XiaoMi-AI文件搜索系统
World File Search System搜索空间
储能杂志
我们考虑如何生成用于孤立电力系统中的储能定型问题的不确定性场景。更准确地说，我们考虑存储定型公式，其中负载和发电都是随机的，没有可用的封闭式解析表达式，并且多个离散随机变量的存在使定型问题混合整数和组合搜索空间。因此，我们提出并描述了一种数据驱动的场景选择策略，该策略可以缓解与这些类型的存储定型问题公式相关的计算问题，同时保证静态稳定的最佳解决方案。具体而言，该方法首先从现场数据开始学习负载和发电的不确定性分布，然后通过学习到的分布生成一组最佳的不确定性场景，随后将其用于原始定型问题的两阶段随机规划重构。该工作流程不会对不确定性之间的相关性施加任意结构，也不会将这些结构集中到一个参数中；因此，它适用于具有任何负载特性的系统。此外，该方法确保得到一个在统计上接近于原始问题可解且计算上不可解时计算出的解决方案。作为案例研究，我们分析了为风力发电油气平台设计储能系统的问题，以尽量减少预期的每日系统运营成本。数值模拟表明，与其他场景选择策略相比，所提出的方法可以产生更高质量的解决方案。这揭示了对预期收益的现实估计，同时也突出了在解决风险约束版本的问题时风险管理的局限性。
使用改进的灰狼方法选择 EEG 通道...
摘要 — 脑机接口 (BCI) 是一个日益发展的研究领域，旨在形成计算机与大脑之间的直接通信渠道。然而，提取随机时变脑电信号的特征并对其进行分类是当前 BCI 面临的主要挑战。本文提出了一种改进的灰狼优化器 (MGWO)，它可以选择用于 (BCI) 的最佳脑电通道，识别数据集中主要特征和非重要特征的方式以及要消除的复杂性。这使得 (MGWO) 能够选择最佳脑电通道，并在使用数据集对分类器进行训练时帮助机器学习分类。 (MGWO) 模仿灰狼的领导和狩猎方式，并考虑元启发式群体智能算法，是两个修改的集成，以实现探索和开发之间的平衡，第一个修改对迭代次数应用指数变化以增加搜索空间，从而进行开发，第二个修改是交叉操作，用于增加种群的多样性并增强开发能力。实验结果使用四个不同的EEG数据集BCI Competition IV-数据集2a，BCI Competition IV-数据集III，BCI Competition II数据集III和来自UCI机器学习库的EEG Eye State来评估（MGWO）的质量和有效性。使用交叉验证方法来衡量（MGWO）的稳定性。
![arxiv：2503.09403v1 [cs.cv] 2025年3月12日](/simg/6\66d94d4e4d450610290325e5635779660833c4e1.webp)
arxiv：2503.09403v1 [cs.cv] 2025年3月12日
图像恢复（IR）由于现实世界中的复杂性而具有挑战性。虽然已经开发了许多专业和多合一的IR模型，但它们无法有效地处理复杂的混合降解。最新的方法可以修复和代理利用智能的，自主工作流以减轻此问题，但由于其资源密集型填充，他们的效果和效率低下，并且由于其资源密集型填充而遭受了较低的效率，以及无效的搜索和工具执行试验以实现令人满意的输出。在本文中，我们提出了Mair，这是一种新颖的方法来解决IR问题。我们提出了一个现实世界中的降级，将降解分为三种类型：（1）场景，（2）成像和（3）压缩，观察到这些压缩是在现实世界中依次发生的，并按照序列的顺序逆转它们。基于这个三阶段的恢复框架 - 梅尔（Mair）模仿了一个合作的人类专家团队，其中包括用于整体计划的“调度程序”和多个专门用于特定退化的“专家”。这种设计最大程度地减少了搜索空间和试验工作，改善了图像质量，同时降低了推理成本。此外，还引入了一种注册机制，以简化整合新工具。对合成和实地世界数据集进行的实验表明，提出的MAIR可以实现竞争性能，并提高了先前代理IR系统的效率。代码和型号将提供。
使用自动驾驶汽车的退出策略
摘要 - 公路车辆的自动化是一种新兴的技术，在过去十年中迅速发展。自动驾驶汽车对现有的运输基础设施提出了许多跨学科挑战。在本文中，我们对自动驾驶汽车应更改其车道进行算法研究，这是车辆自动化领域中的基本问题，也是大多数“幻影”交通拥堵的根本原因。我们提出了一个预测和决策框架，称为Cheetah（自动驾驶汽车的Change Lane Smart），该框架旨在优化自动驾驶汽车的车道更改操作，同时最大程度地减少其对周围车辆的影响。在预测阶段，Cheetah从周围车辆的历史轨迹中了解了具有深层模型（气体导向模型）的历史轨迹的时空动态，并在不久的将来预测了它们相应的动作。还纳入了全球注意力机制和国家共享策略，以实现更高的准确性和更好的收敛效率。然后，在决策阶段，猎豹通过考虑速度，对其他车辆和安全问题等诸如速度，影响速度等因素，为自动驾驶汽车寻求最佳的车道更改操作。基于树的自适应梁搜索算法旨在降低搜索空间并提高准确性。为了使我们的框架适用于更多场景，我们进一步提出了改进的猎豹（Cheetah +）框架，使自动驾驶汽车适应离开道路并满足驾驶舒适性的要求。广泛的实验提供了证据，表明所提出的框架可以从有效性和效率方面提高最新技术。
Élivágar：用于分类的高效量子电路搜索
为量子机器学习 (QML) 设计高性能、抗噪声的电路具有挑战性 — — 设计空间随着电路规模呈指数级增长，并且 QML 电路设计几乎没有得到良好支持的指导原则。尽管最近的量子电路搜索 (QCS) 方法试图搜索高性能且抗硬件噪声的 QML 电路，但它们直接采用经典神经架构搜索 (NAS) 的设计，而这些设计与量子硬件的独特约束不一致，导致搜索开销高昂和性能瓶颈严重。我们提出了一种新颖的资源高效、噪声引导的 QCS 框架 Élivágar。Élivágar 在 QCS 的所有三个主要方面 — — 搜索空间、搜索算法和候选评估策略 — — 进行了创新，以解决当前受经典启发的 QCS 方法中的设计缺陷。Élivágar 通过噪声和设备拓扑感知的候选生成实现了硬件效率，并避免了昂贵的电路映射协同搜索。通过引入两个计算成本低廉的预测器，即 Clifford 噪声弹性和表示容量，Élivágar 将噪声鲁棒性和性能评估分离，从而能够尽早拒绝低保真度电路并降低电路评估成本。由于其资源效率，Élivágar 可以进一步搜索数据嵌入，从而显著提高性能。根据对 12 个真实量子设备和 9 个 QML 应用程序对 Élivágar 的全面评估，与最先进的 QCS 方法相比，Élivágar 的准确率提高了 5.3%，速度提高了 271 倍。
用于 SMT 策略综合的分层分阶段蒙特卡洛树搜索
现代 SMT 求解器（例如 Z3）提供用户可控制的策略，使求解器用户能够根据其独特的实例集定制求解策略，从而显著提高求解器针对其特定用例的性能。然而，这种策略定制方法提出了一个重大挑战：为 SMT 实例类手工制定优化策略对于求解器开发人员和用户来说仍然是一项复杂且艰巨的任务。在本文中，我们通过一种基于蒙特卡洛树搜索 (MCTS) 的新型方法解决了自动 SMT 策略合成问题。我们的方法将策略合成视为一个顺序决策过程，其搜索树对应于策略空间，并使用 MCTS 来导航这个巨大的搜索空间。使我们的方法能够识别有效策略同时保持低成本的关键创新是分层和分阶段 MCTS 搜索的思想。这些新颖的启发式方法允许更深入、更有效地探索策略空间，使我们能够合成比最先进 (SOTA) SMT 求解器中的默认策略更有效的策略。我们将我们的方法（称为 Z3alpha）作为 Z3 SMT 求解器的一部分来实现。通过对六种重要的 SMT 逻辑进行广泛的评估，Z3alpha 在大多数基准测试中表现出比 SOTA 综合工具 FastSMT、默认 Z3 求解器和 CVC5 求解器更优异的性能。值得注意的是，在具有挑战性的 QF BV 基准测试集上，Z3alpha 比 Z3 中的默认策略多解决 42.7% 的实例。
![arXiv:2006.01610v1 [cs.AI] 2020 年 6 月 2 日](/simg/c\c14b5ee8297f1f5ec8a1eefd93238c5c993dbd04.png)
arXiv:2006.01610v1 [cs.AI] 2020 年 6 月 2 日
组合优化已应用于从航空航天到交通规划和经济学等众多领域。其目标是在有限的可能性集合中找到最佳解决方案。组合优化面临的众所周知的挑战是状态空间爆炸问题：可能性的数量随着问题规模的增加而呈指数增长，这使得解决大问题变得困难。近年来，深度强化学习 (DRL) 已显示出其在设计专门用于解决 NP 难组合优化问题的良好启发式方法方面的前景。然而，当前的方法有两个缺点：（1）它们主要关注标准旅行商问题，不能轻易扩展到其他问题，（2）它们仅提供近似解，没有系统的方法来改进它或证明最优性。在另一个背景下，约束规划 (CP) 是解决组合优化问题的通用工具。基于完整的搜索过程，如果我们允许执行时间足够长，它将始终找到最佳解决方案。一个关键的设计选择是分支决策，它决定了如何探索搜索空间，这使得 CP 在实践中变得不可或缺。在这项工作中，我们提出了一种基于 DRL 和 CP 的通用混合方法来解决组合优化问题。我们方法的核心是基于动态规划公式，它充当了两种技术之间的桥梁。我们通过实验表明，我们的求解器可以有效解决两个具有挑战性的问题：带有时间窗口的旅行商问题和 4 矩投资组合优化问题。获得的结果表明，引入的框架优于独立的 RL 和 CP 解决方案，同时与工业求解器具有竞争力。
“AI+R”树：实例优化的 R 树
摘要 — 新兴的实例优化系统类别已显示出通过专门针对特定数据和查询工作负载实现高性能的潜力。特别是，机器学习 (ML) 技术已成功应用于构建各种实例优化组件（例如，学习索引）。本文研究了利用 ML 技术来增强空间索引（特别是 R 树）的性能，以适应给定的数据和查询工作负载。由于 R 树索引节点覆盖的区域在空间中重叠，因此在搜索空间中的特定点时，可能会探索从根到叶的多条路径。在最坏的情况下，可以搜索整个 R 树。在本文中，我们定义并使用重叠率来量化范围查询所需的无关叶节点访问程度。目标是提高传统 R 树对高重叠范围查询的查询性能，因为它们往往会产生较长的运行时间。我们引入了一种新的 AI 树，将 R 树的搜索操作转换为多标签分类任务，以排除无关的叶节点访问。然后，我们将传统的 R 树扩展到 AI 树，形成混合的“AI+R”树。“AI+R”树可以使用学习模型自动区分高重叠查询和低重叠查询。因此，“AI+R”树使用 AI 树处理高重叠查询，使用 R 树处理低重叠查询。在真实数据集上的实验表明，“AI+R”树可以将查询性能提高到传统 R 树的 500% 以上。
新兴材料和设计原理Wurtzite型铁电
，除非探索非传统计算体系结构和创新的存储解决方案，否则计算和数据存储的能源需求将继续呈指数增长。低能计算，包括内存架构，具有解决这些能力和环境挑战的潜力，尤其是四面体（Wurtzite-type）铁电挑战是绩效和与现有半导体过程集成的有希望的选择。Al 1-X sc X n合金是表现为铁电转换的少数四面体材料之一，但是切换极化所需的电场，即，强制性场E C在MV/CM的顺序上，该顺序是MV/CM的顺序，该顺序比传统的传统氧化物氧化物蛋白酶蛋白酶蛋白酶高度高约1-2个数量级。我们不是进一步的工程AL 1 -x SC X N和相关的合金，而是探索计算识别的替代途径，其开关屏障的新材料低于ALN，但仍具有足够高的内在分解场。超越了二进制化合物，我们探索了具有Wurtzite型结构的多元化合物的搜索空间。通过这次大规模搜索，我们确定了四个有希望的三元氮化物和氧化物，包括Mg 2 Pn 3，Mgsin 2，Li 2 Sio 3和Li 2 Geo 3，以实现实验实现和工程。在> 90％的被考虑的多元材料中，我们确定了独特的开关途径和非极性结构，这些结构与基于ALN的Maverials中通常假定的开关机制不同。我们的结果反驳了现有的设计原理，基于降低Wurtzite C/A晶格参数比率，同时支持两个新兴设计原理 - 离子性和键强度。
dtsyn：一个基于双转化器的神经网络，可预测协同药物组合
抽象的药物组合疗法在解决肿瘤异质性问题时在许多方面都优于单一治疗癌症治疗。对于湿lab实验，由于可能的药物对搜索空间，筛选新型的协同药对具有挑战性。因此，已经开发了计算方法来预测具有潜在协同功能的药物对。尽管当前模型取得了成功，但对其他数据集的概括的力量以及了解化学化学相互作用或化学样本相互作用机制的理解是缺乏研究，从而阻碍了实际应用的当前算法。在本文中，我们提出了一种基于多头注意力机制的DTSYN（药物对协同预测的双变压器模型）的深神经模型，以鉴定新的药物组合。我们设计了一种细粒状变压器，用于捕获化学下结构基因和基因 - 基因关联以及一种用于提取化学化学化学和化学细胞线相互作用的粗粒状变压器。dtsyn在曲线（ROC AUC）下达到了最高的接收器工作特征区域，为0.73，0.78。0.82和0.81在四个不同的交叉验证任务上，表现优于所有竞争方法。此外，DTSYN在五个独立数据集中实现了最佳的真实正率（TPR）。消融研究表明，两个变压器块都导致了DTSYN的性能。此外，DTSYN可以在化学物质和细胞系之间提取相互作用，这可能代表了药物作用的机制。因此，我们设想模型是通过使用化学物质和转录组数据来确定协同药物对优先级的有价值工具。