XiaoMi-AI文件搜索系统
World File Search System孪生
ABB Ability™ Genix 工业分析和人工智能套件 ( en
ABB Ability™ Genix 的影响始于集成数据——自动整理来自异构（ABB 和非 ABB）源系统的大数据。下一步是通过自动构建企业和工厂范围的资产信息模型来将这些数据情境化。然后开发预构建和可扩展的行业标准系统信息模型以进行高级分析。以此为设置，ABB Ability™ Genix 可充当 AI/ML 模型、3D 孪生、分析服务和应用程序的综合环境来分析数据；进一步使用预构建和自助服务价值驱动应用程序来提供洞察。使用这种结构，企业可以通过集成套件和深度跨职能可操作洞察来优化运营并实现卓越运营。
材料四面体有一个“数字孪生” - DSpace@MIT
三十多年来，材料四面体以其相互依存的加工、结构、特性和性能元素抓住了材料科学与工程的本质。随着现代计算和统计技术开创了数据密集型科学研究和发现的新范式，材料科学与工程领域利用这些进步的速度取决于众多利益相关者之间的合作。在这里，我们通过双重框架对经典材料四面体进行了现代扩展——改编自“数字孪生”的概念——它提供了连接材料科学和信息科学的纽带。我们相信，这个高级框架，即材料信息孪生四面体 (MITT)，将为利益相关者提供一个平台，以情境化、转化和指导推动材料科学和技术向前发展的努力。
从头算描述符和机器学习方法的组合，用于预测β-矩阵Ti合金中可塑性机制
探空术比所谓的BO-MD方法更有效，可实现82％的预测准确性，而BO-MD方法在同一数据集上导致52％的正确预测。此外，还产生了四个新的合金组成来验证模型有效性。选择与BO-MD预测不同意的特定情况以增加产生结果的好处。四种合金的可塑性机制实验证实了ML模型的有效性。这种方法特别有助于设计特定的Ti合金，由于转化诱导的可塑性（TRIP）和机械孪生效应（TIP）效应的同时激活，表现出高工作硬化速率。的确，跨阶级跨行程和twip效应的组合达到了88％的预测准确性。
利用 NVIDIA AI Enterprise 和 VMware Cloud Director 提供 AI 即服务
行业最强大的潜在应用之一是将人工智能与视觉计算相结合，开始突破元宇宙的界限，即互联网的 3D 演进。通过分析联网设备生成的无休止的数据流，制造商可以生成“数字孪生”——物理对象的虚拟模拟，可以使用人工智能对其进行操作和更改，以模拟这些对象在应用于现实世界之前的行为方式。数字孪生具有真实的物理、材料、照明、渲染和行为，在物理上是准确的。这允许进行虚拟系统测试、布局更改、软件优化或升级，避免物理孪生出现任何系统停机或故障。就像生活在虚拟环境中一样，数字孪生可以轻松地与地球另一边的同事进行协作，人工智能可以不断运行预测性的“假设”模拟来重新优化数字孪生本身。
开发数字孪生范围框架...
摘要。鉴于数字孪生概念的新颖性及其所基于的广泛技术，确定数字孪生项目范围的过程对于流程制造公司来说可能是一项艰巨的任务。当前文献缺乏对流程制造环境中数字孪生范围确定过程的研究。本文通过引入流程制造业中数字孪生范围的框架来解决这一空白。该框架基于现有文献和国际流程制造公司获得的经验。所提出的框架旨在解决流程制造业公司在确定数字孪生项目范围时需要面对的关键挑战。因此，该框架分为四点：（1）确定关键利益相关者及其要求，（2）构建块定义，（3）选择要孪生的资产，以及（4）用例开发。通过解决这些问题，可以显著减少开发数字孪生所需的时间和资源。
人工智能和数据科学的技术硕士（双学位）
通过创建人工智能（AI）来构建人类水平的思维过程是计算机科学的最先进。智能机器受新兴技术，智能设备，传感器，计算能力，更快的数据处理，庞大的存储和人机相互作用功能的影响。数据科学是一个跨学科领域，具有从数据，非结构化或半结构化数据中提取知识/见解的能力。用人工智能，更有效的解决方案孪生，以从大量数据池中找到有意义的信息，并提供来自多个来源的数据 - 传感器，图像，流视频，卫星，医学图像和云。此M.Tech。（双学位）计划对数据科学和人工智能中使用的应用统计和数学进行了全面覆盖，同时准备学生分析，设计和实验解决方案解决问题。
程序：B.Tech。和M.Tech。 （双度）分支
通过创建人工智能（AI）来构建人类水平的思维过程是计算机科学的最先进。智能机器受新兴技术，智能设备，传感器，计算能力，更快的数据处理，庞大的存储和人机相互作用功能的影响。数据科学是一个跨学科领域，具有从数据，非结构化或半结构化数据中提取知识/见解的能力。用人工智能，更有效的解决方案孪生，以从大量数据池中找到有意义的信息，并提供来自多个来源的数据 - 传感器，图像，流视频，卫星，医学图像和云。这个B.Tech。和M.Tech。（双学位）计划对数据科学和人工智能中使用的应用统计和数学进行了全面覆盖，同时准备学生分析，设计和实验解决方案解决问题。
利用数据和人工智能增强材料加工和性能
第三个千年工程正在应对材料科学和工程领域的新挑战。特别是，材料工程的进步，加上数据采集、处理和挖掘以及人工智能的进步，为设计新材料和新产品提供了新的思维方式。此外，这还催生了将原材料数据和加工与诱导特性和性能联系起来的新范式。一方面，这种联系可以完全基于数据驱动，即仅基于获得的实验数据从头开始创建模型，例如使用统计方法或高级机器学习方法。这类模型特别明显的优势是不需要先验地纳入任何简化或假设，并且可以实时预测，从而实现特定材料/工艺的所谓数字孪生。然而，这种方法通常面临一些普遍的挑战，例如需要（可能不必要地）庞大而全面的数据集，因为它们仅依赖于数据本身，并且只允许在调查/训练的数据空间内进行预测。应对预测材料中复杂的加工-结构-性能关系的挑战的另一种方法是通过数据和机器学习工具增强现有的基于物理的模型，即将基于物理的模型（通常称为虚拟孪生）与基于数据的模型结合起来，得到所谓的混合孪生 [1]。在这方面，基于物理的模型可能存在的偏差依赖于大量的简化和假设，可以通过基于数据驱动的方法修正模型来弥补，即结合两种模型的优点。本专题汇集了有关新颖的想法和概念的贡献，利用数据和人工智能解决了几个关键挑战： • 提出新的数据生成和数据挖掘技术； • 提出新的数据和数据驱动模型的可视化、分类、建模、提取知识、解释和认证技术； • 处理数据，当其他模型不存在、太复杂或太差而无法做出有价值的预测时，从头创建数据驱动模型； • 处理数据以增强现有的基于物理的模型，提高预测能力的质量，同时使数据更加智能。
投资影响 - 先进制造业概况介绍
20 世纪 50 年代，有限元分析 (FEA) 被开发出来，用于更好地理解土木工程和航空工程面临的复杂弹性和结构问题。雷·克拉夫 (Ray Clough) 是一位获得美国国家科学基金会 (NSF) 资助的科学家，也是美国国家科学奖章获得者，他被认为是 FEA 的创始人之一。如今，得益于建立在 FEA 基础上的方法，科学家和工程师已经能够开发数字孪生建模。数字孪生是流程、产品或服务的虚拟模型。通过将虚拟模型与物理模型配对，可以先在数字孪生上测试新功能，然后在物理孪生中复制此过程，从而分析和改进系统和产品开发。由于 NSF 的这些早期投资，FEA 继续被用作数字孪生生产中的一种工具，有助于确保数字孪生能够预测现实世界。