XiaoMi-AI文件搜索系统
World File Search System密度模型
概率空间天气建模及其对空间态势感知和
低地球轨道 (LEO) 空间物体未来位置的不确定性受到热层密度不确定性的影响，而热层密度的不确定性在活跃的空间天气条件（例如地磁暴）下可能会发生显著变化。LEO 中物体数量的急剧增加以及随之而来的空间交通管理 (STM) 面临的挑战促使我们研究新型概率密度模型 HASDM-ML 和 MSIS-UQ，以及它们在更现实的卫星状态不确定性量化方面的潜力。在代表 SpaceX 的 Starlink 和 Planet 的 Dove 星座的轨道高度的“安静”和“风暴”大气模型中，研究了几种“近距离”用例。使用最接近时间和碰撞概率等指标来检查这些新型密度模型的影响，并讨论了完成这些模型评估所需的未来工作建议。
请求信息（RFI）DARPA-SN-25-15 OUIJA ...
1。TA-1：开发，合格和操作一颗携带科学和任务工具的小型卫星。本RFI中描述的科学有效载荷将产生测量，以支持准确的，近实时电离层模型的开发。HF任务子系统将收到地面HF信号；在HF频段下端运行的有效天线很长，在VLEO环境中提出了太空车辆阻力挑战。该卫星现已建造，预计将于2025年6月推出。2。TA-2：在VLEO中开发同化模型以从TA-1卫星中摄入原位测量。派生的电子密度模型将被馈送到HF传播代码中，并用轨道数据验证。目标是显着提高比当前最新同化模型的忠诚度。
重新分析 95-98 Mo 的温度相关中子俘获率和恒星 β 衰变率
摘要：在统计程序TALYS v1.96和质子中子准粒子随机相近似（pn-QRPA）模型框架内，研究了Mo同位素的中子俘获率和随温度变化的恒星β衰变率。在统计程序TA-LYS v1.96框架内，基于现象学核能级密度模型和γ强度函数，分析了Mo（n，γ）Mo辐射俘获过程的麦克斯韦平均截面（MACS）和中子俘获率。基于模型的MACS计算与现有测量数据相当。在pn-QRPA模型框架内，研究了恒星弱相互作用率对不同密度和温度的敏感性。特别关注了衰变核（Mo）中热填充激发态对电子发射和正电子俘获率的影响。此外，我们比较了中子俘获率和恒星β衰变率，发现无论在低温还是高温下，中子俘获率都高于恒星β衰变率。
重力，磁性和磁性前景
本研究利用磁性，重力和磁铁（MT）数据，对伊朗的Sabalan地热区进行了全面的地球物理研究。这些数据已倒入5000米的深度。磁数据反演准确识别出断层或断裂。重力数据反演产生了一个密度模型，以区分侵入性质量，储层和覆盖单元。mt数据反演使用了TM和TE模式的明显电阻率和相位数据。将所得模型与地质横截面进行了比较，以评估其准确性和一致性。地球物理模型的整合为萨巴兰地区提供了全面的地质概念模型。鉴定了热源，热液储存库和潜在的地热流体途径，证明地球物理方法在地下映射中的有效性。基于钻探和地质数据的较新的Sabalan模型的一致性增加了对发现的信心。
基于变压器的大气密度预测
随着2025年太阳能周期的峰值接近，并且单个地磁风暴显着改变居民空间对象（RSO）的轨道的能力，大气密度预测的技术对于空间情况意识至关重要。虽然先前已将线性数据驱动的方法（例如使用控制模式分解（DMDC））用于预测大气密度，但基于深度学习的预测具有捕获数据中非线性的能力。通过从历史大气密度数据中学习多层权重，数据集中的长期依赖性被捕获在当前大气密度状态与控制下一个时间段的大气密度状态之间的映射中。通过开发基于非线性变压器的大气密度预测的非线性变压器结构，这项工作可改善大气密度预测的先前线性传播方法。经验NRLMSISE-00和JB2008，以及基于物理的TIEGCM大气密度模型，以与DMDC和基于变压器的传播器进行预测。
![arxiv：2310.16912v1 [physics.ao-ph] 2023年10月25日](/simg/g:\will\search\icon\source\3\382bd5c2eb4d34e3dc293539756884987c09b61e.webp)
arxiv：2310.16912v1 [physics.ao-ph] 2023年10月25日
随着2025年太阳能周期的峰值接近，并且单个地磁风暴显着改变居民空间对象（RSO）的轨道的能力，大气密度预测的技术对于空间情况意识至关重要。虽然先前已将线性数据驱动的方法（例如使用控制模式分解（DMDC））用于预测大气密度，但基于深度学习的预测具有捕获数据中非线性的能力。通过从历史大气密度数据中学习多层权重，数据集中的长期依赖性被捕获在当前大气密度状态与控制下一个时间段的大气密度状态之间的映射中。通过开发基于非线性变压器的大气密度预测的非线性变压器结构，这项工作可改善大气密度预测的先前线性传播方法。经验NRLMSISE-00和JB2008，以及基于物理的TIEGCM大气密度模型，以与DMDC和基于变压器的传播器进行预测。
无标记数据的替代建模的深度自适应抽样
抽象的替代建模对于参数微分方程系统具有很大的实用性。与经典数值方法相反，使用基于物理学的深度学习方法为这种系统构造模拟器是一个有希望的方向，因为它具有处理高维度的潜力，这需要最大程度地减少训练的随机样本损失。然而，随机样品引入了统计误差，这可能成为近似和高维问题的近似值的主要误差。在这项工作中，我们提出了一种深层自适应采样方法，用于对低规范性参数微分方程的替代建模，并说明了自适应采样的必要性以构建替代模型。在参数设置中，剩余损耗功能可以视为空间和参数变量的不均衡概率密度函数（PDF）。与非参数设置相反，可以使用分解的关节密度模型来减轻参数空间引起的困难。PDF通过深层生成模型近似，从中生成新样品并将其添加到训练集中。由于新样品与残留诱导的分布相匹配，因此重新定义的训练集可以进一步减少当前近似解决方案中的统计误差
在NISQ时代量子处理器上对AKLT状态的高保真实现
许多现实世界中的问题需要从棘手的多维分布中取样。这些样本可以通过使用蒙特卡洛近似值来估计其统计特性来研究物理系统的行为。通过此类分配进行抽样一直是一个挑战，是通过扰动近似或马尔可夫链蒙特卡洛（MCMC）技术进行的[1]。如果变量强烈耦合并且没有小参数，则无法应用扰动近似，并且使用MCMC方法。为了确保通过MCMC方法生成的样品的渐近精确性，使用了大都市 - 危机算法（MH），该算法（MH）使用模型和目标密度，即使仅知道这些密度仅为比例性恒定，也可以应用。但是，MCMC技术具有其局限性，例如相关样本的产生，阶段过渡期间的临界减速以及较高的仿真成本。在过去的几年中，已经开发了几种基于学习的方法来从此类分布中进行采样。生成对抗网络（GAN）[2-4]和变异自动编码器（VAE）[5，6]在给定的目标分布的给定样本中学到的采样分布中表现出了显着的功效。vaes是近似密度模型，因为它们为样品提供了近似的密度值。gans生成样品，而没有明确估计样品的密度值；因此，它们也称为隐式密度模型。他们两个都不能保证样品的精确性。这些此外，由于它们没有提供精确的模型密度，因此不能使用MH等方法对其进行修改或偏低。另一方面，基于流量的生成模型，例如标准化流（NF）[7，8]明确对目标分布进行建模并提供精确的模型密度值。它们与MH一起用于保证样品的精确性。在物理应用中，人们对通过物理配置（例如，经典磁体的每种自旋的方向）对概率分布进行取样感兴趣，这些分布是通过物理模型进行参数的。这些物理模型取决于一组参数，在以下内容中称为C，例如温度t或耦合常数。例如，在ISING模型和XY模型中，系统的属性取决于温度和最接近的近纽布交换（或包括在内的其他邻居或环形交换）耦合常数。改变这些参数也可以通过相变驱动系统，该相变已通过机器学习技术进行了研究[9-17]。建模此类分布的一种方法是为每个外部参数的每个设置重新训练生成模型。为了研究系统的性质，需要样本来进行外部参数的不同设置。这会导致在不同的环境中反复训练该模型，从而增加培训成本。许多晶格理论已经使用标准化流[18-20]建模。建模此类分布的替代方法是训练以外部参数为条件的生成模型。
肖恩·库林斯基
2019 年 8 月 - 至今 博士研究（机器学习、自然语言处理、计算机视觉）普渡大学（指导老师：David Inouye 博士），印第安纳州西拉斐特 • • 创建一个因果基础的生成式 AI 模型，该模型生成反事实示例来回答以下问题“如果发生 X 而不是 Y，情况会是什么样子？” （例如，如果我在 B 医院而不是 A 医院拍摄的胸部 X 光片会是什么样子。） • 派生出可解释领域翻译的方法，用于向人类操作员解释分布变化，可用于系统监控或知识发现。 • 根据《星际争霸 II》的人类比赛构建了一个新的大规模多智能体计算机视觉 (CV) 数据集，该数据集表现出复杂且不断变化的智能体行为，产生了 180 万张具有多种数据表示的图像，例如可以用作 CIFAR10 和 MNIST 的替代品。 • 创建了一种轻量级机器学习算法，该算法使用深度密度模型来检测分布的变化，并将变化定位到导致变化的特定问题特征，从而允许以很少的额外开销进行在线监控。