XiaoMi-AI文件搜索系统
World File Search System物理模型
![arxiv：2502.09316v1 [CS.CL] 2025年2月13日](/simg/2\22d76863607dc72ae93e2d071280b64d1386a5b9.webp)
arxiv：2502.09316v1 [CS.CL] 2025年2月13日
锂离子电池（LIB）的数学建模是高级电池管理中的主要挑战。本文提出了两个新框架，以将基于物理的模型与机器学习相结合，以实现LIBS的高精度建模。这些框架的特征是通过告知机器学习模型的物理模型信息，从而可以在物理学和机器学习之间进行深入整合。基于框架，通过将电化学模型和等效电路模型与前馈神经网络相结合，构建了一系列混合模型。混合模型在结构上相对简单，可以在广泛的C速率下提供相当大的电压预测精度，如广泛的模拟和实验所示。这项研究进一步扩展到进行老化感知的混合建模，从而设计了意识到健康的混合模型以进行预测。实验表明，该模型在整个LIB的周期寿命中具有高电压预测精度。
气候不变的机器学习 - Paul O'Gorman
投射气候变化是一个概括问题：我们使用过去，现在和将来的气候中的物理模型推断了最近的过去。当前的气候模型需要在小于模型网格大小的尺度上发生的过程，这是模型投影不确定性的主要来源。最近的机器学习（ML）算法有望改善这种过程表示形式，但往往会推断出不受培训的气候制度。为了获得最佳的物理和统计世界，我们提出了一个框架，称为“气候风险” ML，将气候过程的知识纳入ML算法，并表明它可以在三种不同的大气模型中维持广泛的气候条件和配置范围的高线准确性。我们的结果表明，将物理知识明确地纳入地球系统过程的数据驱动模型中可以提高其在气候制度中的一致性，数据效率和义务。
使用具有长短期记忆的循环神经网络估计锂离子电池的充电状态
摘要 —本文提出了一种针对实际条件下运行的锂离子电池 (LIB) 使用长短期记忆循环神经网络 (LSTM) 的精确充电状态 (SOC) 估计算法。凭借其自学习能力，这种数据驱动的方法能够模拟整个电池寿命期间由于环境和工作条件变化而导致的 LIB 高度非线性行为。结果表明，在准确性和稳定性方面，LSTM 方法优于使用扩展卡尔曼滤波器 (EKF) 的常见物理模型。为了证明这一优势在实际应用中的优势，使用从储能领域的商业行业应用收集的数据对所提供的网络进行训练和测试。在不同工作条件下使用 EKF 对 LSTM 进行评估并将其与等效电路模型 (ECM) 进行比较。对于动态负载曲线，ECM-EKF 的误差 (RMSE) 为 9.5%，而 LSTM 的误差 (RMSE) 为 5.0%。
量子间相关性的研究......
量子物理学家和神经科学家一直试图从人脑中寻找相关的量子效应。Umezawa 等提出脑细胞中存在量子动力学自由度空间分布完全有序的可能性，并针对多脑细胞系统提出了改善量子动力学自由度空间分布的物理模型 [2]。彭罗斯和萨梅罗夫的意识量子模型（ORCH OR）认为意识产生于细胞膜微管中，蛋白质电子是产生意识活动的场所。1963 年诺贝尔物理学奖获得者维格纳认为意识可以通过波函数坍缩，使不确定状态转变为确定状态，从而改变客观世界。英国南安普顿大学的脑电图（EEG）实验证实，思维过程本质上是量子化的 [3, 4]。越来越多的物理学家和认知科学家认为量子和意识之间存在着深刻而重要的内在联系。
高空：自适应无人机控制器测试床
空中无人机越来越被视为在安全关键环境中检查的宝贵工具。在采矿行动中，这对人类运营商带来了动态和危险的环境，这一点都没有。无人机可以在许多情况下部署，包括有效的测量以及搜救任务。在这些动态上下文中运行是在挑战，因此需要无人机控制软件在运行时检测和适应条件。为了帮助开发这样的系统，我们向我们提出的系统是一个模拟测试床，用于调查矿山中无人机的自适应控制器。Aloft使用凉亭利用机器人操作系统（ROS）和模型环境来提供基于物理的测试。仿真环境是由在矿山的物理模型中收集的3D点云构造的，并包含在现实世界中预期的特征。高举允许研究社区的成员将自己的自适应控制器部署到无人机的控制循环中
关于ML预测变量的信誉评估的共识声明
机器学习（ML）预测因子在计算机医学中的快速整合已彻底改变了利益量（QIS）的估计，这些估计是直接衡量的挑战。但是，这些预测因素的信誉至关重要，尤其是当它们为高风险的医疗保健决定提供信息时。该立场论文介绍了专家在硅世界实践社区中发表的共识声明。我们概述了十二个关键陈述，构成了评估ML预测因子的可信度的理论基础，并强调了因果知识的必要性，严格的错误量化和对偏见的鲁棒性。通过将ML预测因子与生物物理模型进行比较，我们强调了与隐式因果知识相关的独特挑战，并提出了确保可靠性和适用性的策略。我们的建议旨在指导研究人员，开发人员和监管机构在临床和生物医学环境中ML预测因子的严格评估和部署中。
讲座 18：运动学和动画
在电影发展的早期，3D 动画是使用物理 3D 模型实现的，该模型通过手动调整来创建动画的每个单独帧。使用该技术的经典示例是电影《金刚》（1933 年），其中金刚的模型只有一英尺高。用这种技术制作的动画仍然很受欢迎，最近的一个例子是《超级无敌掌门狗》。动画的计算机支持系统开始出现在 20 世纪 70 年代末，第一部由计算机生成的全长 3D 动画电影是《玩具总动员》（1995 年）。尽管完全使用计算机制作，但《玩具总动员》和其他现代 3D 动画电影仍然耗费大量的人力。全自动动画还有很长的路要走，但计算机工具和支持工具已经迅速发展。这些免除了动画师大量繁琐的工作，并允许创建壮观的特效。基本方法是：(i) 物理模型； （ii）程序方法和（iii）关键帧。
航空铝合金结构热特性数字孪生研究
上海理工大学机电工程学院，上海 200093 通讯作者，电子邮箱：fkg11@163.com 摘要 随着主轴转速的提高，发热成为高速电主轴面临的关键问题。为了获得电主轴的实际热行为，本文开发了热特性数字孪生系统。热特性数字孪生的原理是通过数据采集系统和修正模型映射和修正热边界条件来模拟机床的热行为。所提出的数字孪生系统包括数字孪生软件、数据采集系统和嵌入传感器的物理模型三个模块。数字孪生软件基于Qt使用C++编程语言和ANSYS二次开发开发。提出热边界修正模型，利用数据采集系统测得的热关键点温度来修正发热和接触热阻。为了验证数字孪生系统的预测精度，在电主轴上进行了试验。实验结果表明，数字孪生系统的预测精度大于95%，对提高热特性仿真和热优化的精度具有重要意义。
电池 2030+ 路线图 1
利用人工智能 (AI) 的可能性，BATTERY 2030+ 倡导开发电池界面基因组 (BIG) - 材料加速平台 (MAP) 计划，以大幅加速新型电池材料的开发。一个核心方面将是开发一个共享的欧洲数据基础设施，能够自动获取、处理和使用来自电池开发周期所有领域的数据。基于 AI 的新型工具和物理模型将利用大量获取的数据，重点关注电池材料、界面和“界面相”。将使用多种互补方法生成跨越多个时间和长度尺度的电池过程数据，包括计算机模拟、自主高通量材料合成和表征、操作实验和设备级测试。基于 AI 的新型工具和物理感知模型将利用数据“学习”电池材料和界面之间的相互作用，为改进未来的电池材料、界面和电池奠定基础。