XiaoMi-AI文件搜索系统
World File Search System物理建模
气候建模的量子计算的机会和挑战
根据政府间气候变化（IPCC）第六次评估报告（Masson-Delmotte等，2021）的说法，全球每个地区的每个地区都已经感觉到人类引起的气候变化的影响（Eyring等人，2021a）。迫切需要更好的气候模型，以使区域预测成为可能，从而可以在缓解和适应方面进行更精确的努力（Shokri等，2022）。气候模型确实会随着每一代的变化（Bock等，2020），与观测值相比，系统偏见仍然是由于模型的水平分辨率有限，通常是数十公里（Eyring等人，2021b）。水平分辨率几公里的模型可以明确表示深度对流和其他动态效应（Hohenegger等，2020），从而减轻了许多偏见（Sherwood等，2014），但计算成本很高。即使考虑到计算能力的预期增加（Ferreira da Silva等，2024; Stevens等，2024），理想的混合ESM的层次结构，结合了机器学习（ML）方法和物理建模，还将继续被要求（Eyring等，2024B）。因此，必须利用新技术来改善和加速气候模型。量子计算机提供了替代计算范式，并且在过去几年中看到了巨大进展，请参见图1。量子硬件的大小和质量正在稳步增加，以及拟议中的量子数量的数量（Sevilla和Riedel，2020），并且一些声称已经实现了量子至上的实验（Lau等人，2022年）。在算法方面，生长 -
基于人工智能的广域监测系统分布式信念传播和循环神经网络算法 /作者=Bhamidipati, Sriramya；Kim, Kyeong Jin；Sun, Hongbo；Orlik, Philip V. /创建日期=2020 年 5 月 14 日 /主题=人工智能、通信、多物理建模、信号处理
摘要 为了对广域电网进行监控，人们开发了广域监控系统 (WAMS)。每个变电站都设有全球定位系统 (GPS) 接收系统以提供可信的授时。因此，对于 WAMS 来说，在广域范围内维持真实的 GPS 授时至关重要。然而，由于未加密的信号结构和低信号功率，GPS 授时容易受到欺骗。因此，为了从欺骗中获得可信的 GPS 授时，人们在人工智能 (AI) 框架下开发了一种新的广域监控算法，该算法由分布式信念传播 (BP) 和双向循环神经网络 (RNN) 组成。这种联合 BP-RNN 算法通过利用其分布式处理能力评估估计的 GPS 授时误差来验证每个变电站的身份。特别是，双向 RNN 在人工智能框架下提供了一种快速的授时误差估计方法。仿真结果验证了该方法比基于 Kullback-Leibler 散度的方法具有更快的检测时间，并且定时误差估计精度超过了 IEEE C37.118.1-2011 标准规定的限制。
![arxiv：2401.01629v1 [cs.lg] 2024年1月3日](/simg/1\1904bc517d8e8e8c1dd7feb32aa47246b6aebc73.webp)
arxiv：2401.01629v1 [cs.lg] 2024年1月3日
用于描述分布，而概率质量函数（PMF）用于离散数据。当综合数据时，可以通过从现有数据的分布中进行采样来生成新的数据点。插值和外推。插值和诱惑涉及在现有数据点之间或之外生成新的数据点。这对于时间序列，地理数据等特别有用。一种常见的插值方法是线性插值，其中新点的值取决于两个已知点之间的线性关系。蒙特卡洛模拟。蒙特卡洛模拟启用随机抽样，以模拟真实系统中的不确定性。在数据综合中，该方法用于通过随机从已知的分布中进行随机采样来生成新样本。它在财务，工程和物理建模中找到了常见的应用。基于模型的采样。此方法涉及利用现有数据的统计模型来预测新的数据点。例如，可以将线性回归模型拟合到存在数据，并且可以通过随机采样模型参数来生成新的数据点。这种方法对于表现线性关系的数据特别有效。内核密度估计。 内核密度估计插入每个数据点周围放置核（通常是高斯内核）并计算每个点的贡献以估计概率密度函数。 这对于捕获数据分布的复杂性和多模式很有用。内核密度估计。内核密度估计插入每个数据点周围放置核（通常是高斯内核）并计算每个点的贡献以估计概率密度函数。这对于捕获数据分布的复杂性和多模式很有用。生成新样本时，可以根据估计的概率密度函数进行随机采样。
法国气象局 (CNRM) 数值人工智能职位空缺
背景 高影响天气 (HIW) 事件对社会造成毁灭性影响，造成人员伤亡、基础设施退化和巨大的经济影响。从气象角度来看，强降水事件、破坏性雷暴和强风是影响最大的事件，具有各种严重的间接影响，例如洪水、山体滑坡和海洋淹没。HIW 事件很少见，位于天气事件气候分布的尾部。尽管法国气象局等气象服务在过去几十年中在预测天气方面取得了重大进展，但准确预测 HIW 的发生、强度、位置和时间仍然具有挑战性。目前，实际天气预报依赖于基于物理的建模方法，数值天气预报 (NWP) 模型每天都在运行，以确定未来的大气状态和 HIW 风险。具体而言，集合预报系统 (EPS) 旨在对未来大气状态的概率分布进行采样。它们包括运行多个 NWP 预报，以解释不同的不确定性来源。在法国气象局，运行 16 个扰动预报、空间分辨率为 1.3 公里的扰动预报的 AROME-EPS 用于预测 HIW 的风险。但是，正确捕获相关的不确定性需要非常高分辨率（几百米）的大型（几百个成员）集合。尽管如此，由于相关的计算成本，这种增强系统目前不适用于运行 NWP。在此背景下，POESY 项目的主要目标是探索创新混合 EPS 设计的科学可行性和相关性，将标准物理建模与计算效率高的人工智能 (AI) 技术相结合，以便对高影响天气产生破坏性概率预报。
半导体行业 2023 年第 22 页
人工智能将影响我们生活的各个方面。它在半导体制造中也发挥着越来越重要的作用。今年 5 月，在比利时安特卫普举行的由 imec 主办的 ITF World 大会上，NVIDIA 总裁、首席执行官兼董事会成员黄仁勋介绍了 NVIDIA 如何与台积电、ASML、应用材料 (AMAT)、D2S、IMS Nano Fabri- cation 和新思科技等公司合作，将人工智能引入芯片制造。黄仁勋表示：“第一波人工智能专注于计算机视觉和语音识别，已经实现了超越人类的能力，并在机器人、自动驾驶汽车和制造业开辟了数万亿美元的商机。先进的芯片制造需要一千多个步骤，要生产出生物分子大小的特征。要制造具有数千万亿个特征的芯片，每个步骤都必须近乎完美才能产生任何输出。每个阶段都会执行复杂的计算科学，以计算要图案化的特征并进行缺陷检测以进行在线工艺控制。芯片制造是 NVIDIA 加速计算和 AI 的理想应用。”黄仁勋表示，D2S 和 IMS Nano Fabrication 使用电子束构建掩模写入器，以在掩模上创建光刻胶图案。“Nvidia GPU 进行图案渲染和掩模工艺校正，”他说。台积电和 KLA 使用 EUV 和 DUV 照明进行掩模检查。“NVIDIA GPU 处理经典物理建模，
用于冲刷深度的高效数据驱动机器学习模型......
海堤是沿海地区重要的防御基础设施，保护内陆地区免受风暴潮、海浪越堤和土壤侵蚀的侵袭。海堤趾部冲刷是由海浪引起的床层物质的堆积和侵蚀造成的，对沿海基础设施的结构完整性构成了重大威胁。准确预测冲刷深度对于合理有效地设计和维护沿海结构至关重要，这有助于降低趾部冲刷导致结构失效的风险。然而，目前用于评估倾斜结构趾部冲刷的指导和预测工具有限。近年来，人工智能和机器学习 (ML) 算法引起了人们的兴趣，尽管它们为许多沿海工程应用提供了稳健的预测模型，但此类模型尚未应用于冲刷预测。本文，我们开发并提出了基于 ML 的模型，用于预测倾斜海堤趾部冲刷深度。使用四种 ML 算法，即随机森林 (RF)、梯度提升决策树 (GBDT)、人工神经网络 (ANN) 和支持向量机回归 (SVMR)。使用综合的物理建模测量数据来开发和验证预测模型。采用一种新颖的特征选择、特征重要性和超参数调整算法框架，用于基于 ML 的模型的预处理和后处理步骤。提出了深入的统计分析来评估所提模型的预测性能。结果表明，在本研究中测试的所有算法中，预测准确率至少为 80%，总体而言，SVMR 的预测最准确，判定系数 (r2) 为 0.74，平均绝对误差 (MAE) 值为 0.17。在所测试的算法中，SVMR 算法的计算效率也最高。本研究提出的方法框架可应用于冲刷数据集，以快速评估海岸防御结构的冲刷情况，从而促进基于模型的决策。
机会 - 地质和地球物理特性的地理空间机器在全球范围内，我们对EAR的集体理解
机会 - 地质和地球物理特性在全球范围内的地质机器学习，我们对地球特性的集体理解受到直接观察地质的观察（例如，井原木，核心等）或间接通过遥感（例如地球物理或卫星观测）。这一事实导致在高空间分辨率（至sub-km量表）处的地球特性的稀疏数据集，或者从卫星观测值中产生了一个连续但低分辨率的数据集。因此，需要自动插值（例如Kriging）和/或人类知情轮廓，以在高分辨率下持续了解这些属性。在这项工作中，我们致力于改进这些方法。利用机器学习，深度学习和/或物理知情神经网络（PINN）的新发展，我们可以在空间和深度上智能插入或预测地球参数。这项工作利用了地质观察的各种数据源（即“大数据”），例如：科学钻孔，挖出和疏ed和地球物理观察，例如由乘员船（例如，船舶），自主平台（例如，AUV）（例如，AUV）和Satellites和Satellites和Satellites和Satellites和Satellites。我们将这些数据集与基于物理学的地质过程模型（例如压实）和数据驱动方法（例如机器学习）结合使用，以产生对地球特性的连续且准确的估计。这些方法的示例包括从稀疏的船板观测值中预测连续的重力场，或使用核心数据预测沉积物岩性与深度。鼓励基本的地质理解，但不需要。我们寻求具有地质/地球物理学经验的合格申请人，遥感/地理位置，机器学习/数据科学和/或运输/摇滚物理建模。申请人将有一些计算经验，并且在基本的编程/脚本中保持舒适（不需要特定语言）。实验室地点：海洋科学部海军研究实验室Stennis Space Center，MS POC：Benjamin Phrampus海军研究实验室，代码7352建筑物1005 Stennis Space Center，MS 39529电话：228-688-4899电子邮件：Benjamin.phrampus.civ@us.civ@us.navy.mil
4003166- ...
在地质力学风险下模拟CO 2存储通常涉及由于多相流和地质力学之间的耦合而导致的大量计算成本。实施标准工作流程，例如位置优化，使用此类耦合物理模型可以显着增加计算开销，并使模型不切实际地使用。我们研究使用深度学习模型以显着减少与模拟和量化CO 2存储的地质力学风险相关的计算开销的可行性。所提出的方法利用基于深度学习的替代建模来显着提高耦合流动地球力学模拟的效率，以识别合适的注入井位置以存储CO 2。使用模拟数据，我们训练U-NET卷积神经网络，以了解井位置和空间分布的模型参数（渗透率）之间的映射到感兴趣的仿真输出。一旦经过固定的模型输入参数训练，U-NET模型可以将不同的井位置场景映射到相应的压力场，CO 2饱和度和地质力学输出，包括垂直位移和塑性应变。随后采用U-NET模型作为替代识别注入井位置所需的耦合流动地球力学模拟以最大程度地减少地质力学风险所需的有效工具。我们报告的初步结果表明，受过训练的U-NET模型可以预测井位置的压力和饱和场，所有其他输入仍与训练中使用的仿真模型保持一致。我们在不同的假设下研究网络的性能，并估计不同的流量和地质力学输出。结果表明，U-NET模型可以通过使用快速代理模型替换耦合物理模拟来大大降低井位置工作流的计算成本，该模型可用于预测与不同的井位置和注入策略相关的地质机械风险。开发的框架可用于改善耦合物理建模的计算需求，并促进其在决策工作流程和现场管理中的应用。
Diana Loree 博士 2022 年 11 月 简历
戴安娜·L·洛里博士于 1991 年获得德克萨斯理工大学电气工程博士学位，主修脉冲功率。她已在空军研究实验室定向能理事会 (AFRL/RD)（或其前身菲利普斯实验室）工作了 29 年。她最初在高功率微波部门工作，专注于开发硬件和研究高功率微波在压制敌方防空系统方面的应用以及高功率毫米波在非致命反人员应用中的应用。她是主动拒止技术 (ADT) 计划（曾在《60 分钟》、《现代奇迹》、《未来武器》中播出）的主要硬件负责人和技术经理。ADT 计划在现实场景中成功展示了远程、非致命能力，目前仍在联合论坛上推进。十多年前，她被提拔为 AFRL/RD 的精确交战产品线做战略规划，该产品线的产品组合包括战术级激光系统技术研究以及反电子高功率微波推力。 2011 年，Loree 博士晋升为该理事会的助理首席科学家，作为前台的一部分，为该理事会每年超过 2 亿美元的投资组合提供科学监督、评估和指导。2017 年 10 月，Loree 博士通过竞争赢得了联合定向能源转型办公室 (DE JTO) 空军代表的职位，除了 2018 年 1 月至 6 月返回 AFRL/RD 担任代理首席科学家外，她一直担任该职位直到 2022 年 5 月。她在那里为学术界/工业界/服务界的 1000 万美元工作提供资金，监督和监控这些合同，并协助该办公室的联合战略愿景和规划。2022 年 5 月，她离开 DE JTO，成为 AFRL 激光部门 (AFRL/RDLE) 的激光效果、建模和仿真部门负责人。该分支包含高功率激光工作，涵盖数学/基础物理建模到交战建模以及材料/目标激光脆弱性研究。
玛丽亚·海伦娜·卡斯坦·拉娜斯帕
日期：2024 年 1 月 12 日 姓名：MARÍA HELENA CASTÁN LANASPA 机构：大学教授 大学或中心：巴利亚多利德大学 知识分支：工程和建筑 知识领域：电子学 六年期限（RD 1086/89）：5 研究活动、知识转移和交流：在她的整个科学生涯中，她的研究兴趣一直是电子设备和集成电路领域的结构和材料的电气特性。他在贝尔实验室（美国新泽西州默里山）从事博士后研究期间巩固了自己的专业领域。她是公认研究小组 (GIR) 电子设备和材料特性组 (GCME) (gcme.uva.es) 的创始人和协调员，自 2010 年成立以来直至 2018 年，她目前是上述 GIR 和卡斯蒂利亚和莱昂政府综合研究单位 (UIC) #051 的成员。他已完成 5 项为期六年的研究资助，其中最后一项于 2018 年获得认可。他在国家和国际联盟内开展研究工作，研究方向为高介电常数电介质和功能氧化物，用于电阻和多铁性存储器以及电子突触的开发。由于他的团队的研究工作主要集中在电气特性方面，他与其他团队保持着密切而持续的合作，以互补的视野共同获得全球视野；为此，它参与了协调研究项目，采用多学科方法解决所涉及的所有方面：制造技术、电气、物理和化学特性、物理建模和电路模拟。她作为成员或首席研究员参与了 20 个竞争性研究项目和 2 份研究合同。他在电子领域的国际期刊上发表了 163 篇论文（Google Scholar 数据），全部被 JCR 索引，并参加了该领域的 170 次参考科学会议，其中多次受邀参加（过去 5 年中有 3 次）。她是高影响力科学期刊的审稿人、科学协会的成员、博士论文委员会的参与者以及迄今为止 2 次国际会议的组织者。