XiaoMi-AI文件搜索系统
World File Search System模型模拟
使用未配对的图像到图像翻译网络纠正气候模型模拟
摘要：我们评估了未配对的图像到图像翻译网络的适用性，以纠正通过全球大气循环模型模拟的数据。我们使用无监督的图像对图像翻译（单元）神经网络体系结构来映射在以南亚季风为中心的地理区域中的HADGEM3-A-N216模型和ERA5重新分析数据之间的数据，该区域中具有充分记录的严重偏见。单位网络构建了跨变量的相关性和空间结构，但产生的偏置校正比目标分布少。通过将单位神经网络与经典的分位数映射技术（QM）相结合，我们可以制定比任何一个单独的偏差校正。单元1 QM方案显示可以纠正单个变量的跨变量相关性，空间模式和所有边际分布。对这种联合分布的仔细校正对于化合物极端研究至关重要。
使用语言模型模拟5亿年的演变
超过30亿年的进化产生了编码自然蛋白空间的生物学图像。在这里我们表明，通过探测产生的代币训练的语言模型可以充当远离已知蛋白质远距离的功能蛋白的进化模拟器。我们提出了ESM3，这是一种领域的多模式生成语言模型，该模型是蛋白质的序列，结构和功能。esm3可以遵循复杂的提示，结合了其方式，并且对生物学一致性有很高的响应。我们已提示ESM3用一系列思考生成荧光蛋白。在我们合成的世代中，我们发现了与已知荧光蛋白的远距离（58％同一性）的明亮荧光蛋白。类似的遥远的天然荧光蛋白被超过五百万年的进化所隔开。
使用扩散模型模拟射电星系的图像
上下文。随着天文调查产生的数据量的越来越多，自动分析方法已变得至关重要。合成数据是开发和测试此类方法所必需的。当前模拟的经典方法通常从不可能的细节或源类型出现的不准确表示。深层生成建模已成为综合现实图像数据以克服这些定义的新方法。目标。，我们实施了一个深入的生成模型，该模型对观测值进行了训练，以产生逼真的射电星系图像，并完全控制了频道和源形态。方法。我们使用了一个分散模型，该模型经过连续的时间步骤训练，以减少采样时间而没有质量损害。这两个模型分别在两个不同的数据集上进行了培训。一组是从Lofar两米高调查（Lots）的第二个数据发布中获得的图像选择。该模型在重新缩放图像像素值后保留信号强度信息的峰值条件。另一个较小的集合是从非常大的阵列（VLA）调查中，对二十秒（第一个）的无线电天空的微弱图像进行了调查。在该集合中，每个图像都带有形态学类标签。有条件的抽样是通过无分类的分解指导实现的。，我们通过比较了实际数据和生成数据的不同数量的分布来评估生成的图像的质量，包括来自标准源填充算法的结果。结果。通过培训分类器并比较其在实际数据和生成的数据上的性能来评估类调节。我们已经能够使用25个采样步骤来生成高质量的逼真图像，这在射电天文学领域是前所未有的。生成的图像在视觉上与训练数据无法区分，并且已成功复制了不同图像指标的分布。分类器显示出对真实图像和生成的图像的表现同样出色，表明对形态源特性的强烈采样控制。
使用基于物理的电池模型模拟电动车电池降解⋆
在这里，推动力（F PR）是一个可控的组件，它源自通过电动机或制动器的传输系统。重力（F G）可能会导致加速或减速，具体取决于道路倾斜度；它的行为由（3）描述，其中g是重力加速度，θ是道路的角度。阻力和滚动电阻（分别为F阻力和F RR）是电阻力，始终作用于速度方向。阻力是由空气阻力引起的；它是通过（4）描述的，其中ρ是空气密度，A是车辆的额叶区域，C D是空气阻力系数。滚动阻力是由轮胎和道路之间的轮胎变形和摩擦引起的。它由（5）描述，其中c r是滚动电阻系数（Oliveira等，2023; Alcantara，2022）。f g = k m mg·sin（θ）（3）f drag = 1
使用语言模型模拟5亿年的演变
超过30亿年的进化产生了编码自然蛋白空间的生物学图像。在这里我们表明，通过探测产生的代币训练的语言模型可以充当远离已知蛋白质远距离的功能蛋白的进化模拟器。我们提出了ESM3，这是一种领域的多模式生成语言模型，该模型是蛋白质的序列，结构和功能。esm3可以遵循复杂的提示，结合了其方式，并且对生物学一致性有很高的响应。我们已提示ESM3用一系列思考生成荧光蛋白。在我们合成的世代中，我们发现了与已知荧光蛋白的远距离（58％同一性）的明亮荧光蛋白。类似的遥远的天然荧光蛋白被超过五百万年的进化所隔开。
模型模拟预测，Pemvidutide的双重GLP-1/胰高血糖素受体激动剂将在Mash Nas，肝脂肪和FI
•分别在临床报道和QSP预测Pemvidutide对体重减轻和LFC时24和12周之间的影响之间观察到了很强的相关性。•在24周时，QSP模型预测Pemvidutide 1.8 mg可完全分辨NAS和MASH纤维化的1分中位数改善。•将GCGR激动剂添加到GLP-1R激动剂中，导致LFC从21％降低到62％，并导致中位NAS降低4点。•仅在24周时间内，仅凭GLP-1受体激动剂对纤维化没有影响。
评估巴西和英国气候模型模拟的南美季风特征的代表
在南美洲大陆的很大一部分是季风状的降水体制度，在澳大利亚夏季（12月，1月和2月，DJF）期间，潮湿的季节和澳大利亚冬季（JJA 6月，7月和8月）的旱季（Jones and Carvalho，2002年）。就科学和社会利益而言，季风是该地区最重要的气候现象之一。大多数南美洲人口都生活在直接受其季风气候特征影响的地区。几项活动可能会受到潮湿季节内发生的负降水异常的影响。例如，可以减少农业生产，可以停止河流的导航，水力发电的产生可能会受到损害，而灌木丛的火灾除了航空运输和公共健康外还可以传播并影响生物多样性（Marengo等，2008; Zeng等，2008; Marengo et al。； Marengo等，2011; Espinoza; Espinoza et al。同样，阳性沉淀异常可能导致严重的洪水事件（Marengo和Espinoza，2016； Barichivich等，2018）。因此，很快气候变化直接影响了南美人口的生计。因此，对南美季风的气候特征有深入的了解，包括大气循环的各个方面，以及它们在气候模型中的代表性，后者用于模拟过去的气候条件并预测未来条件。此知识对于提供社会可信信息以帮助建立韧性和可持续的未来很重要。
使用基于卫星的生产力和基于卫星的生物物理产品的多模型模拟来研究印度的陆生碳吸收
抽象的陆地生态系统由于提供了大碳汇而在全球碳循环和气候缓解中起着核心作用。印度地理区域的五分之一以上是地球上最大的国家之一，在植被和气候类型上高度多样化，为碳固存提供了巨大的潜力，但仍然容易受到气候变化的影响。因此，必须知道该地区陆地碳预算的未来变化。总生产率（GPP）代表陆地生态系统的碳吸收。通过耦合模型对比项目（CMIP6）的第六阶段模拟GPP的多模型集合，在这方面提供了有用的手段。在这项工作中，我们使用这些模拟研究了GPP对印度的强度和变异性。将来，所有模型都显示出GPP的趋势越来越大，但趋势却大不相同。碳吸收的首选月份在模型之间有所不同。与卫星生物物理记录的比较显示，模型在印度近乎临时的过程中低估了GPP。喜马拉雅东部的碳吸收占主导地位的喜马拉雅山和中部印度地区。具体而言，直到2100年，GPP的生长速率从4.9到16.69 GC M -2 Y -2，从2.47到18.91 GC M -2 Y -2，分别在这三个区域内分别从0.32到21.95 GC M -2 Y -2。
全球模型模拟中受背景流调制的近惯性波能量
摘要：我们利用 2019 年 5 月至 6 月 30 天内具有真实大气强迫和背景环流的全球 1/25 8 混合坐标海洋模型 (HYCOM) 模拟研究了风致近惯性波 (NIW) 的产生、传播和消散。计算了总场的时间平均近惯性风能输入和深度积分能量平衡项，并将场分解为垂直模式以区分 NIW 能量的辐射和（局部）耗散分量。只有 30.3% 的近惯性风输入投射到前五个模式上，而前五个模式中的 NIW 能量之和占总 NIW 能量的 58%。几乎所有深度积分的 NIW 水平能量通量都投射到前五种模式上。NIW 模式的耗散和衰减距离的全球分布证实，低纬度是高纬度产生的 NIW 能量的汇聚点。发现 NIW 能量的局部耗散部分 q 局部 在整个全球海洋中是均匀的，全球平均值为 0.79。水平 NIW 通量从具有气旋涡度的区域发散，并汇聚在具有反气旋涡度的区域；也就是说，反气旋涡流是 NIW 能量通量的汇聚点 （特别是对于较高模式而言）。大多数未投射到模式上的残余能量在反气旋涡流中向下传播。全球近惯性风能输入量在30天内为0.21TW，其中只有19%传输到500米深度以下。
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。