风、水或昆虫传播，而细菌生物则可以通过伤口或自然开口进入植物。另一方面，病毒通常通过昆虫媒介或受感染的植物材料传播。当病原体进入植物时，它会繁殖并传播，导致疾病发展。已知由病原体引发的植物疾病具有巨大的经济和环境影响，会降低作物产量和质量。下面列出了一些植物病原体：
简历
用于凸优化的自适应近端梯度法 NeurIPS ，2024 16. K. Mishchenko、A. Defazio Prodigy：一种快速自适应的无参数学习器 ICML ，2024 15. A. Khaled、K. Mishchenko、C. Jin DoWG Unleashed：一种有效的通用无参数梯度下降法 NeurIPS ，2023 14. A. Defazio、K. Mishchenko 通过 D 自适应实现无学习率学习 ICML ，2023 杰出论文奖 13. B. Woodoworth、K. Mishchenko、F. Bach 两个损失胜过一个：使用更便宜的代理进行更快的优化 ICML ，2023 12. K. Mishchenko、F. Bach、M. Even、B. Woodworth 异步 SGD 在任意延迟 NeurIPS，2022 11. K. Mishchenko、G. Malinovsky、S. Stich、P. Richtárik ProxSkip：是的！局部梯度步骤可证明可加速通信！终于！ ICML ，2022 10. K. Mishchenko、A. Khaled、P. Richtárik 近端和联合随机重新调整 ICML ，2022 9. K. Mishchenko、B. Wang、D. Kovalev、P. Richtárik IntSGD：随机梯度的自适应无浮点压缩 ICLR ，Spotlight，2022 8. K. Mishchenko、A. Khaled、P. Richtárik 随机重新调整：简单分析但带来巨大改进 NeurIPS ，2020 7. Y. Malitsky、K. Mishchenko 无下降的自适应梯度下降 ICML ，2020 6. K. Mishchenko、F. Hanzely、P. Richtárik 分布式优化中 99% 的 Worker-Master 通信是不需要的 UAI ，2020 5. K. Mishchenko, D. Kovalev, E. Shulgin, Y. Malitsky, P. Richtárik 重温随机超梯度 AISTATS，2020 4. A. Khaled, K. Mishchenko, P. Richtárik 相同和异构数据 AISTATS 上局部 SGD 的更严格理论，2020 3. S. Soori, K. Mishchenko, A. Mokhtari, M. Dehnavi, M. Gürbüzbalaban DAve-QN：具有局部超线性收敛率的分布式平均拟牛顿法 AISTATS，2020 2. F. Hanzely，K. Mishchenko，P. Richtárik SEGA：通过梯度草图 NeurIPS 减少方差，2018 1. K. Mishchenko，F. Iutzeler，J. Malick，M.-R。 Amini 一种用于分布式学习的延迟容忍近端梯度算法 ICML，2018
Massimo Silvetti
第IX部分 - 出版物的精选出版物清单（过去10年）。注意：这是一个选定的列表，不包括过去10年以来国际期刊中的所有出版物。1。Silvetti，M*。，Lasaponara，S.，Daddaoua，N.，Horan，M。，＆Gottlieb，J。（2023）。执行功能和信息需求的强化元学习框架。神经网络，157，103-113。如果（2022）：9.66 2。Doricchi，F.，Lasaponara，S.，Pazzaglia，M。，＆Silvetti，M。（2022）。左右颞顶点连接（TPJ）作为“匹配/不匹配”享乐机器：TPJ功能的统一帐户。生命评论物理学，42，56-92。如果（2022）：9.83 3。Goris，J.，Silvetti，M.，Verguts，T.，Wiersema，J.R.，Brass，M。，＆Braem，S。（2021）。自闭症特征与尽管自适应学习率一项动荡的奖励学习任务中的表现较差。自闭症，25（2），440-451。如果（2020）：5.689 4。Caligiore，D.，Silvetti*，M.，D'Amelio，M.，Puglisi-Allegra，S。，＆Baldassarre，G。（2020）。在平序前阶段，老年痴呆症患者症中儿茶酚胺功能障碍的计算建模。阿尔茨海默氏病杂志，（77）1，275-290。如果（2020）：4.472 5。Silvetti*，M.，Vassena，E.，Abrahamse，E。，＆Verguts，T。（2018）。 背扣带回脑系统作为增强元学习器。 PLOS计算生物学，14（8），E1006370。 if（2018）：4.428 6。 Holroyd，C。B.，Ribas-Fernandes，J.J.，Shahnazian，D.，Silvetti，M。，＆Verguts，T。（2018）。Silvetti*，M.，Vassena，E.，Abrahamse，E。，＆Verguts，T。（2018）。背扣带回脑系统作为增强元学习器。PLOS计算生物学，14（8），E1006370。if（2018）：4.428 6。Holroyd，C。B.，Ribas-Fernandes，J.J.，Shahnazian，D.，Silvetti，M。，＆Verguts，T。（2018）。人类中型皮层编码任务进度的分布式表示。国家科学院的会议记录，115（25），6398-6403。if（2018）：9.58 7。Silvetti，M.，Lasaponara，S.，Lecce，F.，Dragone，A.，Macaluso，E。，＆Doricchi，F。（2016）。左侧腹侧注意系统对无效靶标的反应及其对空间疏忽综合征的影响：多变量fMRI研究。大脑皮层，26（12），4551-4562。if（2016）：6.559 8。Verguts，T.，Vassena，E。和Silvetti，M。（2015）。对认知和身体任务的自适应努力投资：神经计算模型。行为神经科学中的边界，9，57。if（2015）：3.392 9。E.在奖励预测，结果和选择中分离ACC和VMPFC的贡献。Neuropsychologia，59，112-123。if（2014）：3.302 10。E.重叠的神经系统代表认知工作和奖励预期。PLOS ONE，9（3），E91008。 if（2014）：3.234 11。 Silvetti*，M.，Alexander，W.，Verguts，T。，＆Brown，J。W.（2014）。 从冲突管理到基于奖励的决策：灵长类动物内侧皮层中的演员和评论家。 神经科学与生物行为评论，46，44-57。 if（2014）：8.802 12。 Silvetti*，M.，Castellar，E。N.，Roger，C。，＆Verguts，T。（2014）。 Neuroimage，84，376-382。 if（2014）：6.357 13。PLOS ONE，9（3），E91008。if（2014）：3.234 11。Silvetti*，M.，Alexander，W.，Verguts，T。，＆Brown，J。W.（2014）。 从冲突管理到基于奖励的决策：灵长类动物内侧皮层中的演员和评论家。 神经科学与生物行为评论，46，44-57。 if（2014）：8.802 12。 Silvetti*，M.，Castellar，E。N.，Roger，C。，＆Verguts，T。（2014）。 Neuroimage，84，376-382。 if（2014）：6.357 13。Silvetti*，M.，Alexander，W.，Verguts，T。，＆Brown，J。W.（2014）。从冲突管理到基于奖励的决策：灵长类动物内侧皮层中的演员和评论家。神经科学与生物行为评论，46，44-57。if（2014）：8.802 12。Silvetti*，M.，Castellar，E。N.，Roger，C。，＆Verguts，T。（2014）。Neuroimage，84，376-382。if（2014）：6.357 13。奖励人体内侧皮层中的预期和预测错误：一项脑电图研究。Silvetti*，M.，Seurinck，R.，Van Bochove，M。，＆Verguts，T。（2013）。 去甲肾上腺素系统对神经可塑性的最佳控制的影响。 行为神经科学中的边界，7，160。 if（2013）：4.16 14。 Silvetti*，M.，Wiersema，J.R.，Sonuga-Barke，E。，＆Verguts，T。（2013）。 内侧额叶皮质中的不足增强学习是多巴胺相关动机缺陷的模型。 神经网络，46，199-209。 if（2013）：2.076 15。 Silvetti*，M.，Seurinck，R。，＆Verguts，T。（2013）。 的价值和预测误差估计是ACC中波动率效应的说明：基于模型的fMRI研究。 Cortex，49（6），1627-1635。 if（2013）：6.042Silvetti*，M.，Seurinck，R.，Van Bochove，M。，＆Verguts，T。（2013）。去甲肾上腺素系统对神经可塑性的最佳控制的影响。行为神经科学中的边界，7，160。if（2013）：4.16 14。Silvetti*，M.，Wiersema，J.R.，Sonuga-Barke，E。，＆Verguts，T。（2013）。内侧额叶皮质中的不足增强学习是多巴胺相关动机缺陷的模型。神经网络，46，199-209。if（2013）：2.076 15。Silvetti*，M.，Seurinck，R。，＆Verguts，T。（2013）。的价值和预测误差估计是ACC中波动率效应的说明：基于模型的fMRI研究。Cortex，49（6），1627-1635。if（2013）：6.042
边缘世界研究指南
研究是 RimWorld 游戏的重要组成部分，它允许玩家建造令人难以置信的机械机器并学习新技术。然而，殖民者经常被其他任务分心，比如砍树。为了鼓励研究，玩家需要建立一个优先研究的系统。一个很好的起点是建造一个简单的研究台，这可以在游戏开始时完成。将棋子分配给研究需要选择它们并在工作选项卡中检查研究任务。然而，由于优先级图表，棋子很少开始研究，所以玩家需要相应地调整他们的优先级。设置手动优先级允许玩家将研究设置为高优先级工作，确保定期完成。这可以通过将研究优先级设置为 1 并将棋子的任务限制为仅与研究相关的工作来实现。玩家还应该根据自己的情况考虑他们的研究人员应该关注什么。在较简单的难度下，学习如何制造更快的船只是关键，而在较困难的难度下，优先考虑更好的武器和炮塔是必不可少的。编辑研究允许玩家通过研究特定项目来增强他们殖民地的能力。一旦玩家建造了研究台并选定了项目，研究人员就会开始研究并生成研究点数。点数生成速度取决于研究人员的技能水平，多个研究台可以提高速度。但是，一次只能主动研究一个项目。研究难度与派系的技术水平有关，这使得研究高科技项目更加困难。研究过程以科技树的形式呈现，较早的项目放在左侧，较晚的项目更依赖于右侧的较早项目。模组可以添加新的研究项目，可以手动或自动添加。工业领域的建议研究路径包括：电池、太阳能电池板、微电子、多分析仪、制造和高级制造。部落在研究电池之前对电力的研究路径类似。完成某些项目后，硬核 500% 兰迪跑动需要快速加工和武器。新石器时代研究项目包括： - 精神酿造 - 简单的树木播种 - 啤酒酿造 - 被动冷却器 - 可可母猪干肉保存：制作可长期保存的肉类和植物混合物，非常适合旅行者。 反曲弓制作：制造一种有效且廉价的远程武器，用于狩猎或战斗。 中世纪研究项目：探索中世纪技术水平的项目，部落需要 1.5 倍的研究时间或殖民地的基本成本。 服装裁缝：利用您的缝纫技能制作复杂的服装，如裤子、掸子和牛仔帽。 家具制作：使用木材和工艺品制作复杂的家具，如床、茶几和餐椅。 地毯编织：使用传统技术将布料编织成漂亮的地毯。 锻造：建造铁匠铺，锻造金属武器、工具和装饰品，如地砖和珠宝。石材切割：将岩块切割成石块，用于建筑项目或石砖地板等装饰品。长刀制作：使用金属加工技能制造长剑、长矛和其他带刀刃的武器。板甲锻造：用金属或木材制作板甲，在战场上防护。大弓制作：使用木工和工程技能打造用于远程战斗的大弓。贵族服饰裁缝：使用纺织艺术为贵族制作衬衫和皇室长袍等正式服装。皇室服饰裁缝：为皇室制作最精致、最华丽的服装，包括皇冠和皇室长袍。竖琴制作：使用木工和工艺制作一种在贵族中流行的简单固定乐器。大键琴制作：使用高级木工技能制作一种更复杂的固定乐器，如大键琴。工业研究项目：探索工业技术水平的项目，需要部落的 2 倍研究时间或殖民地的基本成本。 药物生产：建立药物实验室进行基本合成，并进一步提炼灵药、醒脑药、兴奋剂和 Penoxycyline 等药物。 电力：利用电力用于各种工业应用。 1600 1600 3200 无 简单电池 建造用于储存电力的电池。 400 400 800 电力 简单生物燃料精炼 建造生物燃料精炼厂，从木材或食物等生物物质生产化学燃料。 700 700 1400 电力 简单水车发电机 在河流上建造水车发电机以产生稳定的电力供应。 700 700 1400 电力 简单营养糊 建造营养糊分配器，高效地从原始营养原料生产可食用的膳食，完全不需要劳动力。 400 400 800 电力 简单 太阳能电池板 建造太阳能电池板用于发电。 600 600 1200 电力 简单 空调 建造冷却器，让人们在炎热的天气中感到舒适，或建造冷冻机用于储存易腐烂的货物。 500 500 1000 电力 简单 自动门 建造自动门，当有人靠近时，门会自动打开，不会减慢任何人的速度。 600 600 1200 电力 简单 水培 建造水培盆，无论外面的地形或天气如何，都可以在室内快速种植农作物。 700 700 1400 电力 简单 显像管电视 生产显像管电视用于娱乐观看。 1000 1000 2000 电力 简单 复杂家具 包装好的生存餐 生产永不变质的包装好的生存餐，非常适合旅行。 500 500 1000 营养膏 简单的泡沫灭火器 构建泡沫灭火器，这是一种自动防火装置，可在火焰蔓延时散布阻燃泡沫。 600 600 1200 电力 简单的 IED 用任何类型的迫击炮弹构建临时陷阱。500 500 1000 电力 简单 地热能在蒸汽喷泉上方建造地热发电厂，以获得不间断电力。 3200 3200 6400 电力 简单 无菌材料 建造无菌瓷砖，使洁净室更加安全、有效地进行医疗、研究和烹饪。 600 600 1200 电力 简单 彩色灯 建造彩色灯，仅用于装饰目的。 300 300 600 电力 简单 机械加工 建造机械加工台，以制造枪支、手榴弹、防弹装甲，并撕碎死去的机械体以获取资源。 1000 1000 2000 电力 简单 锻造 烟雾弹包 建造烟雾弹包，让佩戴者可以部署防御性烟幕。 300 300 600 机械加工 简单 复杂服装 假肢 制造廉价的假肢来替换失去的肢体，需要熟练的医生来安装。 600 600 1200 机械加工 简单 枪械制造 制作简单的手动操作枪支，如左轮手枪、泵动式霰弹枪、栓动步枪和燃烧弹发射器。 500 500 1000 机械加工 简单 防弹装甲 制作缝有金属盔甲的服装以抵御子弹和爆炸，这种厚重的盔甲会稍微减慢运动速度。 1200 1200 2400 机械加工 简单 板甲 迫击炮 制造可以将迫击炮弹发射到很远距离的迫击炮 - 甚至可以越过墙壁。 2000 2000 4000 枪械制造 简单 反冲操作 制作低功率反冲操作枪支，如自动手枪和机关手枪。 500 500 1000 枪械制造 简单的气体操作 制造大威力枪支，如链式霰弹枪、轻机枪和重型冲锋枪。 1000 1000 2000 反冲操作 简单的炮塔 反冲操作 简单的微电子学 使用复杂的微电子设备解锁研究工作台和通讯控制台。 简单的平板电视 生产高分辨率电视机以获得更好的娱乐效果。 微电子学 高科技显像管电视 建造水分泵、病床和其他医疗设备。 微电子学 高科技 机械加工 建造深钻、地面穿透扫描仪和运输舱，用于资源开采和勘探。 高科技运输舱 建造可发射的运输舱，用于将人员和物资运送到地球表面。 机械加工 药品生产 通过结合草药、中性胺和布料来生产标准工业药品。 远程矿物扫描仪 建造远程矿物扫描仪来探测全球各地的珍贵矿物。盾牌 使用动量排斥技术制造可穿戴的盾牌装备，以防止射弹穿越战场边界。 精密膛线 制造精密加工的枪支，如突击步枪和狙击步枪。 气动操作 自动加农炮炮塔 生产重型、远程自动加农炮炮塔用于防御。 多管武器 组装带有多根枪管的迷你枪以增加火力。 多分析仪 制造多分析仪以提高研究速度并实现更高级别的项目。 生命体征监测器 制造生命体征监测器，放置在病床旁边可改善医疗效果。制造 建造能够进行从组件组装到动力装甲制造等高科技项目的制造台。高科技多分析仪可制造先进的乐器、用于空袭的跳跃包和可穿戴的枪链，以提高士兵的准确性。他们还建造了生物雕塑舱，对殖民者进行生物改造，解锁生物再生循环以治愈旧伤疤、再生丢失的身体部位并治愈身体疾病。神经增压器可提高意识和学习率，但会增加饥饿感，需要每天补充能量。太空研究项目包括建造用于无限期假死的加密睡眠棺材、带有先进组件的侦察装甲、高科技突击部队使用的海军装甲以及动力装甲服的复杂服装。其他产品包括精密膛线、失去肢体和眼睛的仿生替代品、星际飞行基础知识、远程传感器和真空硬化飞船加密睡眠棺材。长寿命核反应堆为星际飞船提供动力，在启动期间吸引袭击者。约翰逊-田中驱动器利用量子效应进行动量传递，从而实现星际旅行。星际飞船操作需要 AI 机器队长，奖励信号系统可以说服现有角色担任这一角色。铁甲装甲以牺牲机动性为代价提供重度保护。这些系统需要高级组件。脑接线植入物可以诱发或阻止快乐或疼痛等感觉。专门的仿生肢体可以设计用于战斗或劳动目的。紧凑、可隐藏的武器和毒液合成能力可以集成到身体的各个部位。Royalty DLC 包含几个超级研究项目，包括人工代谢，它比生物胃更安全或更有效地处理食物。神经计算植入物通过直接脑机接口协助思考和学习。皮肤硬化和愈合因子仿生学增强了自然过程。肉体塑形植入物可用于美学增强或个人愉悦。分子分析仿生学辅助免疫系统或分析食物，而昼夜节律影响植入物以化学方式操纵身体的内部时钟，减少睡眠需求。 **在 RimWorld 中选择正确的研究路径** 每次 RimWorld 游戏的开始都可能让人不知所措，因为要进行大量的研究树。根据所选场景，可用选项可能会有很大差异。本指南重点介绍 Crashlanded 和 Lost Tribe 场景的基本研究建议。### Crashlanded 场景在 Crashlanded 场景中，玩家选择的 90% 都来自该场景，从一开始便可轻松获得电力。为了在这种环境中有效生存，首先研究 **电池** 至关重要。这将使您能够高效利用电力，因为风力涡轮机和太阳能电池板等其他能源提供的能量不稳定。接下来，优先研究**太阳能电池板**，因为它们可以很好地补充电池。但是，如果您的殖民地附近有一条河流，最好先研究**水磨发电机**，以提供持续的电力来源。这种方法可确保您可以安全有效地储存能源。### 推荐的优先顺序研究路径：1. **电池**或**水磨发电机**（如果有河流）2. **太阳能电池板**（如果有水磨发电机，则不需要）3. **微电子技术**4. **多分析仪制造**5. **制造**### 失落的部落场景对于失落的部落场景，您的殖民地开始时没有任何技术，方法有很大不同。初步研究侧重于基本需求而不是电力。### 推荐的优先顺序研究路径：1. **复杂服装**，用于抵御恶劣天气条件。2. **复杂家具**，确保棋子有适当的居住区。 3. **石材切割** 建造必要的石墙，确保定居点安全。4. **锻造** 获得额外的资源和制造能力。5. **电力** 满足基本需求后。锻造对于部落士兵来说至关重要，因为他们需要更好的武器，因为没有枪支。要制造自己的武器，他们需要学习锻造。这项技能是先决条件，从长远来看，在机械加工方面也会对他们有益。完成包括锻造在内的初步研究后，您可以继续研究电力，然后专注于其他技术。有了电力，您现在就可以探索与以前相同的技术树路径，但适用于 Crashlanded 场景。他们需要学习锻造。这项技能是先决条件，从长远来看，在机械加工方面也会对他们有益。完成包括锻造在内的初步研究后，您可以继续研究电力，然后专注于其他技术。有了电力，您现在就可以探索与以前相同的技术树路径，但适用于 Crashlanded 场景。他们需要学习锻造。这项技能是先决条件，从长远来看，在机械加工方面也会对他们有益。完成包括锻造在内的初步研究后，您可以继续研究电力，然后专注于其他技术。有了电力，您现在就可以探索与以前相同的技术树路径，但适用于 Crashlanded 场景。