XiaoMi-AI文件搜索系统
World File Search System物理模型
人Dickkopf-3（DKK-3）在发育，免疫调节和癌症中的多面作用
对诱导的，特定于频率的神经活动的经典分析通常在试验中平均带限制功率。 最近，已广泛理解的是，在个别试验中，β频段活性是作为瞬态爆发而不是振幅调节的振荡而发生的。 大多数Beta爆发研究将它们视为单一，并具有刻板印象的波形。 但是，我们表明爆发形状各不相同。 使用爆发产生的生物物理模型，我们证明了波形可变性是通过产生β爆发的突触驱动器的可变性来预测的。 然后，我们使用一种新颖的自适应爆发检测算法来识别基于操纵杆的到达任务中记录的人类MEG传感器数据的爆发，并应用主成分分析以爆发波形来定义一组维度或图案，以最能解释波形方差。 最后，我们证明了特定范围的波形图案的突发，生物物理模型未完全解释的波形基序，差异化有助于运动相关的β动力学。 感觉运动β爆发不是均匀的事件，并且可能反映了不同的计算过程。对诱导的，特定于频率的神经活动的经典分析通常在试验中平均带限制功率。最近，已广泛理解的是，在个别试验中，β频段活性是作为瞬态爆发而不是振幅调节的振荡而发生的。大多数Beta爆发研究将它们视为单一，并具有刻板印象的波形。但是，我们表明爆发形状各不相同。使用爆发产生的生物物理模型，我们证明了波形可变性是通过产生β爆发的突触驱动器的可变性来预测的。然后，我们使用一种新颖的自适应爆发检测算法来识别基于操纵杆的到达任务中记录的人类MEG传感器数据的爆发，并应用主成分分析以爆发波形来定义一组维度或图案，以最能解释波形方差。最后，我们证明了特定范围的波形图案的突发，生物物理模型未完全解释的波形基序，差异化有助于运动相关的β动力学。感觉运动β爆发不是均匀的事件，并且可能反映了不同的计算过程。
MPD 推进器性能分析模型
摘要 . 磁等离子体动力 (MPD) 推进器能够使用兆瓦 (MW) 的电力将准中性等离子体加速到高排气速度。这些特性使得此类设备值得考虑用于要求苛刻的长期任务，例如人类对火星或更远距离的探索。由于 MPD 推进器是正在进行的实验研究课题，而不是已开发的推进器，因此在系统和任务级别对其进行评估通常很困难。但是，为了评估 MPD 推进器在后续任务中的效用，需要对性能进行一些充分的表征，或者更确切地说，需要对性能进行预测，并定义系统级别以供分析使用。已经对自场 MPD 推进器的最新物理模型进行了检查、评估和重新配置，以供系统和任务分析师使用。物理模型允许根据可在实验室中测量的物理参数合理预测推进器性能。本文介绍了这些模型及其对未来 MPD 推进器设计的影响。
基于机器学习的混合双胞胎增强了磁轴承实时模拟的减少订单模型
磁轴承的模拟涉及高度非线性物理，对输入变化高度依赖。此外，在使用经典计算方法时，在现实的计算时间内，这种模拟是耗时而无法运行的。另一方面，经典模型还原技术无法在允许的计算窗口内实现所需的精度。为了解决这种复杂性，这项工作提出了基于物理的计算方法，模型还原技术和机器学习算法的组合，以满足要求。用于表示磁性轴承的物理模型是经典的Cauer梯子网络方法，而模型还原技术是在物理模型解决方案的误差上应用的。后来，在潜在空间中，机器学习算法用于预测潜在空间中校正的演变。结果显示了解决方案的改进，而不会稀释计算时间。该解决方案是几乎实时计算的（几毫秒），并将其与有限的元素参考解决方案进行了比较。关键字：光谱法，减少基础，机器学习，磁性轴承，磁悬浮，长期术语记忆
一种自适应，数据驱动的方法，可预测锂离子电池的循环寿命
在循环过程中，活性材料的损失以及复杂的侧面反应会导致电池的复杂和非线性降解，这引起了对LIBS状态健康（SOH）的准确且高效预测的巨大挑战。当前，巨大的努力已致力于开发高级模型，以预测电池寿命，尤其是物理和（半）经验模型。7 - 9个物理模型旨在对电池的特定潜在降解过程进行定量理解。10 - 12虽然可以对电池降解所涉及的电化学过程进行相对预先描述，但通常会与具有多PLE参数的一系列部分偏微分方程相吻合，这些方程很难安装。因此，物理模型通常缺乏良好的概括性能。替代，提出了经验和半经验模型，以通过关联能力和各种变量来描绘降解轨迹。但是，这种相关通常缺乏物理和化学含义，这几乎不能保持相对较低的数据的鲁棒性，并且在实际应用中受到限制。8,17,18
doi：10.29026/oes.2023.220023深度学习辅助变异性希尔伯特定量阶段成像
我们提出了一个针对相对低载体频率全息图的高准确伪像的单帧数字全息相位解调方案 - 深度学习辅助变异性希尔伯特·希尔伯特定量相成像（DL-VHQPI）。该方法将传统的深神经网络纳入完整的物理模型，利用残留补偿的想法可靠，可靠地恢复测试对象的定量相信息。它可以在略有非轴数数字全息系统下显着拟合频谱重叠引起的相伪影。与常规的端到端网络（无物理模型）相比，所提出的方法可以在维护成像质量和模型概括的同时减少数据集大小。DL-VHQPI通过Numerical Simulation进行定量研究。活细胞实验旨在证明该方法在生物学研究中的实用性。深度学习辅助物理模型的拟议思想可能扩展到各种计算成像技术。
用于检测氢泄漏的机器学习模型
氢管道（HPL）是实现氢社会的氢运输系统之一。HPL氢泄漏是一个挑战，因为氢具有较宽的易燃范围和低最小点火能。因此，必须迅速检测到HPL的氢泄漏，应采取适当的动作。泄漏检测对于HPL的安全操作很重要。HPL的基本泄漏检测方法涉及监视传感器的压力和流速值。但是，在某些情况下，很难使用此方法区分非泄漏和泄漏条件。在这项研究中，我们根据压力和流速数据之间的关系，将使用机器学习（ML）的泄漏检测方法重点关注。将基于ML的泄漏检测方法应用于HPL面临两个挑战。首先，在过程设计阶段，ML的操作数据不足。其次，由于泄漏不经常发生，因此很难在氢泄漏过程中获得压力和流速行为。因此，这项研究采用了一种基于使用HPL物理模型模拟的数据，采用了一种无监督的ML方法。首先，构建了HPL（HPL模型）的物理模型，并根据数据
加速在线加强学习，用于建立HVAC控制的HVAC控制，并使用异质专家指南
建筑物的供暖，通风和空调（HVAC）系统占美国能源消耗的近一半，在美国的总能源消耗量的20％。他们的运作对于确保建筑居民的身心健康也至关重要。与传统的基于模型的HVAC控制方法相比，基于最新的无模型深钢筋学习（DRL）方法表现出良好的性能，而不需要开发详细且昂贵的物理模型。但是，这些无模型的DRL方法通常会遭受较长的训练时间来达到良好的表现，这是其实践部署的主要障碍。在这项工作中，我们提出了一种系统的方法，通过充分利用各种形式的领域专家的知识来加速HVAC控制的在线增强学习。具体来说，算法阶段包括从现有的抽象物理模型和通过离线增强学习中的历史数据中的学习专家功能，将专家功能与基于规则的指南相结合，在综合专家功能指导下进行培训以及从蒸馏专家功能执行政策初始化的指导。实验结果表明最多8。8𝑋在以前的基于DRL的方法上加速。
建筑设计过程中基于数字物理模型的原型设计方法
摘要：本研究提出了一种基于原型设计的设计方法。该设计方法旨在增强测试的功能，使其与传统建筑设计项目中进行的原型设计区分开来。本研究的目的是探索参考案例，使设计师能够最大限度地利用目前在建筑设计中使用的数字模型和物理模型。此外，还探讨了数字模型和物理模型的互补作用和影响。智能建筑围护结构（SBE）是建筑设计中具有挑战性的课题之一，需要创新的设计流程，包括测试和风险管理。考虑到该主题的基于概念原型的模型应用于设计工作室（大学教育环境）。设计 SBE 并不难构思，但使用传统设计方法“实施”却是不可能的。实施 SBE 需要利用尖端技术和智能材料，在建筑设计阶段加强创意的有效性并提高其责任感。设计方法使设计师（以学生为代表）能够使用数字模型（参数化设计、模拟、BIM）和物理模型来应用材料和制造方法，而不是代表被认为是简单科幻的虚荣形象。
![arxiv：2501.16848v1 [cs.lg] 2025年1月28日](/simg/e\e13cc1d46c0a6063406bda81c0bb68952e49eab6.webp)
arxiv：2501.16848v1 [cs.lg] 2025年1月28日
生物物理模型为自然和农业设定中的气候物质关系提供了宝贵的见解。然而，模型之间存在实质性的结构差异，这些差异需要特定地点的重新校准，在类似的气候场景下产生了十个不一致的预测。机器学习方法提供了数据驱动的解决方案，但通常缺乏可解释性和与知识的一致性。我们提出了一个描述果树休眠状态的物候模型，将常规生物物理模型与神经网络相结合，以解决其结构分离。我们在一项广泛的案例研究中评估了我们的混合模型，该案例研究预测了日本，韩国和瑞士的樱桃树木学。我们的方法始终优于传统的生物物理和机器学习模型，以预示多年来的开花日期。此外，神经网络的适应性促进了特有树种品种的参数学习，从而可以对没有特定地点重新校准的新站点进行稳健的概括。这种混合模型杠杆既可以生物物理约束和数据驱动的灵活性，从而为准确且可解释的物候建模提供了有希望的途径。
预测和剩余使用寿命 (RUL) 估计...
第一种方法需要在正常或故障条件下建立系统行为的精确物理模型。当将从传感器捕获的数据与模型的预测进行比较时，可以推断出系统的健康状况。第二种方法使用过去行为的数据来确定当前性能并预测剩余使用寿命 (RUL) (Yakovleva & Erofeev，2015)。物理方法包括失效物理模型。另一种方法是使用简单的裂纹扩展模型来预测受疲劳失效机制影响的系统的 RUL。基于模型的技术需要结合实验、观察、几何和状态监测数据来估计特定失效机制造成的损害。数据驱动技术源自使用历史“运行至失效”(RTF) 数据。这些技术通常用于基于预定失效阈值的估计。可以使用“小波包”分解方法和/或隐马尔可夫模型 (HMM)，因为时频特征比单纯的时间变量能提供更精确的结果。然而，使用历史数据预测资产寿命的方法需要了解资产的物理性质（Okoh 等人，2016 年）。数据驱动的 RUL 估算方法是本章的主题。