XiaoMi-AI文件搜索系统
World File Search System测试用例
高温下标准模型的超音速风洞试验...
几十年来，人们一直需要进行大攻角高速风洞测试 [1]-[3]。在早期的航天计划中，以及在航天飞机轨道器的研发中，这种能力对于载人太空舱大气再入测试是必不可少的，例如，航天飞机轨道器以 25 马赫和约 40º 的攻角开始大气再入，仅在 4 马赫以下攻角才会降至 20 ° 以下 [4][5]。此外，现代导弹经常在超音速大攻角条件下机动，因此在研发过程中需要对其空气动力学特性进行适当的实验验证。最近开发的许多具有返飞能力的可重复使用运载火箭概念也强调了对超音速大攻角风洞测试的持续需求。人们已经对大攻角空气动力学进行了大量的理论和实验工作 [5]-[8]。此外，工程级预测代码也已扩展，以涵盖高攻角条件 [9]。另一个需要进行高攻角超音速风洞测试的领域是计算流体力学 (CFD)。许多处理高攻角空气动力学的代码正在开发中，主要是为了支持航天飞机、再入舱和类似飞行器的开发。开发人员承认，高攻角空气动力学带来了许多挑战 [10]-[12]。用作这些代码测试用例的实验数据将
安保和安全协同工程建议（第 2 版）
执行摘要 如今，安全和安保是两项分别处理的风险驱动活动，这带来了高效且经济地协同设计这两个专业的行业挑战。显然，在专名学 1 、算法、（形式化）方法和工具方面有很大机会共享，特别是为了在可控成本下达到更高水平的保证。 可交付成果 D3.4.4 分为两部分。第 A 部分（本文档）是对软件密集型关键信息系统的安全和安全协同工程的广泛最新进展。它主要涵盖学术出版物和行业标准。第 B 部分（配套文件）首先报告了专用于安全和安全协同工程的两个原型工具。第一个原型是由 MERgE 合作伙伴根据 MERgE 软件定义无线电测试用例的安全和安保要求设计和开发的。该文件回顾了要求并介绍了高级设计。该原型的评估结果可在可交付成果 D1.1.1d - TCS 评估中找到。第二个原型称为 AVATAR，由巴黎高科电信公司开发，是我们在研究最新技术时发现的。我们对这个学术工具进行了深入评估。基于我们在最新技术工作（B 部分提供了综合）和工具原型设计工作中获得的经验，B 部分继续提出研究和开发建议
高温下标准模型的超音速风洞试验...
几十年来，人们一直需要进行大攻角高速风洞测试 [1]-[3]。在早期的航天计划中，以及在航天飞机轨道器的研发中，这种能力对于载人太空舱大气再入测试是必不可少的，例如，航天飞机轨道器以 25 马赫和约 40º 的攻角开始大气再入，仅在 4 马赫以下攻角才会降至 20 ° 以下 [4][5]。此外，现代导弹经常在超音速大攻角条件下机动，因此在研发过程中需要对其空气动力学特性进行适当的实验验证。最近开发的许多具有返飞能力的可重复使用运载火箭概念也强调了对超音速大攻角风洞测试的持续需求。人们已经对大攻角空气动力学进行了大量的理论和实验工作 [5]-[8]。此外，工程级预测代码也已扩展，以涵盖高攻角条件 [9]。另一个需要进行高攻角超音速风洞测试的领域是计算流体力学 (CFD)。许多处理高攻角空气动力学的代码正在开发中，主要是为了支持航天飞机、再入舱和类似飞行器的开发。开发人员承认，高攻角空气动力学带来了许多挑战 [10]-[12]。用作这些代码测试用例的实验数据将
网络自动化系统中的人工智能
摘要。本文，作者考虑了一种提供可视化测试的人工智能技术，以及集成到功能自动化测试套件中的开发系统。从而对被测应用程序图形界面中的视觉变化进行监控和分析。所提出的工具旨在解决传统快照可视化测试的现有问题。图形用户界面 (GUI) 测试是软件应用程序质量控制的一个非常重要的测试步骤。GUI 是测试应用程序中的中心节点，所有功能都从这里访问。因此，很难通过图形界面彻底测试程序，特别是因为它们是为与人类而不是机器一起工作而设计的。此外，它们本质上是非静态界面，容易因功能升级、可用性提高、需求变化或环境变化而不断变化。这使测试用例的开发和维护变得复杂，而无需诉诸耗时且昂贵的手动测试。所提出的用于 Web 界面可视化测试的自动化系统使用计算机视觉技术作为视觉比较的人工智能技术。对开发的测试界面（特别是网页）和预期模型（页面上视觉元素的位置，例如来自客户的界面）进行比较分析。在设计用于 Web 界面可视化测试的自动化系统时，使用了 Python、JavaScript 编程语言、TensorFlow 库、Cypress 测试框架和 MySQL 数据库。
yds-ternoplex：超过分子胶介导的三元复合物预测的Alphafold 3型模型
分子胶代表了一种创新的药物类别，可实现以前不可能的蛋白质蛋白质相互作用，但是它们的理性设计仍然具有挑战性，这一问题准确的三元复合物建模可以显着解决。在这里，我们提出了YDS-Ternoplex，这是一种新型的计算方法，可以通过在推断过程中纳入增强的采样电感偏置来准确预测分子胶水介导的三元复合物结构，从而增强AlphaFold 3型模型。我们在五种不同的测试用例中展示了YDS-andOplex的功能，包括基于E3连接酶的系统（VHL：CDO1和CRBN复合物，具有MTOR-FRB，NEK7和VAV1-SH3C）和非E3连接酶复合物（FKBP12：MTOR-FRB）。与实验结构相比，该模型的RMSD值低至1.303Å，可实现出色的准确性，并成功预测了训练数据中不存在的新型蛋白质蛋白接口。值得注意的是，在FKBP12：MTOR-FRB情况下，YDS-Ternoplex正确预测了一种新颖的接口配置，而不是默认为训练数据中存在的已知相互作用，表明了强大的概括能力。我们的结果表明，通过电感偏差对推理过程的战略增强可以显着提高三元复合物预测的准确性，从而有可能加速以前不可用靶标的分子胶治疗剂的发展。
综合大型脑网络互连的大规模网络链接
摘要 - 大脑网络是一个具有无尺度，小世界和模块化属性的大型复杂网络，在很大程度上支持这种高耐能力性的庞大系统。在本文中，我们建议将大型网络芯片网络的互连综合。首先，我们提出了一种生成具有有限规模和幂律的小世界属性的大脑网络风格拓扑的方法，该拓扑的总链路长度较低，并且与网络大小的对数大约成比例的平均HOP计数极低。此外，考虑到大规模应用，考虑到大脑网络启发的拓扑的模块化，我们提出了一种应用程序映射方法，包括任务映射和确定性的无僵持路由，以最大程度地减少功耗和啤酒花计数。最后，使用不同的合成图案和大规模测试用例（包括用于图形处理应用程序的现实世界通信网络）来验证建筑性能。实验表明，与其他拓扑和方法相比，由提出的方法生成的大脑网络启发的NOC的平均HOP计数显着降低，平均延迟较低。尤其是在具有幂律和紧密耦合核心间通信的图形处理应用中，大脑网络启发的NOC的平均HOP计数高达70％，比基于网格的NOC低75％。
用于学习可转移视觉表征的混合量子-经典神经网络
摘要 由于 QML 算法的学习能力有限、当今嘈杂的中型量子 (NISQ) 设备上可用的计算资源有限以及 QML 模型的经验设计电路假设，最先进的量子机器学习 (QML) 算法未能提供比其众所周知的强大的经典算法更好的实际优势。在这项工作中，我们通过提出一种混合量子-经典神经网络 (CaNN)（我们称之为 QCLIP）来解决这些挑战，用于量子对比语言-图像预训练。QCLIP 不是训练监督式 QML 模型来预测人类注释，而是专注于更实用的可转移视觉表征学习，其中开发的模型可以推广到看不见的下游数据集。QCLIP 是通过使用 CaNN 生成低维数据特征嵌入，然后使用量子神经网络来调整和推广量子希尔伯特空间中学习到的表征来实现的。实验结果表明，混合 QCLIP 模型可以有效地进行表征学习训练。我们在各种数据集上评估了 QCLIP 与经典对比语言图像预训练模型的表征迁移能力。NISQ IBM_Auckland 量子计算机上的模拟结果和真实设备结果均表明，所提出的 QCLIP 模型在所有测试用例中均优于经典 CLIP 模型。随着 NISQ 设备上的 QML 领域不断发展，我们预计这项工作将为这一前景广阔的领域的未来研究和进步奠定宝贵的基础。
在负力上竞争：有效的脆弱性root- ...
根本原因分析（RCA）对于从模糊结果中发现疾病至关重要。通过在模糊过程中观察到的崩溃来自动化此过程，被认为是具有挑战性的。特别是，已知当今的统计RCA方法非常慢，通常需要数十个小时甚至一周的时间来分析崩溃。此问题来自此类方法的偏差采样。更具体地说，如果输入引起了程序中的崩溃，这些方法通过将其突变以生成新的测试用例，以围绕输入进行样式。这些情况用于模糊程序，希望可以充分采样原始输入的执行路径上的一组程序元素（块，指令或谓词），以便可以确定它们与崩溃的相关性。此过程倾向于生成输入样本，更可能导致崩溃，其执行路径涉及一组类似的元素，而这些元素变得越来越不可分割，直到已经进行了大量样品。我们发现，可以通过对“反例”进行抽样来有效地解决此问题，这会导致当前相关性估计值发生重大变化。这些输入尽管仍然涉及这些元素通常不会导致崩溃。发现它们在区分程序元素中有效，从而加速了RCA过程。基于局面，我们设计并实施了增强学习（RL）技术，以奖励涉及反例的操作。通过平衡随机抽样与反例上的综合采样，我们的新方法（称为r a c ing）被证明可以实质上提高当今统计RCA的可伸缩性和准确性，从而超过最终的最大程度的命令。
theranoticic生物标志物和PARP抑制剂在非BRCA相关的同源重组缺陷肿瘤的患者中的有效性：仍然通过肮脏的玻璃窗看？
提出了一种新的数值连续性一域方法（ODA）求解器，以模拟自由流体和多孔培养基之间的转移过程。求解器是在介观尺度框架中开发的，其中假定多孔介质的物理参数（例如孔隙率和渗透率）的连续变化。在不可压缩的流体的假设下，Navier -Stokes -Brinkman方程与连续性方程一起解决。假定多孔培养基已完全饱和，并且可能是各向异性的。该域被非结构化的网格离散，允许局部改进。应用了一个分数时间步骤过程，其中一个预测变量和两个校正步骤在每次迭代中求解。预测变量步骤在时空过程的框架内解决，具有一些重要的数值优势。两个校正器步骤需要大型线性系统的解决方案，该系统的矩阵稀疏，对称和正确定，在Delaunay -meshes上具有 -Matrix属性。使用预处理的共轭梯度方法获得快速有效的解决方案。两个校正器步骤所采用的离散化可以被视为两点 - 频率 - 及时（TPFA）方案，该方案与标准TPFA方案不同，该方案不需要网格网格的网状网格是𝐊-the-the-the-ottropropropy Tensor。如提供的测试用例所示，所提出的方案正确保留了多孔培养基中的各向异性效应。此外，它克服了文献中提出的现有介质量表的一域方法的限制。
ai/ml 对核调控的影响 - ONR
图 1：AI/ML 技术的维恩图 ................................................................................................................ 9 图 2：Gartner 人工智能技术成熟度曲线 ................................................................................................ 12 图 3：由于 ML 分类算法的性质，即使是强大的测试也可能无法检测到缺陷。在此示例中，两个缺陷位于测试用例之间，因此未被发现。 ................................ 15 图 4：ML 组件开发生命周期 ...................................................................................................... 17 图 5：[25] 引入的快速梯度符号法，但也是一个可能具有误导性的示例 [26] ............................................................................................................................. 23 图 6：对抗性 T 恤可以避免被 YOLOv2 系统检测到 [27] .................................................................... 24 图 7：示例 ROC 曲线 ............................................................................................................................. 80 图 8：显示 ML 分类器（垂直线）和基本事实（红色代表 FALSE，绿色代表 TRUE）的二元分类器 ............................................................................................................. 81 图 9：准确率（左）是所有检测到的正例中真正例的比例，召回率（右）是所有基本事实正例中真正例的比例。 ........................................... 81 图 10：IoU = 0.5 的示例预测 .............................................................................................. 83 图 11：基于 CBI 的可靠性声明的示例 CAE 结构 .............................................................................. 87 图 12：使用贝叶斯推理可以增加对产品的信心 ...................................................................... 88 图 13：满足第 B.3.2.1 节中所述约束的两个示例先验分布 ......................................................................................................... 89 图 14：安全监视器架构 ............................................................................................................. 91 图 15：监视器可行性 ............................................................................................................................. 91