XiaoMi-AI文件搜索系统
World File Search System搜索空间
LLM辅助机器人应用的最终用户开发
机器人有可能显着提高从工厂OOR到研究实验室的各种企业的生产力。然而，de ploying机器人可能是复杂且昂贵的，通常需要专家团队进行系统初始化和任务规格编程。考虑了一个方案，其中一组研究人员正在努力提高水的光催化剂来从水中生产氢，这是一种通常被描述为化学的“圣杯”的追求[48]。这项努力可能需要对各种候选人和骗局进行广泛的实验探索；例如，评估具有十个变量的搜索空间可能会出现约9800万个潜在的候选人。即使采用优化策略来缩小此搜索空间的范围，可能仍需要多达688个实验来识别出色的光催化剂混合物。机器人化学家[10]进行了这些实验，并在机器人如何自动化重复性，低级测试程序，使科学家专注于高级任务。
Roboverine：自然主义环境中主动视觉搜索和场景语法的人类启发的神经机器人过程
摘要 - 我们提出了Roboverine，这是一种自然主义环境中选择性视觉注意力和场景语法的神经动态机器人主动视觉过程模型。该模型解决了视觉注意的认知机器人模型的重大挑战：结合自下而上的显着性和上下功能指导，公开和掩盖的关注，坐标转换，抑制回报的两种形式，在相机框架之外找到对象，集成空间和基于对象的分析和基于对象的分析，基于空间和基于对象的探索，几乎没有识别的在线学习和自定义的探索和自定义，并自动切换和自定义。此外，它结合了场景语法的神经过程帐户 - 关于场景中对象之间关系的先验知识，以降低搜索空间并提高搜索效率。该模型还展示了桥接两个框架的强度：用于特征提取的深神经网络和用于认知操作的动态场理论。
飞机配平粒子群优化分析
在本研究中，首先开发了 F-16 飞机全动力学的详细非线性模型，并用 MATLAB 编写了代码。该模型包括重力模型、可变大气参数、表格气动函数、推进模型、非线性控制面驱动模型和六自由度运动方程。然后开发了一种使用上述模型计算所有可能配平值的数值工具。该工具可以计算不同操作点的配平值。在开发的算法中，使用了粒子群优化 (PSO) 方法，这是一种在连续搜索空间上具有高收敛速度的元启发式方法。然后使用开发的模型围绕计算出的配平值进行模拟。模拟结果证实，基于 PSO 的配平算法可以高精度地找到所有配平值。引用本文：I. Gumusboga、A. Iftar，“粒子群优化飞机配平分析”《航空航天技术杂志》，第12，第2，第185-196，7 月2019.分段优化和配平分析
基于人工智能的时变环境下 HAPS 规划框架
高空伪卫星 (HAPS) 是一种固定翼、太阳能供电的无人驾驶飞行器 (UAV)，旨在成为固定轨道卫星的灵活替代品，用于长期监测地面活动。然而，由于其重量轻、电动机功率弱，该平台对天气相当敏感，无法在危险天气区快速飞行。在这项工作中，我们将多个 HAPS 的任务规划问题公式化为以 PDDL+ 表示的混合规划问题。该公式还考虑了平台动态建模问题、时变环境以及需要执行的异构任务。此外，我们提出了一个框架，将 PDDL+ 自动规划器与自适应大邻域搜索 (ALNS) 方法相结合，开发该框架是为了将自动规划器与特定于该问题的元启发式方法相结合。任务和运动规划在框架内以交织的方式完成，因此保留了共同的决策/搜索空间。我们使用第三方 HAPS 真实模拟器以及一组基准测试验证了我们的方法，表明我们的集成方法可以制定可执行的任务计划。
人工智能本地搜索
让我们简要回顾一下到目前为止所涵盖的内容。许多计算问题可以映射到 AI 搜索问题。搜索是解决新问题的基本方法。在 AI 搜索技术中，我们到目前为止看到的是，存在大量的状态和动作。有一个起始状态和一个或多个目标状态。我们的目标是找到从起始状态到目标状态的路径。我们已经看到了系统的搜索技术。DFS、BFS 和 IDS 算法等无信息搜索技术会盲目地向各个方向搜索。A ∗、IDA ∗、深度优先 B&B 等有信息搜索技术是引导搜索。在这里，根据估计达到目标状态的成本的评估函数选择下一个节点进行扩展。根据我们目前的知识，为了解决新问题，我们将给定的问题建模为搜索问题。然后，我们应用来自无信息搜索技术或来自有信息搜索技术的搜索算法来系统地探索搜索空间，以从起始状态到达目标状态，并获得从起始状态到目标状态的路径作为解决方案
量子程序的自动符号验证
量子计算在提高优化[15,25]、数据库搜索[19]、密码学[36]、量子动力学模拟[10]、可满足性问题[8]和机器学习[23]等许多领域的问题求解的可扩展性方面具有巨大潜力。最近，量子计算在交通流[18]、飞机载荷[38]、物流[2]和医疗诊断[21]等安全关键领域的应用势头强劲。此外，量子模拟[1,11,37]和云端量子计算机[22]现已可用。与经典程序一样，检测量子程序中的错误是一个关键问题。对于经典程序，存在强大的形式化验证技术来自动验证程序是否符合形式化规范[12]。最先进的验证器（例如，对于 C 程序 [ 6 ， 7 ， 27 ]）以符号方式执行验证：开发人员将特定的程序输入标记为符号，以便验证器知道使用这些输入作为“搜索空间”。然后，验证器证明程序的所有可能输入都符合规范。
morphvae：发展体素的形态设计 -
软机器人设计是一个复杂的领域，由于其复杂且广阔的搜索空间，面临着独特的挑战。在过去的文献中，进化计算算法（包括新型概率生成模型（PGM））在该领域显示了潜力。但是，这些方法是效率低下的样本，主要关注运动任务中的刚性机器人，这限制了它们在机器人设计自动化中的性能和应用。在这项工作中，我们提出了Morphvae，这是一种创新的PGM，它结合了多任务培训方案和精心制作的采样技术，称为“连续自然选择”，旨在增强样品效率。这种方法使我们能够从各种任务和时间进化阶段进行评估的样本中获得见解，同时保持光学效率和生物多样性之间的微妙平衡。通过各种运动和操纵任务的广泛表达，我们证实了形态在产生高性能和多样化设计方面的效率，超过了竞争性基线的性能。
逆合成可达性评分 (RAscore) - RSC 出版
化学发现中的人工智能 (AI) 一直在推动化学界可用工具的改进。这主要发生在新化学实体 (NCE) 的从头生成、1,2 毒理学/生物活性 3 和计算机辅助合成规划 (CASP) 领域。4,5 关于制造哪种分子以及如何制造它的问题是整个学术界和从农用化学品到制药等一系列行业的化学发现项目的核心。6 通常，虚拟筛选 (VS) 工作流程已用于决定制造哪些化合物，从生成的、枚举的、商业的或公共的数据集开始，然后使用各种基于统计和物理的建模技术对其进行过滤，直到搜索空间被细化（图 1）。 7 – 10 在 VS 工作流程结束时，在实验室合成之前，由一组化学家决定制造哪些化合物以及如何制造这些化合物。为了辅助这一筛选过程，过去二十年来，人们采用了各种计算工具，这些工具考虑了可合成性因素。11 – 13
人工智能生活
人类思维具有多种能力。我们选择哪个功能来开始构建人工智能？Shaw、Newell 和 Simon 开始研究计算机程序如何解决问题，例如证明几何定理，或玩跳棋或国际象棋等游戏。他们证明，解决此类问题归结为在可能的决策迷宫中进行搜索以达到预期目标。导致目标的决策序列形成了解决方案。搜索空间通常可能是无限的。因此，有一些策略可以有选择地搜索这个空间，利用任何关于问题性质的先验知识。这是人工智能的第一次重大突破，最终导致 IBM 深蓝计算机在 1997 年的一场国际象棋比赛中击败了国际象棋大师卡斯帕罗夫。甚至在那之前，在 80 年代，各个领域就出现了大量专家系统，主要由以事实和规则形式捕获领域知识的技术引发，并使用搜索找到适当的应用这些规则的顺序以得出解决方案。
整合定量和定性发现
摘要。大多数有关归纳学习的研究一直关注定性学习，这些学习从给定的事实引起了概念性的逻辑式描述。相比之下，定量学习涉及发现表征经验数据的数值定律。这项研究试图通过结合新开发的启发式方法将方程与先前开发的概念学习方法相结合，以整合两种类型的学习，而归纳学习计划AQ11则体现了这两种学习。结果系统，算法，制定了绑定观察到的数据的子集的方程，并得出了明确的逻辑样式描述，以说明这些方程的适用性条件，此外，还引入了几种新的定量ICARNing技术。单位分析通过检查变量的兼容性“单位”。apportionali o'图搜索解决了识别应输入方程的相关变量的问题。暂停搜索通过启发式评估重点关注搜索空间。物理和化学的几个例子证明了算盘的能力。