XiaoMi-AI文件搜索系统
World File Search System实时测量
设计稳定，轻巧，高大和自我的设计开发...
摘要 - 在国家航空航天及空间管理局（NASA）兰利研究中心（LARC）和马萨诸塞州技术研究所（MIT）太空资源研讨会上进行了调查，可部署空间范围内的遗产，以支持在Nasa Atae Athemis Attemis运动中垂直部署的潜力。本文报告了新的设计开发结果 - 在NASA 2020年2020年大概念挑战的原始演讲之后，对于16.5米高的，紧凑的，紧凑的自我部署的复合塔，旨在支持附近的机器人资产或人类对月球永久阴影地区的探索。可能的应用程序包括垂直太阳能数组和提供科学或工程有效载荷的高度视线，以支持附近的目标在感兴趣的领域运行，这可能很难到达。有用的高架有效载荷包括无线电中继器，遥感和成像，导航和电动束光系统。然而，尽管这些轻巧的滚动臂的高度与质量比具有出色的高度，但它们通常在部署时表现出轴向曲率，从而导致尖端质量相对于塔底座的尖端质量明显的横向侧重负载偏转。这种静态挠度随着塔的高度和尖端质量而增加，不仅限制了塔传递的值，而且危害了其完整性。要开发具有竞争性，轻巧的可部署复合动臂塔，将需要在部署期间和之后纠正静态偏转的能力。值得注意的是，自然偏转几乎完全正常地与动臂横截面的接缝完全正常，但是自然的繁荣尖端横向偏转在本文中，将为MIT / LARC自我培养的复合动型Lunar塔提供一个可部署的Guy电线稳定系统，该综合动臂Lunar塔提供实时测量，在部署期间（部署）和被动（DEPLOYMENT）保持紧张局势，并可以通过启发范围进行测试和替代稳定性船只，并可以用作可重新配置的稳定稳定性的船只，并可以作为可重新配置的平台。使用校准的摄影测量系统，记录了不同配置的动臂相对于不同部署高度处的动臂基础的自然侧向偏转。通过实时测量值，发现张紧的家伙电线可以显着减少可部署的复合动臂在死负荷下的静态尖端偏转，并且可以在一分钟的不到一分钟内抑制动态振荡。还发现，控制权是最需要的，即最接近杠杆臂，最接近偏转方向。对于至少11 m的塔高度，散布器长度至少为60厘米，所有三个臂的差分张力的解决方案均存在，并且原则上提供了足够的控制权限，以纠正或显着减少动臂尖端的偏转。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
Jamie Yang DDW23：集成人工智能的 NLP 仪表板...
Eric Esrailian 2 , Folasade P. 5 月 2、5、6 日 1 加州大学洛杉矶分校内科系，美国加利福尼亚州洛杉矶 2 Vatche 和 Tamar Manoukian 消化系统疾病科；加州大学洛杉矶分校大卫格芬医学院 3 加州大学洛杉矶分校放射科学系；数据集成、架构和分析组 4 罗马琳达大学医学院 5 大洛杉矶退伍军人事务健康系统，美国加利福尼亚州洛杉矶 6 加州大学洛杉矶分校凯撒医疗机构健康公平中心，琼森综合癌症中心 类别：ASGE。临床内窥镜实践 2。质量措施和质量测量限制：2881/2900 个字符 截止日期：2022 年 12 月 1 日下午 6 点 PST 简介：高质量的结肠镜检查是有效结直肠癌 (CRC) 筛查的标志。尽管全国都关注结肠镜检查质量，但测量质量指标 (QI) 是一项劳动密集型工作，而且往往不一致。我们之前开发并验证了一种自然语言处理 (NLP) 算法，该算法可自动提取和报告我们医疗系统中的结肠镜检查 QI。在这个质量计划中，我们使用这些 NLP 衍生的 QI 指标构建了一个临床仪表板，用于跟踪实时结肠镜检查 QI 数据。方法：本研究的背景是一个大型学术健康中心，拥有明确的初级保健人群、强大的转诊护理和 6 个门诊内窥镜检查设施，每年进行超过 17,000 次筛查结肠镜检查。在之前的工作中，我们开发、验证并集成了一种 NLP 算法到我们的医疗系统中，该算法利用机器学习来识别、提取和构建来自自由文本电子健康记录结肠镜检查和病理报告中的数据。根据 2015 年 ASGE/ACG 结肠镜检查质量指标建议，这些数据能够实时测量结肠镜检查 QI。对于这一质量改进举措，我们召开了跨学科会议，讨论仪表板内容和格式，以实现最佳 QI 信息分散。仪表板目前包含五个 QI，这些 QI 是在我们机构进行的所有筛查/监测结肠镜检查中测量的：结肠镜检查指征记录 (IND)、盲肠插管 (CI)、肠道准备记录 (BP)、充分肠道准备 (ABP) 和腺瘤检测率 (ADR；按机构、提供者和患者性别)。ASGE/ACG 针对每个 QI 的绩效目标都以基准表示。仪表板不包括每年进行 <20 次结肠镜检查的结肠镜检查医师。结果：该图显示了 2022 年 1 月 1 日至 2022 年 9 月 30 日期间结肠镜检查 QI 临床仪表板的快照。在此期间，共为 12,792 名患者进行了 12,903 次结肠镜检查。患者中 52.2% 为女性，48.2% 为非白人，平均年龄为 56.4 ± 8.51 岁（表格）。平均医疗系统绩效为：IND 为 100%，CI 为 100%，BP 为 100%，ABP 为 97.9%，女性 ADR 为 30.5%，男性 ADR 为 43.0%。所有五个测量的机构 QI 均超过了 ASGE/ACG 绩效目标。总体而言，94.1% 的提供商达到了 ASGE/ACG 男性 ADR，84.3% 的提供商达到了 ASGE/ACG 女性 ADR 目标。（图）结论：我们成功开发了一个实时临床仪表板，可以实现可视化，并定期反馈筛查结肠镜检查的质量。该仪表板将用于识别表现不佳的结肠镜检查医师，帮助评估是否需要未来的干预措施，并允许方便地评估这些干预措施。未来的发展将包括在仪表板中索引术前和术后 QI。