XiaoMi-AI文件搜索系统
World File Search System模拟数据
技术经济过程建模和蒙特卡洛模拟数据的不确定性定量数据
本数据文章与研究文章有关，“ M.J. McNulty，K。Kelada，D。Paul，S。Nandi和K.A.麦当劳，将不确定性定量引入了制造田种植的植物性产品的技术经济模型，食品生物蛋白酶。过程。128（2021）153–165。”呈现的原始数据和既定数据与非确定性下高价值重组蛋白的超大规模尺度生长植物生产的生成，分析和优化有关。 使用Crystal Ball插件中的SuperPro De-signer中使用确定性的技术经济过程模型模拟，该数据是使用SuperPro De-signer中的确定性技术 - 经济过程模型模拟的。 本文的目的是使技术经济和提出的不确定性数据可用于其他研究目的。128（2021）153–165。”呈现的原始数据和既定数据与非确定性下高价值重组蛋白的超大规模尺度生长植物生产的生成，分析和优化有关。使用Crystal Ball插件中的SuperPro De-signer中使用确定性的技术经济过程模型模拟，该数据是使用SuperPro De-signer中的确定性技术 - 经济过程模型模拟的。本文的目的是使技术经济和提出的不确定性数据可用于其他研究目的。
从硬件/软件架构和相关环境的角度评估和模拟数据中心的能源影响
首先，我要衷心感谢我的论文导师 Jean-Marc MENAUD 教授，感谢他对整个研究过程和相关研究的持续支持。他教会了我什么是科学研究，并为我提供了很多与相应学术领域的教授、博士生和博士后交流的机会。我还要对论文的联合指导老师 Orange Labs 的 David NÖRTERSHÄUSER 博士和 Stéphane LE MASSON 博士表示深深的谢意，感谢他们在研究工作期间提供的专业知识、热情的鼓励、激励和有用的建议。我很感激他们给了我以博士生身份加入 GDM/ICE 团队的机会。如果没有 Orange Labs 和 IMT Atlantique 大学的资金支持，这项研究就不可能实现。我要向 Orange Labs ICE 团队的所有成员表示衷心的感谢，特别是：Dominique BODÉRÉ、Bertrand LE LAMER、Alain RINGNET、Olivier FOUCAULT、Jacky GAUTIER 和 Pascal BODIOU。作为一名外国学生，他们帮助我融入法国的工作和生活。我尤其要感谢 M. Philippe LEVASSEUR，感谢他的善意以及对我实验工作的宝贵技术支持。此外，我不会忘记与我交流的朋友们：Kanza SALALIQI、Simon RICORDEAU、Chafika YAHIA CHERIF、Antoine DONALIES、Paul Arnaud 等。与另一个部门的同事的交流也让我深受启发：Roland PICARD、Benoit HERARD 和 Joel PENHOAT。我还要衷心感谢 IMT Atlantique 的博士后研究员 Jonathan PASTOR 先生。我非常感谢他对集群实验的技术指导、有用的建议和支持，我真的很享受我们一起工作的日子。此外，我还要感谢 Anne-Cécile ORGERIE 博士和 Patricia STOLF 博士，他们是我论文的 CSI 成员。我还要感谢我的评审团成员：Romain ROUVOY 教授、Noël DE PALMA 教授和 Hamid GUALOUS 教授。最后但并非最不重要的是，我要感谢我的父母和同伴 Yiru，他们在整个研究期间都给予我爱和精神上的支持。
DiffractGPT：通过 X 射线确定原子结构...
图 1：JARVIS-DFT (JDFT) 数据库中的晶格和空间群数据分布以及一些模拟 XRD 图案与实验测量值的比较。a) JDFT 原子结构数据库中的晶格和空间群分布。b) 硅的模拟和实验 PXRD。实验数据取自 RRUFF 数据库，ID 为 R050145，而模拟数据取自 JDFT ID JVASP-1002，c) 硼化镧的模拟和实验 PXRD。实验数据是作为这项工作的一部分获得的，而模拟数据取自 JDFT，ID 为 15014，d) 碳化硅（莫桑石）的模拟和实验 PXRD。实验数据取自 RRUFF 数据库，ID 为 R061083，而模拟数据取自 JDFT ID JVASP-107，e) 硼化镁的模拟和实验 PXRD。实验数据是作为这项工作的一部分获得的，而模拟数据来自 JDFT ID JVASP- 1151，f) 碳化铪的模拟和实验 PXRD。实验数据是作为这项工作的一部分获得的，而模拟数据来自 JDFT ID JVASP-17957。
Sandia-HPC-报告-2024.pdf
桑迪亚国家实验室模拟的一个独特进展是实施“合成仪器”。实际仪器数据收集的采样模式用于保存速度数据，而不是沿平面或线查看模拟数据，从而可以对模拟数据和仪器数据进行一对一的比较。例如，激光雷达使用来自空气中粒子散射的激光的视线多普勒数据。激光的指向具有特定的模式，可以绘制出指定区域的速度。合成激光雷达使用与现场激光雷达相同的位置和时间模式记录模拟中的速度。该团队正在将这种方法用于激光雷达、双 X 波段雷达、系留气球和气象站。图 4 显示了数据平面与合成激光雷达和雷达图像的比较。
数字土壤科学及其他 - GitHub Pages
1981 年的数字计算机技术已经远远落后于其他工具，例如穿孔卡，这是一种前电子数字数据存储和处理工具，被土壤科学家广泛使用（例如，Beckett 等人，1972）。在 McBratney 和 Webster（1981）的研究之前的几年，穿孔卡本身与模拟数据（例如 Buringh（1954）或 Webster 和 Beckett（1970）等人用于土壤和土地评估的航空照片）相比是一种改进。快进到今天，科学家已经接受并培育了由二进制的 1 和 0 组成的数字环境，而不是需要人工解释的模拟数据。人们使用包含数十万个土壤剖面的大型（> 10 Gb）电子数字土壤数据库制作世界数字地图。这些土壤数据可通过数字传感器和仪器快速获取。数据分析已启用
数字化 | Landis+Gyr
区分“数字化”和“数字化”很重要。这两个术语不能互换。前者指的是信息和通信技术 (ICT) 对整个社会的影响，特别是它如何改变人与人之间以及人与物之间的互动。相比之下，电网数字化是指通过使用传感器收集模拟数据来创建电网的可见性，然后将模拟数据转换为有用的数字信息，为企业和用户增加价值。实施后，电网数字化使公用事业成为能源市场中更积极的参与者。配电系统运营商 (DSO) 现在有机会作为更大的生态系统的一部分工作，使所有市场利益相关者受益，而不仅仅是将能源分配给最终消费者。新数字电网模型的优势包括更高的可靠性、更高的财务透明度、供需和产品服务集成。这些进步的潜在综合结果是完全自动化、有弹性、“自我修复”的能源网络。
在批处理蒸馏模拟中增强现实主义
摘要。在化学过程工程中，模拟数据的准确性和现实主义对于有效设计和优化广泛的过程至关重要。在本文中，我们演示了神经风格转移方法的功效，以增强模拟产生的时间序列数据的现实性。具体来说，这种机器学习技术使我们能够学习从现实世界化学植物获得的非并行实验数据的样式特征，然后使用它们将模拟数据转换为更紧密地反映了模拟模型未捕获的现实行为和变化。我们提出了一个基于变压器的体系结构，其潜在表示可以纠缠于内容和样式信息。训练后，基础生成模型允许快速和数据有效的风格化生成，而无需每个样本的基于梯度的优化进行许多迭代，就像其他时间序列样式传输基线一样。我们在合成数据和批处理蒸馏的应用中显示了方法的效率。
EDF 多年期展望草案 2023-2026 – v4
- 弥合非特定数据（如模拟数据）与真实任务特定数据之间现实差距的方法，以及用于人工智能支持的任务规划和执行（如战场数据）的模拟框架（R） - 用于态势感知、决策和效应器协调的 3D 地形和城市模型//数字建模、结构分析和目标检测