XiaoMi-AI文件搜索系统
World File Search System模拟的
人工智能支持的基于模拟的学习
自我调节学习（SRL）在学习过程中起着重要作用，帮助学习者优化实践（Zimmerman 2006）。自我调节学习一词强调学习者在学习过程中的责任感和自主性（Paris and Winograd 1998）。根据 Zimmerman（2000a）的说法，该术语描述“为实现个人目标而计划和周期性调整的自我产生的想法、感受和行动”（第 14 页）。在调节过程中，学习者可以计划、设定目标、组织、自我监控和自我评估，这使他们自我意识到并了解学习过程。当任务具有挑战性时，他们会努力和坚持而不是放弃。通过采取战略行动，学习者寻求适当且有用的建议、信息和策略来支持他们的学习，并在表演过程中自我指导和自我强化（Zimmerman 2000b；Perry 和 Rahim 2011；Pintrich 2003）。调节过程的对象是学习过程中不同的行为、动机和情感方面（Zimmerman 2006）。在本研究中，我们从情感的角度探讨 SRL 的主题，并关注模拟器学员调节其学习过程的情感决定因素。
DYSAC：数字模拟的模拟计算机
摘要 为 CDC 1604 数字计算机编写了一个模拟大型电子模拟计算机的数字计算机程序。除了提供许多在电子模拟计算机中很少见的非线性计算元素外，该程序还接受输入数据，其形式可以直接从框图或模拟计算机接线图中写下来。使用数字绘图仪可以以绘制的曲线形式获得图形输出。输入语言的简单性使没有数字计算机经验的人也可以轻松使用该程序。这个数字计算机程序称为 DYSAC，是数字模拟计算机的缩写，实际上是一个完整的编程系统，并且与 FORTRAN 一样，它具有一种特殊的语言来方便使用。
量子模拟的密集输出
量子密集输出问题是使用量子计算机评估时间相关量子动力学中时间累积的可观测量的过程。该问题经常出现在量子控制和光谱计算等应用中。我们提出了一系列旨在在早期和完全容错量子平台上运行的算法。这些方法借鉴了振幅估计、汉密尔顿模拟、量子线性常微分方程 (ODE) 求解器和量子卡尔曼线性化等技术。我们针对演化时间 T 和容错率 ǫ 提供了全面的复杂性分析。我们的结果表明，对于某种类型的低秩密集输出，线性化方法几乎可以实现最佳复杂度 O (T/ǫ)。此外，我们对密集输出问题进行了线性化，从而得出包含原始状态的精确有限维闭包。该公式与库普曼不变子空间理论有关，可能在非线性控制和科学机器学习中具有独立意义。
基于模拟的采购：一种新方法
为了实现项目目标，项目经理长期以来一直在将建模和仿真 (M&S) 工具应用于项目各个阶段的工作。然而，最近，国防预算的下降增加了采购部门的压力，要求他们找到更便宜的方式来开发和部署系统。此外，世界形势的快速变化要求这些材料解决方案更快地到达作战人员手中。为了应对预算和时间限制日益增加的挑战，许多项目已经彻底改变了其开展业务的方式。这些项目认识到 M&S 工具带来的生产力大幅提高和成本降低。在这些项目中，项目管理希望将 M&S 应用程序贯穿于项目的各个阶段，并寻求利用外部 M&S 应用程序的优势来开展项目内部的工作。这种新的经营方式将模拟技术的快速发展与流程变化结合起来，正在推动我们采购国防系统的新方法。这种新方法被称为基于模拟的采购，或 SBA。
基于模拟的培训可视化 - DiVA
1. 简介 半个多世纪以来，空战一直被视为现代战争和防御的最重要方面之一。瑞典空军 (SwAF) 长期以来一直致力于组织和培训战斗机飞行员，主要关注保卫本国领土边界或参与联合国领导的支援任务。通过使用多用途 JAS 39 鹰狮战斗机，瑞典空军飞行员可以执行广泛的空对空、空对地和侦察任务。虽然飞机本身可能无法与某些竞争机型的最大速度和高度相匹配，但瑞典空军部队努力通过训练成为世界上最智能、机动性最强、最灵活和战术性最强的部队来克服这一问题。为了实现这一目标，需要一个世界领先的支持、教育和培训系统。
从现实到模拟的超现实
我们今天生活在一个新的虚拟和全球空间中。计算机和电子设备（智能手机）使我们保持在线，沉浸在网络空间中，处于一个万物相连的网络中。日益超现实的世界意味着我们的感知如何依赖于模拟。鲍德里亚说，整个系统被不确定性所淹没，现实被模拟的超现实所吸收。超现实和模拟取代了现实本身，看起来比现实更真实。我们必须反思虚拟是什么，它的影响或后果是什么，因为每一种新的电子媒介或数字设备都会带来新的程序、行为和存在方式。本研究采用理论和概念方法，目的是：a) 了解虚拟及其影响的含义，b) 将重塑和重构文化和社会互动模式的超现实的普通体验问题化。虚拟不仅仅是鲍德里亚所定义的幻觉。虚拟为我们思考。在不久的过去，情况恰恰相反。我们得出的结论是，技术已经使我们习惯了虚拟媒体化，现在我们毫无区别地将其视为真实，更喜欢虚幻的无限力量及其效果，而不是真实的局限性。
峰值神经网络模拟的环境
在大脑中，信号的事件驱动性质和以尖峰信号形式编码的信息允许以很少的能量执行巨大的数据处理过程。因此，神经网络研究正在发展为接近生物学模型。很长一段时间以来，将通过基于尖峰的计算模型来实现神经网络的未来。在尖峰神经网络中，信息在尖峰信号中编码。将信息作为尖峰列车保留，可以像标准的计算机体系结构一样以二进制形式表示信息，但以时间依赖的方式表示。这降低了信息的传输和处理成本。出于所有这些原因，峰值计算模型的计算和能量效率高于前几代。
学习数值模拟的相似性度量
我们提出了一种基于神经网络的方法，该方法可计算一个稳定且通用的度量（LSiM）来比较来自各种数值模拟源的数据。我们专注于标量时间相关的二维数据，这些数据通常来自基于运动和传输的偏微分方程（PDE）。我们的方法采用了一种由度量的数学性质驱动的孪生网络架构。我们利用带有 PDE 求解器的可控数据生成设置，在受控环境中从参考模拟中创建越来越不同的输出。我们学习到的度量的一个核心组成部分是一个专门的损失函数，它将关于单个数据样本之间相关性的知识引入训练过程。为了证明所提出的方法优于现有的向量空间度量和其他基于图像的学习到的度量，我们在大量测试数据上评估了不同的方法。此外，我们分析了可调节训练数据难度的泛化优势，并通过对三个真实数据集的评估证明了 LSiM 的稳健性。
653 基于模拟的干预对护士的影响...
摘要背景：1 型糖尿病需要大量的自我护理，包括每天多次注射胰岛素、每天多次刺破手指进行血糖测试以及门诊静脉穿刺。基于模拟的教育是课堂学习和临床实践之间的纽带。它有助于在现实环境中与新生儿一起工作之前提高护理能力，从而提高护理质量并确保新生儿的安全。本研究旨在评估基于模拟的干预对护士在糖尿病儿童胰岛素自我注射方面的表现的影响。方法：采用准实验研究设计。地点：该研究在索哈杰大学医院的儿科糖尿病住院和门诊诊所进行。主题：在上述环境中工作的所有护士（50 名）的方便样本。数据收集工具：（1）胰岛素自我注射问卷表和（2）观察清单用于收集数据。结果：受试护士的知识与实践之间存在非常显著的统计学差异。在实施基于模拟的干预之前，研究发现四分之三的护士对糖尿病儿童胰岛素自我注射的知识不足，五分之三的护士缺乏足够的实践。实施基于模拟的干预后，研究中的大多数护士表现出令人满意的实践水平和良好的知识水平。基于模拟的干预后，护士的表现与之前相比有所改善，并且发生了高度显著的变化。结论：根据本研究的结果，护士在参与基于模拟的干预时，为糖尿病儿童注射胰岛素的表现有所提高。建议：该研究建议使用基于模拟的干预对护士进行糖尿病儿童胰岛素自我注射方面的培训。