XiaoMi-AI文件搜索系统
World File Search System目标属性
潜在的字段建模以支持海上环境中的机器学习应用
在海上环境中，重力和磁场的准确建模对于检测和表征水下物体至关重要，范围从低到高磁目标，例如未爆炸的军械（UXO），沉船和地质特征。我们使用COMSOL多物理学开发了一个沙盒环境，该环境允许对复杂的地球物理传感进行精确的创造和操纵。此环境可以详细模拟融合各种目标属性和环境条件的潜在字段，以生成用于ML训练的合成数据集。
机器人操作和捕获在空间中：调查
空间探索和剥削取决于诸如卫星服务，去除轨道碎屑或轨道资产的建设和维护等任务的轨道机器人功能的发展。操纵和捕获对象在轨道上是这些功能的关键推动剂。本调查介绍了操纵和捕获的基本方面，例如空间操纵器系统（SMS）的动态，即配备了操纵器的卫星，操纵器握力/有效载荷和目标之间的接触动态，以及用于识别SMS及其目标属性及其目标的方法。此外，它还介绍了感应姿势和系统状态，捕获目标的运动计划以及在运动或交互任务期间SMS的反馈控制方法的最新工作。最后，本文审查了用于捕获操作的主要地面测试床，以及开发了几项著名的任务和技术，以捕获目标在轨道上。
基于活动关系的药物发现：评论
摘要这篇全面的评论探讨了集合机器学习技术在定量结构 - 活性关系（QSAR）建模中的关键作用。它强调了准确的QSAR模型在简化候选化合物选择方面的重要性，并突出了合奏方法，包括Adaboost，梯度增强，随机森林，额外树木，XGBoost，LightGBM和Catboost的重要性，有效地解决了诸如过度拟合和噪声数据的挑战。该评论介绍了集合学习在QSAR内的分类和回归任务中的最新应用，从而在不同的数据集和目标属性中展示了这些技术的出色预测准确性。它还讨论了整体QSAR建模中的关键挑战和考虑因素，包括数据质量，模型选择，计算资源和过度拟合。审查概述了集成QSAR建模的未来方向，包括多模式数据的集成，解释性，处理不平衡的数据，自动化和个性化医学应用，同时强调了在此演变领域中对伦理和监管指南的需求。
单眼3D对象检测基于空间关系和脱钩深度预测
自主驾驶是未来的趋势。准确的3D对象检测是实现自动驾驶的先决条件。目前，3D对象检测依赖于三个主要传感器：单眼相机，立体声摄像机和LIDAR。与基于立体摄像机和激光镜头的方法相比，单眼3D对象检测提供了优势，例如广泛的检测字段和低部署成本。但是，现有的单眼3D对象检测方法的准确性不是理想的，尤其是对于遮挡目标。为了应对这一挑战，本文引入了一种新颖的方法，用于单眼3D对象检测，称为SRDDP-M3D，旨在通过考虑目标之间的空间关系，并通过脱钩方法来改进深度预测，以改善单眼3D对象检测。我们考虑如何在环境中相对于对象相对于对象的定位，并编码相邻对象之间的空间关系，对于遮挡的目标，检测性能是专门提高的。此外，还引入了将目标深度预测到目标视觉深度和目标属性深度的两个组成部分的策略。此解耦旨在提高预测目标整体深度的准确性。使用KITTI数据集的实验结果表明，这种方法显着提高了闭塞靶标的检测准确性。
GFLOWNET廉价奖励
生成流动网络（GFLOWNETS）最近出现了一类生成模型，是通过从非均衡奖励分布中学习来生成多样化和高质量分子结构的合适框架。以前朝这个方向的工作通常通过使用预定义的分子碎片作为构建块来限制探索，从而限制了可以访问的化学空间。在这项工作中，我们引入了原子Gflownets（A-GFNS），这是一种基本生成模型，利用单个原子作为基础，以更全面地探索类似药物的化学空间。我们使用离线药物样分子数据集提出了一种无监督的预训练方法，该方法在廉价但信息丰富的分子描述符上（例如药物类似性，拓扑极性表面积和合成可及性得分）对A-GFN进行了评论。这些特性是代理奖励，将A-GFN引导到具有理想的药理特性的化学空间区域。我们通过实施目标的微调过程来进一步进一步，该过程适应A-GFN以优化特定目标属性。在这项工作中，我们在锌15离线数据集上预认识了A-GFN，并采用了强大的评估指标来显示与药物设计中其他相关基线方法相比，我们的方法的有效性。
加速的机器学习和数据科学...
图1描绘了使用标记数据训练以预测材料特性的典型监督ML模型。此类ML模型的主要组成部分是（a）定义问题（b）数据采集并选择适当的特征空间，（c）数据处理或探索性数据分析（EDA）和（d）使用合适的算法培训和验证该模型。尽管有许多开源材料数据库，但与数据科学的其他领域相比，数据由不同的类别组成，每个类别的数据相对有限。在大多数实验数据中，研究是在不同的实验条件下进行的，因此数据取决于温度，时间，湿度，原始化学物质等各种对照参数。选择数据后，下一个关键挑战是选择材料的适当功能集（指纹），以用目标属性映射。诸如Pymatgen [12]，Matminer [13]，原子模拟环境（ASE）[14]，DSCRIBE [15]等的开源库[13]等。对于分子和材料的不同位点，键和全局（晶格）特征非常有用。EDA包括验证任何异常值，将丢失的数据推出，将对象类型参数编码为数字类型，检查数据中的任何重复副本等。一旦数据准备就绪，为给定问题选择特定算法是另一个挑战，它应该考虑不同的因素，例如数据的大小，特征空间，问题的复杂性等。如果选择有限的数据点（例如深度学习算法）（高方差）模型（高方差）模型，则可能导致过度拟合。训练模型的解释性是了解最归因于总体预测的特征的另一个重要因素[16]。可以使用超参数调谐方法（如随机搜索交叉验证和网格搜索交叉验证）进一步调整模型的精度。
无机材料设计的生成模型
我们发现更好的材料的速度对碳捕获，半导体设计和能量存储等领域的技术创新速度产生了重大影响[1-3]。传统上，大多数材料是通过实验和人类直觉发现的，限制了可以测试的候选者数量，并导致长时间迭代周期。多亏了高通量筛选[13]，开放材料数据库[14-17]，基于机器学习的财产预测者[18，19]和机器学习力场（MLFFS）[20，21]，已经可以筛选成千上万的材料来识别有希望的候选者[22，23]。但是，基于筛查的方法仍受到已知材料数量的限制。以前未知的Crys-talline材料的最大探索是在10 6-10 7材料[21，23 - 25]的订单中，这仅是潜在稳定的无机化合物数量的一小部分[26]。此外，这些方法无法有效地转向具有目标特性的材料。鉴于这些局限性，对伴侣的逆设计引起了极大的兴趣[27，28]。逆设计的目的是直接生成满足目标属性约束的材料结构，例如，通过生成模型[4，8，11]，Evolution-Ary算法[29]和增强学习[30]。生成模型很有希望，因为它们可以有效地探索新的结构，并可以灵活地适应不同的下游任务。1）。2）。MatterGen的广泛条件功能然而，根据密度功能理论（DFT）计算[4、5、31]的当前生成模型通常无法产生稳定的材料，受到元素的狭窄子集的限制[7，9]，并且只能优化非常有限的属性集，主要是形成能[4，5，5，5，8，11，11，11，31，32]。在这项研究中，我们提出了Mattergen，这是一种基于扩散的生成模型，该模型在周期表中产生稳定，多样的无机材料，并且可以通过针对逆材料设计的各种下游任务进行微调（图为了实现这一目标，我们引入了一个扩散过程，该过程通过渐变的原子类型，坐标和周期性晶格来生成晶体结构。我们进一步引入适配器模块，以对所需的化学组成，对称性和标量性质约束（如磁密度）进行微调。与以前的材料的先前状态生成模型相比，Mattergen的稳定，独特和新颖（S.U.N.）材料，并生成在DFT局部能量最小的距离其地面结构的10倍以上的结构（图。