XiaoMi-AI文件搜索系统
World File Search System模拟数据
基于图像的波前校正使用无模型的增强学习
摘要：光学畸变阻止望远镜达到其理论衍射极限。一旦估计，这些畸变就可以通过在闭环中使用可变形的镜子进行补偿。焦平面波传感可以直接从科学传感器拍摄的图像中估算完整光路的畸变。但是，当前的局灶性平面波前传感方法依赖于物理模型的物理模型，这些模型可能会限制校正的整体性能。这项研究的目的是使用无模型的增强学习来开发一种数据驱动的方法，以自动执行对像差的估计和校正，仅使用围绕焦平面围绕焦平面作为输入而获得的相位多样性图像。我们在加强学习的框架内提出校正问题，并在模拟数据上培训代理。我们表明该方法能够可靠地学习各种现实条件的有效控制策略。我们的方法还证明了对广泛的噪声水平的鲁棒性。
研究文章Linguaphylo：一种可再现的系统发育分析的概率模型规范语言
系统发育模型已经变得越来越复杂，系统发育数据集在规模和丰富度方面都扩大了。但是，当前的推理工具缺乏模型指定语言，可以简单地描述完整的系统发育分析，同时独立于实施细节。我们引入了一种新的轻巧和简洁的模型规范语言“ lphy”，该语言被设计为人类和机器可读性。图形用户界面伴随“ lphy”，允许用户构建模型，模拟数据并创建描述模型的自然语言叙述。这些叙述可以作为手稿方法部分的基础。此外，我们提出了一个命令行界面，用于将LPHY指定模型转换为与BEAST2软件平台兼容的分析规范文件（XML格式）。总的来说，这些工具旨在增强植物研究中描述的清晰度和概率模型的报告，最终促进结果的可重复性。
项目管理中的数字化转型
数字数据与模拟数据不同，它可以以极高的速度使用（存储、处理、跟踪、复制）而不会降低质量，而且边际成本可以忽略不计。数字数据的这些特性是数字技术发展的因素之一，也是数字技术使用的副产品。由于移动消费技术的普及和上网时间的增加，过去十年来，全球创建、复制和消费的数据量空前增加。全球创建、记录、复制和消费的数据总量已从 2010 年的 2 ZB 增长到 2020 年的 64.2 ZB，预计到 2025 年将迅速增加到 180 ZB 以上（1 ZB = 1012 GB）。据预测，随着数据的大幅增长，数据存储容量的安装基数预计将在 2020 年至 2025 年期间以 19.2% 的复合年增长率 (CAGR) 增长。然而，数据本身并不一定有价值。它只有在用于改善社会和经济进程、组织和管理方法时才有价值。
在（混杂）人类微生物组研究中识别差异丰富的分类单元的现实基准
结果在这里我们开发了一个模拟框架，该框架将校准信号植入实际的分类学概况，包括模仿混杂因素的信号。使用几个全元素组和16S rRNA基因扩增子数据集，我们验证我们的模拟数据与疾病关联研究的真实数据相比，其程度要比以前的基准更大。使用广泛的参数化模拟，我们基准了18种DA方法的性能，并进一步评估了混杂模拟的最佳方法。只有线性模型，Limma，Fastancom和Wilcoxon测试以相对较高的灵敏度正确控制虚假发现。在考虑混杂因素时，这些问题会加剧，但是我们发现事后调整可以有效地减轻它们。在大型心脏代谢性疾病数据集中，我们展示了未能说明诸如药物等协变量的情况，这会导致现实世界中的虚假关联。
文章 数据孪生驱动的智能制造网络物理工厂
摘要：由于航空航天和国防工业的生产过程复杂且技术密集，将工业 4.0 引入飞机复合材料的制造过程是不可避免的。工业 4.0 中的数字孪生和信息物理系统是发展数字化制造的关键技术。由于创建高保真虚拟模型非常困难，因此飞机制造商的数字化制造发展具有挑战性。在本研究中，我们从数据模拟的角度提供了一个视图，并采用机器学习方法来简化数字孪生中的高保真虚拟模型。这个新概念称为数据孪生，支持模拟的可部署服务称为数据孪生服务 (DTS)。依靠 DTS，我们还提出了一种微服务软件架构，即信息物理工厂 (CPF)，以模拟车间环境。此外，CPF 中还有两个作战室可用于建立协作平台：一个是物理作战室，用于集成真实数据，另一个是网络作战室，用于处理模拟数据和 CPF 的结果。
揭示计算（生物）材料建模的前景
在此观点交流中，我们简要概述了计算（生物）材料研究的现状，并讨论了该社区中日益发现的四个挑战的可能解决方案：（i）希望开发一个统一的框架来测试新开发方法的实施一致性和物理准确性，（ii）选择一种标准格式，可以处理模拟数据的多样性，同时简化数据存储、数据交换和数据复制，（iii）如何处理海量数据的生成、存储和分析，以及（iv）高效“核心”引擎的好处。表达的观点是计算利益相关者在 Lorentz 中心研讨会上讨论的结果，该研讨会的标题为“多尺度建模研讨会”，旨在（i）改进计算结果的验证、报告和可重复性，（ii）改进模拟包和分析工具之间的数据迁移，（iii）在非专家中推广使用粗粒度和多尺度计算工具，并向扩展的用户社区开放这些现代计算发展。
数据孪生驱动的智能制造网络物理工厂
摘要：由于航空航天和国防工业的生产过程复杂且技术密集，将工业 4.0 引入飞机复合材料的制造过程是不可避免的。工业 4.0 中的数字孪生和信息物理系统是发展数字化制造的关键技术。由于创建高保真虚拟模型非常困难，因此飞机制造商的数字化制造发展具有挑战性。在本研究中，我们从数据模拟的角度提供了一个视图，并采用机器学习方法来简化数字孪生中的高保真虚拟模型。这个新概念称为数据孪生，支持模拟的可部署服务称为数据孪生服务 (DTS)。依靠 DTS，我们还提出了一种微服务软件架构，即信息物理工厂 (CPF)，以模拟车间环境。此外，CPF 中还有两个作战室可用于建立协作平台：一个是物理作战室，用于集成真实数据，另一个是网络作战室，用于处理模拟数据和 CPF 的结果。
使用分布式变异推理
摘要 - 多机器人同时本地化和映射（SLAM）使机器人团队通过依靠环境的共同地图来实现协调的任务。通过对机器人观测的集中处理来构建地图是不可取的，因为它会产生单个失败点并重新存在预先存在的基础架构和显着的通信吞吐量。本文将多机器人对象猛击制定为通信图上的变异推理问题，受不同机器人主导的对象估计的共识约束。为了解决该问题，我们开发了一种分布式的镜面下降算法，并在通信机器人之间实施了正则化的共识。使用算法中的高斯分布，我们还为多机器人对象大满贯提供了分布式多状态约束Kalman滤波器（MSCKF）。对真实和模拟数据的实验表明，与单个机器人大满贯相比，我们的方法改善了轨迹和对象估计，同时与集中的多机器人大满贯相比，在大型机器人团队中实现更好的缩放。
QI-Space：太空领域的人工智能革命
我们知道，人类经常通过利用过去获得的不同经验和知识来学习，以改进新的、新颖的任务。迁移学习的本质与此类似，因为它允许将从一个来源学到的知识应用于解决另一个来源的新问题。迁移学习方法有望成为极其有用的方法，因为它可以通过成功运用从不同但相关的问题中获得的知识来大幅减少所需的训练量。迁移学习评估比较了学习率、初始优势和渐近优势等绩效指标。初始优势（或快速启动）是迁移导致的代理性能的初始提升。学习率是达到特定性能水平（尤其是渐近性能）所需时间的减少。（Klenk, M., Aha, DW, & Molineaux, M., 2011）。由于迁移学习能够从现有的实验和模拟数据中提取见解，因此对于面临未知因素和其他挑战的科学家来说，迁移学习是一种很有前途的工具。
量子数据中心：透视
摘要 - 多波长的光声图像编码有关组织光吸收分布的插图。这可用于估计其血氧饱和分布（SO 2），这是组织健康和病理学的重要生理指标。然而，光功能分布的波长依赖性使精确估计值的恢复复杂化，特别是阻止了直接的光谱反转。深度学习方法已被证明有效地从模拟数据中产生SO 2的准确估计。但是，由于缺乏真实的“配对”训练数据（体内组织的多波长PA图像及其相应的SO SO SO分布），因此阻止了通用监督学习方法对真实组织的转化。在这里，我们讨论i）为什么在使用常规手段模拟的图像上训练的网络不太可能将其性能推广到真实组织上，ii）使用两种基于基于副本网络的生成性副本策略来提高SO 2估算网络的概括性的概述的通用性，以估算培训的网络对合成数据进行培训：环境。