XiaoMi-AI文件搜索系统
World File Search System替代模型
代理模型在动态系统数字孪生开发中的作用
数字孪生技术在航空航天、基础设施和汽车等各个工业领域具有广泛的应用前景、现实意义和潜力。然而，由于具体应用不明确，这项技术的采用速度较慢。本文使用离散阻尼动态系统探讨数字孪生的概念。由于数字孪生也有望利用数据和计算方法，因此在这种情况下使用代理模型是有充分理由的。在这种协同作用的推动下，我们探索了在数字孪生技术中使用代理模型的可能性。特别是，我们探索了在数字孪生技术中使用高斯过程 (GP) 模拟器。GP 具有处理噪声和稀疏数据的固有能力，因此，在数字孪生框架内使用它是有充分理由的。涉及刚度变化和质量变化的情况将单独和联合考虑，以及数据中不同程度的噪声和稀疏性。我们的数值模拟结果清楚地表明，GP 模拟器等替代模型有可能成为开发数字孪生的有效工具。分析了与数据质量和采样率相关的方面。总结了本文介绍的关键概念，并提出了未来迫切研究需求的想法。
控制器 - 外围架构和昂贵的
复杂行为得到了多个大脑区域的协调支持。5大脑区域如何协调不存在的寄生？我们提出的坐标6是通过控制器 - 外围结构来实现的，其中外围设备（例如7腹视觉流）旨在向其控制器（例如8海马和前额叶皮质）提供所需的输入，同时花费最小的资源。我们9在此框架内开发了一个正式模型，以解决多个大脑10区域如何协调从几个示例图像中的快速学习。11个模型捕获了控制器中的高级活性如何以13平行于脑测量的方式影响其精度和稀疏性。特别是，在支持控制器平滑操作所需的范围内，外围编码的视觉信息14。15通过梯度下降优化的替代模型不论建筑16的约束都无法解释人类的行为或大脑反应，并且，对标准深度学习方法进行了典型的17级，是不稳定的逐审学习者。18虽然先前的工作提供了特定能力的帐户，例如感知，19个注意力和学习，但控制器 - 外围方法是迈向朝着20种关于多个教师如何协调的下一代问题迈出的一步。21
3D流仿真的生成建模
3D中湍流的模拟是计算流体动力学（CFD）中最昂贵的模拟之一。已经在替代模型上写了许多作品，以更快，学习，自动化的模型代替流体流的数值求解器。然而，三个维度的湍流的复杂性需要以很小的时间步长训练这些模型，而产生逼真的流量状态需要长时间的延期，并从多个步骤和明显的误差积累或从已知的现实流动状态开始，我们首先要避免使用。取而代之的是，我们建议将湍流模拟作为一项发电的任务，直接学习所有可能的湍流状态的多种流量，而无需依赖任何初始流动状态。在我们的实验中，我们引入了一个具有挑战性的3D湍流数据集的高分辨率流和由各种物体引起的详细涡流结构，并得出了两个新型的湍流样本评估指标。在此数据集中，我们表明我们的生成模型捕获了由看不见的对象引起的湍流的分布，并生成了可用于下游应用程序的高质量，现实的样本，而无需访问任何初始状态。
未来的身体。简短概述
如果您在2024年夏季向Chatgpt询问有关“未来身体”的信息，它将告诉您，这是一个概念，可以通过技术，科学和文化转变来探讨人体对人体的潜在演变，增强和转变。未来的身体始终是科学和技术可能性以及虚构的想象或规范的产物。科学和“小说”的实践是在跨掩饰和跨掩饰的交流中遇到的。1的猜测继续在实现之前，科幻小说的叙事和艺术实践都进入了研究之路，就像（生物）技术创新融入了艺术，电影，电影，文学和游戏中一样。2自19世纪后期以来，未来的身体在跨大西洋社会中被理解为可以计划和塑造的物理理想的愿景，以及必须预防的霍尔斯的预测。未来的两种思想都与预先发送的观点有关，并且是当代话语，问题和权力关系的产物。以这种方式，想象中的未来使现在的“真实”介入了现在，以提供在现在和现在的世界中以及这样做的替代模型。3
晶格材料倒数设计的可区分图形结构模型
具有可适应于不同环境条件的物理化学特性的构造材料体现了材料科学的破坏性新领域。在数字设计和制造方面的进步推动下，形状成晶格拓扑的材料可实现一定程度的定制，而无需提供散装材料。一个有前途的启发其设计的场所是自然的不规则微构造。然而，这种不规则性解锁的巨大设计可变性对于分析探测很具有挑战性。在这里，我们提出了一种使用基于图的表示定期和不规则晶格材料的新计算方法。我们的方法使用传递算法的可区分消息来计算机械性能，因此允许使用替代衍生物自动分化，可以调整单个晶格元素的几何结构和局部属性，以实现具有所需属性的成型材料。我们进一步引入了图形神经网络替代模型，以大规模结构分析。该方法可推广到可表示为异质图的任何系统。关键字 - 超材料，晶格，逆设计，消息传递，图形神经网络，自动差异，替代梯度
图形卷积网络用于模拟多孔介质中的多相流量和传输
多孔介质中多相流体动力学的数值模拟对于地球地下的许多能量和环境应用至关重要。数据驱动的次要模型为高保真数字模拟器提供了计算廉价的替代方案。虽然常用的卷积神经网络（CNN）在近似部分微分方程解决方案方面具有强大的功能，但CNN处理不规则和非结构化的模拟网格仍然具有挑战性。然而，地球地下的模拟模型通常涉及与复杂的网格网格的非结构化网格，从而限制了CNN的应用。为了应对这一挑战，我们基于图形卷积网络（GCN）构建了替代模型，以近似多孔介质中多相流和传输过程的空间 - 周期解。我们提出了一种适合耦合PDE系统双曲线特征的新GCN体系结构，以更好地捕获传输动力学。2D异质测试案例的结果表明，我们的替代物以高精度预测压力和饱和状态的演变，并且预测的推出对于多个时间步中仍然稳定。此外，基于GCN的模型可以很好地推广到训练数据集中看不见的不规则域几何和非结构化网格。
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
混合碰撞避免方法
摘要：在此手稿中，我们考虑轨迹计划和控制中的避免障碍任务。这些任务的挑战在于难以解决最佳控制问题（OCP）的非convex纯状态约束。强化学习（RL）提供了处理障碍限制的更简单方法，因为只需要建立反馈功能。尽管如此，事实证明，我们经常获得持久的训练阶段，我们需要大量数据来获得适当的解决方案。一个原因是RL通常没有考虑到基本动力学的模型。相反，此技术仅依赖于数据中的信息。为了解决这些缺点，我们在本手稿中建立了一种混合和分层方法。虽然经典的最佳控制技术处理系统动力学，但RL专注于避免碰撞。最终训练的控制器能够实时控制动态系统。即使动态系统的复杂性对于快速计算或需要加速训练阶段的复杂性太高，我们也通过引入替代模型来显示一种补救措施。最后，总体方法应用于在赛车轨道上引导汽车，并通过其他移动的汽车进行动态超车。
基于物理的数字孪生，用于自主无人机着陆的模型预测控制
本文提出了一种两级数据驱动的数字孪生概念，用于飞机的自主着陆，并给出了一些假设。它具有一个用于模型预测控制的数字孪生实例；以及一个用于流体结构相互作用和飞行动力学的创新实时数字孪生原型。后者的数字孪生基于对高保真、粘性、非线性飞行动力学计算模型的预先设计的下滑道轨迹的线性化；并将其投影到低维近似子空间，以实现实时性能，同时保持准确性。其主要目的是实时预测飞行过程中飞机的状态以及作用于飞机的空气动力和力矩。与基于稳态风洞数据的静态查找表或基于回归的替代模型不同，上述实时数字孪生原型允许模型预测控制的数字孪生实例由真正动态的飞行模型而不是一组不太准确的稳态气动力和力矩数据点来告知。本文详细描述了所提出的两级数字孪生概念的构建及其通过数值模拟的验证。它还报告了其在斯坦福大学现成的无人机在自主模式下的初步飞行验证。
可再生能源
采用由可再生能源提供支持的能源系统需要大量的经济投资。因此，选择适当大小的系统组件成为一个关键步骤，这受到其独特特征的显着影响。此外，可再生能源的可用性会随着时间而变化，并且估计可用性会引入相当大的不确定性。在本文中，我们提出了一种用于混合能源系统最佳设计的技术，该技术解释了与资源估计相关的不确定性。我们的方法基于随机编程理论，并采用替代模型使用前馈神经网络（FFNN）估算电池寿命。使用遗传算法（GA）和Poplar优化算法（POA）进行了系统设计的优化分析。我们通过假设的案例研究评估了所提出的技术的有效性。基于FFNN的替代模型的引入导致成本估算的近似误差为9.6％，电池寿命估计的近似值为20.6％。概率设计表明，能源系统成本比使用确定性方法获得的成本高25.7％。GA和POA都达到了可能代表全局最佳最佳的解决方案。