XiaoMi-AI文件搜索系统
World File Search System稳健性
基于可再生能源管理的分散式 TSO-DSO 协调电压调节——敏感性和稳健性分析
可再生能源 (RES) 在配电网中的日益普及已将传统电压调节推向极限。为了在这种新环境下开发先进的电压控制技术，需要在输电系统运营商 (TSO) 和配电系统运营商 (DSO) 之间进行充分且实时的协调和通信。本文提出了一种分散的 TSO-DSO 协调方法，用于在 DSO 边界内调度和部署最佳无功功率交换，从而改善 TSO 网络中的电压控制。所提出的方法通过标准化业务用例 (BUC) 实现。通过在国际电工委员会 (IEC) 通用信息模型 (CIM) 标准系列 IEC61970、IEC61968 和 IEC62325 的框架内设计和开发 BUC，解决了 TSO、DSO 和其他利益相关者之间的互操作性。鉴于缺乏现场试点测试，所提出的标准化 BUC 在真实的斯洛文尼亚 TSO 和 DSO 网络上进行了演示。本文介绍的模拟实验有两个方面。一方面，基于标准化 BUC 的所提出的数据交换机制证明了以 CIM 通用电网模型交换标准 (CGMES) 格式在 TSO、DSO 和其他利益相关者（例如重要电网用户 (SGU) 和电表运营商）之间成功交换数据的可行性。另一方面，通过对不同网络拓扑、DG 运行场景和电容器组的大小和位置进行灵敏度和稳健性分析，验证了所提出的分散式 TSO-DSO 协调方法通过管理不同 RES（例如电容器组和不同的分布式发电机 (DG)，即水电、光伏 (PV) 和热电联产单元）注入的无功功率来调节高压 (HV) 的能力。模拟结果表明，所提出的方法可以管理分布式发电，使其贡献额外的（正或负）无功功率，以减少电网中的电压偏差，通过减少从 TSO 到 DSO 网络的无功功率流动（反之亦然）来改善 DSO 边界的电能质量，并将高压电压保持在安全值内。不幸的是，对于电容器组来说情况并非如此，所提出的方法管理其注入的无功功率以调节高压电压的能力高度依赖于其大小和位置，需要根据具体情况进行研究。
MEMS 元件高级稳健性验证和可靠性评估 (ARRA) 手册
适用于压力传感器和麦克风。对于其他 MEMS 设备，如第 2.1 节所示，适用 B 级，因为可能需要进行设备特定的鉴定测试（例如微镜设备的辐射应力测试）。第 1.4 节解释了 AEC Q10x 和 ARRA 理念之间的区别。第 2 章总结了本文档范围内的不同类型的 MEMS 设备，以及 MEMS 设备与标准固态半导体设备之间的界限，这些界限在 [8] 中进行了讨论。第 3 章详细解释了每个 ARRA 级别的内容、实现此级别的必要步骤和可交付给客户的产品，以及关键的零缺陷方法和确定 MEMS 稳健性裕度的方法。附录包含客户与供应商之间交换任务概况的表格、MEMS 设备的标准化温度和振动任务概况以及示例最佳实践知识矩阵。
量子能量隐形传态中量子关联的稳健性
在本文中，我们探索了不同量子场论 (QFT) 中的反馈控制协议，以研究量子系统非幺正演化中的量子关联。传统的 QFT 研究侧重于幺正演化下纯态的量子纠缠，然而，我们使用量子能量隐形传态 (QET)（一种利用基态纠缠的能量传输协议）来研究混合态中的量子关联，并引入量子不和谐作为度量。QET 涉及中间电路测量，这会破坏纯态纠缠。尽管如此，我们的分析表明，量子不和谐在整个 QET 过程中保持关联。我们使用包括 Nambu-Jona-Lasinio (NJL) 模型在内的基准模型进行了数值分析，揭示了量子不和谐始终充当相变的序参数。该模型被扩展为同时具有手性化学势和化学势，这对于研究模拟与手性密度算子耦合的左夸克和右夸克之间的手性不平衡的相结构很有用。在我们研究的所有情况下，量子不和谐都表现为相变的序参数。
噪声攻击下的双胞胎延迟的深层确定性政策梯度算法的稳健性探索
摘要。这项研究重点是探索强化学习算法双胞胎的鲁棒性，延迟了深层确定性的政策梯度（TD3），尤其是在面对不确定性，噪音和钉子的表现方面。强化学习是一种机器学习范式，在该范式中，代理商学习如何执行任务并通过与环境的互动来优化长期奖励。这种学习方法在自动驾驶，游戏，机器人控制等领域具有广泛的应用。TD3是一种高级强化学习算法，在各种复杂的任务和环境中的性能非常出色。此外，TD3具有一些独特的性能优势，例如双Q批评结构和目标策略平滑，这在面对不确定性和噪音时可能会使其强大。虽然对增强学习的鲁棒性进行了广泛的研究，但相对缺乏专门针对TD3的研究。本研究旨在填补这一空白，并研究当添加不同类型的噪声或受到攻击时TD3的性能如何变化。这项研究的目的不仅旨在更深入地了解TD3算法本身，还旨在为增强学习鲁棒性的理论和实践提供强有力的支持。这项研究具有广泛的应用和学术价值，并有可能在强化学习领域推动进一步的进步。
温室气体核算体系应充分认识到终端市场工具的稳健性
我们理解并赞赏温室气体核算体系正在修订其标准，以期明确使用基于市场的方法。在修订过程中，必须提供确定性并制定规则：基于先前指导的临时声明应明确指出，修订过程结束时将承认基于市场的工具。自前范围 2 指导附件撤回以来，市场参与者缺乏一个让他们确定投资的框架，而 2023 年 8 月的“生物甲烷证书核算临时更新”并未提供明确的指导。
UMIBB：一种新的非参数贝叶斯方法提高了稳健性和灵敏度
基于 CRISPR 的功能基因组学筛选是识别合成致死癌症药物靶点的有力工具。目前分析汇集的 CRISPR 筛选的策略通常依赖于来自在两种实验条件下具有不同相对丰度的单个向导 RNA (sgRNA) 的信号。然而，传统方法通常容易受到由异常细胞克隆驱动的假阳性和假阴性的影响，因为 sgRNA 丰度不能解释由相同 sgRNA 的不同编辑结果导致的异质表型。为了克服这个问题，我们在每个 sgRNA 中添加了 DNA 条形码，以创建 CRISPR 文库的唯一分子标识符 (UMI)，并开发了一个配套的分析平台，以实现强大的工业规模 CRISPR 筛选。在这里，我们介绍了 UMIBB，一种用于分析 UMI-CRISPR 数据的新型非参数贝叶斯方法。与每个 sgRNA 的对照实验条件相比，具有标准化计数消耗或富集的 UMI 数量由 beta-二项分布建模。基因水平统计数据是通过将 sgRNA 水平后验概率的 z 分数与每个 sgRNA 中 UMI 的数量加权而得出的。这种方法最大限度地减少了异常细胞克隆对统计数据的影响，并优先考虑每个基因中多个 UMI 之间计数差异一致的基因。为了评估 UMIBB 的功效，我们在低覆盖率（200X）基因组规模负选择筛选上对其进行了基准测试，并与高覆盖率（1000X）筛选的结果进行了比较。这些筛选是在用曲美替尼或载体对照处理的 KRAS 突变癌细胞（A549）上进行的。尽管在较低覆盖率筛选中通常会观察到高噪音水平，但我们的方法能够发现 >85% 的曲美替尼已验证的致敏基因，并且与传统方法相比实现了最高的灵敏度。此外，我们将 UMIBB 应用于基因组规模的正向选择筛选，并成功确定了新基因（RAD18 和 UBE2K）是 BRCA1/2 突变细胞系中 USP1 依赖性的关键介质。我们的研究表明，UMIBB 对克隆异质性导致的假阳性具有很高的稳健性，并且更有可能识别真正的遗传相互作用。
增强数字阴影的稳健性，用于使用增强岩石物理建模的二氧化碳存储监控
摘要。引入了一种用于建模肿瘤生长的新计算工具肿瘤生长。该工具允许比较标准教科书模型，例如一般的Bertalan效和Gom-Pertz，以及一些较新的模型，包括第一次是神经ODE模型。作为一种应用，我们在接受两种不同治疗方案的患者中重新审视非小细胞肺癌和膀胱癌病变的人类元研究，以确定先前报道的性能差异在统计学上是否显着，并且是否更新，更复杂的模型更为复杂。在至少四个时间体积测量的示例中，可以进行校准，平均约为6.3，我们的主要结论是，普通的bertalan杀性模型平均具有较高的性能。但是，如果有更多测量值可用，我们认为能够捕获反弹和复发行为的更复杂的模型可能是更好的选择。
达拉斯警察和消防养老金系统和雇员退休基金：资金稳健性更新和讨论
• 截至 2022 年 1 月 1 日，预计 DPFP 将在 68 年内获得全额资助 • 截至 2022 年 12 月 31 日，预计 ERF 将在 51 年内获得全额资助 • 公共退休系统的管理机构（董事会）和相关政府实体（赞助商）需要制定资金稳健恢复计划 (FRSP)，以满足 30 年摊销要求 • 根据德克萨斯州政府法典第 802 章的规定，DPFP 和 ERF 的 FRSP 必须在 2025 年 9 月 1 日之前提交给 PRB*
炒作与希望：深度学习比标准机器学习能够编码更具预测性和稳健性的脑成像表征
摘要 深度学习 (DL) 方法在多个复杂任务上取得的成功大大提高了人们对其学习复杂脑成像数据的细微特性以及扩展到大型数据集的能力的期望。也许是为了应对这种膨胀，最近的批评性评论不利地将 DL 与用于分析脑成像数据的标准机器学习 (SML) 方法进行了比较。然而，他们的结论是基于预先设计的特征，这剥夺了 DL 的主要优势：表征学习。在这里，我们对此进行了评估，并展示了表征学习对于 DL 在脑成像数据上的表现的重要性。我们报告了在 12,314 张结构性 MRI 图像上进行的十向年龄和性别分类任务中对 SML 方法与 DL 进行大规模系统比较的结果。结果表明，如果按照流行的 DL 实践实施和训练 DL 方法，则与 SML 方法相比，DL 方法有大幅改进的潜力。我们还表明，尽管 DL 方法更复杂，但其扩展性特别好，在相对计算时间中呈现出较低的渐近复杂度。我们的分析表明，随着训练样本量的增长，性能改进会趋于饱和，但始终表现出显著更高的性能。我们还提供了证据，表明 DL 的卓越性能主要归功于出色的表示学习能力，并且 SML 方法在对经过训练的 DL 模型生成的表示进行操作时也可以表现得同样出色。最后，我们证明 DL 嵌入跨越了可理解的投影谱，并且 DL 始终定位有判别力的大脑生物标志物，这为预测相关性估计的稳健性提供了一个例子。我们的研究结果强调了大脑成像数据中存在非线性，DL 框架可以利用这些非线性来生成用于表征人脑的卓越预测表示，即使在当前可用的数据量下也是如此。
Crosswalk AI RMF 1.0 OECD EO AIA BoR
有效和可靠的稳健性——“人工智能稳健性；准确；可靠，有效性；有效性；准确性；准确性和目的性和可靠性/可靠的稳健性验证和性能验证”驱动