XiaoMi-AI文件搜索系统
World File Search System系统行为
约束协作项目 - 最终报告2024年7月
关注点：此选项的可行性与与贸易方案相同的问题链接，在该方案中，我们有与稳定性，电压以及如何部署该选项之间的相互作用有关的疑虑。也有人担心这将分裂现有的动态响应和储备市场，这意味着它在连贯性上得分。这需要ESO才能首先对系统行为进行进一步的研究，与新的功率注入相结合，研究对电压塌陷和系统稳定性的影响。
综合数据中心管理 (IDCM)
数据中心对业务运营的重要性和核心性从未如此之高，但它们需要更高效、更具弹性和更灵活。实现这些目标的最佳方式是将关键基础设施（电力、冷却、监控和建筑本身）与 IT 设备和应用程序紧密集成。数据中心与其他类型的建筑不同，它们受到其中运行的系统行为的极大动态影响。IDCM 集成了从建筑到虚拟化的众多系统，以提供更高的效率、简化的管理和更好的洞察力。
Tesla Powerwall+ 数据表
Powerwall+ 是一种集成太阳能电池系统，可储存太阳能发电产生的电能。Powerwall+ 有两个独立的逆变器，一个用于电池，一个用于太阳能，它们经过优化，可以协同工作。其集成设计和精简的安装使其可以轻松连接到任何家庭，而改进的浪涌电源能力则以较小的体积为整个家庭提供备用电源。智能系统控制使业主能够自定义系统行为，以满足他们的可再生能源需求。
智能数字双胞胎的基于图像的深度学习
摘要 - 越来越多地使用数字双胞胎（SDT S）来通过连续数据同化来实际上复制和预测复杂物理系统的行为，从而通过控制系统的作用来优化这些系统的性能。最近，深度学习（DL）模型显着增强了SDT S的功能，特别是对于诸如预测性维护，异常检测和优化等任务。在包括医学，工程和教育在内的许多领域中，SDT的使用图像数据（基于图像的SDT S）来观察和学习系统行为并控制其行为。本文通过不断地模拟物理系统的图像数据来开发基于图像的SDT S的各种方法和相关挑战。本文还讨论了为SDT S设计和实施DL模型所涉及的挑战，包括数据采集，处理和解释。此外，还提供了开发新的基于图像的DL方法来开发可靠SDT S的新方向和机会的见解。这包括使用生成模型进行数据增强，开发多模式DL模型以及探索DL与其他技术（包括5G，Edge Computing和IoT）集成的潜力。在本文中，我们描述了基于图像的SDT，该SDT能够在广泛的领域中更广泛地采用数字双DT范式，以及开发新方法以提高SDT S在复制，预测和优化复杂系统行为方面的能力。
全新 Bing：我们对负责任的 AI 的态度
在这种情况下，大型语言模型 (LLM) 是通过大量文本数据训练以预测序列中的单词的 AI 模型。LLM 能够执行各种语言任务，例如文本生成、摘要、翻译、分类等。元提示元提示是一个用于指导系统行为的程序。元提示的各个部分有助于使系统行为与 Microsoft AI 原则和用户期望保持一致。例如，元提示可能包含一行，例如“以用户选择的语言交流”。缓解一种方法或多种方法的组合，旨在减少使用新必应中的 AI 驱动功能可能产生的潜在危害。提示用户从搜索栏或聊天体验中发送给必应的文本。提示用作支持新必应聊天体验的模型的输入。例如，用户可能会输入以下提示：“我正在计划 9 月份的结婚纪念日旅行。从伦敦希思罗机场出发，我们可以在 3 小时内到达哪些地方？ ” 查询 用户从搜索栏发送到 Bing 进行网页搜索的文本。在本文档中，我们将查询（用于网页搜索）与提示（用于聊天体验）区分开来。例如，用户可能会输入以下查询来搜索网页：“伦敦希思罗机场附近的旅游目的地” 红队测试和压力测试
当人工智能系统的行为不符合用户预期时，提供解释的挑战 Riveiro， M.；Thill, S. 2022，专著或会议论文集（第 30 届 ACM 用户建模、适应和个性化会议论文集，第 110-120 页）
人工智能 (AI) 中的解释可确保复杂 AI 系统的用户了解系统行为的原因。用户对系统行为的期望会发挥一定作用，因为他们共同决定了解释的适当内容。在本文中，我们研究了当系统以意外方式运行时用户所需的解释内容。具体来说，我们向参与者展示了涉及自动文本分类器的各种场景，然后要求他们在每种场景中指出他们喜欢的解释。一组参与者从多项选择问卷中选择解释类型，另一组参与者必须使用自由文本回答。当输出符合预期时，参与者对于首选的解释类型表现出相当明确的一致意见：大多数人根本不需要解释，而那些需要解释的人则希望得到一个解释，说明输入的哪些特征导致了输出（事实解释）。当输出不符合预期时，用户也喜欢不同的解释。有趣的是，在多项选择问卷中，一致性较低。然而，自由文本回答略微表明，他们更倾向于描述人工智能系统的内部运作如何导致观察到的输出（即机械解释）的解释。总体而言，我们表明用户期望是确定最合适的解释内容（包括是否需要解释）的重要变量。我们还发现不同的结果，尤其是当输出不符合预期时，这取决于参与者是通过多项选择还是自由文本回答。这表明对精确实验设置的敏感性可能解释了文献中的一些变化。
高级设计方法 I – AE 6373 R 第 1 页，共 4 页
课程描述 ADM I 的主要目标是让学生从理论和实践的角度了解复杂系统设计方法。在过去的几十年里，这些方法已经由行业、政府和学术部门从传统设计范式开始逐渐成熟，并通过利用革命性的数学方法和来自各个领域和部门的创新观点，将其转化为当前最先进的设计趋势。本课程的理论内容侧重于这些革命性方法及其向飞机等复杂系统的形式化设计方法的转变。课程的理论方面与实践课程项目相得益彰，该项目允许学生将通过现实的商用飞机设计研究学到的先进设计方法付诸实践。本课程涵盖了各种主题，传统的设计范式（特征是确定性的，严重依赖历史数据）被一种以物理为基础的概率视角为特征的新范式所取代。课程重点强调用于分析和理解系统行为的技术和主题，例如方差统计方法、实验设计和代理模型。这一基础利用了概率方法的制定和实施，利用这些方法可以解决与技术融合建模、稳健系统设计和不确定性分析相关的技术。这些分析练习的可视化也得到了强调，并用于培养对预期和意外系统行为特征的批判性思维。该课程的另一个主要部分涉及决策技术，其中综合了多种观点、偏好和目标，并将其综合成一系列排名不等的解决方案。
LMS Virtual.Lab Motion - 创新多体仿真
在构建和测试昂贵的物理原型之前开发优化的机械系统需要准确的动态运动结果。当今 CAD 软件包中的运动模块无法满足这些需求，因为它们仅限于运动范围预测和碰撞检测。相反，LMS Virtual.Lab Motion 通过包括质量、惯性、刚度、摩擦等来模拟动态系统行为，因此能够在整个产品开发过程中提供更有价值的工程见解。快速迭代模拟可以准确预测动态运动和内部负载，使工程师能够评估多种设计方案的实际性能。
声源识别：理论与计算模型
计算模型是我们理解复杂系统的最佳工具。通过制定系统运行理论、构建体现该理论的模型，然后测试该模型的性能，可以确定该理论的优势和劣势。有时，模型会模仿系统的某些方面，这种对应关系可以作为支持该理论的证据。然而，更常见的是，模型无法解释系统行为的关键方面。这些缺点很有价值，因为它们告诉我们理论的弱点，通常突出了理论家做出的默认假设。模型也很有价值，因为它们可以被广泛操纵。通过更改参数或有选择地启用和禁用模型的组件，可以深入了解整个系统的运行情况。