XiaoMi-AI文件搜索系统
World File Search System计算模型
耐撞性 - 分析认证
测试后进行模拟 – 数值模型经过“调整”以匹配大型测试件/EA 子组件结果。计算模型只能预测在实验阶段测试的特定配置。例如，如果加载条件发生变化（即撞击位置、速度等）和/或几何形状发生变化，则模型可能会或可能不会预测结构的耐撞性行为。
Somme：夏季研究项目2025
描述：CML开发了计算模型，可以预测从地下深处的储层生产石油和天然气期间复杂颗粒悬浮液的行为（并且无法直接观察）。这项工作最近发现了一些有关粒子悬浮液行为的基本新见解，包括它们在不同的操作条件下如何自组织和聚结。这些发现对与人类血液有关的技术有直接影响，包括药物的静脉输送和微流体设备中癌细胞的分类。但是，还有更多尚待理解（例如流动的部分逆转（例如心脏周期驱动的流动）如何改变这些行为）。该项目的目的是开发耦合流体粒子系统的高级计算模型，并将其应用于研究粒子形状和通道曲折对迁移，隔离和振荡流中堵塞的影响。这将使用CML中开发的开源模拟进行，该模拟采用晶格玻尔兹曼方法用于流体力学和粒子力学的离散元素方法。
在社会和司法限制下进行深度学习的数学算法设计：算法透明度要求
抽象的深度学习仍然在可信度方面存在缺点，它描述了一种可理解，公平，安全和可靠的方法。为了减轻AI的潜在风险，已通过监管指南（例如，在《欧洲AI法》中）提出了与可信赖性相关的明确义务。因此，一个核心问题是可以在多大程度上实现值得信赖的深度学习。建立构成可信赖性的所描述属性要求可以追溯影响算法计算的因素，即算法实现是透明的。以这样的观察到，深度学习模型的当前演变需要改变计算技术的变化，我们得出了一个数学框架，使我们能够分析计算模型中透明的实现是否可行。我们示例地应用了我们的可信度框架，分别分析图灵和Blum-Shub-Smale机器代表的数字和模拟计算模型中的反相反问题的深度学习。基于先前的结果，我们发现Blum-Shub-Smale机器有可能在相当一般的条件下为反问题建立可信赖的求解器，而Turing Machines不能保证具有相同程度的可信度。
微电子与能量传输修订版
课程简介：学生将通过实践和模拟活动探索电路中的能量传递。绩效期望：HS-PS3-1：创建一个计算模型，当已知系统中其他组件的能量变化和流入和流出系统的能量时，计算系统中一个组件的能量变化。MS-PS3-2：开发一个模型来描述当远距离相互作用的物体的排列发生变化时，系统中会存储不同数量的潜在能量。具体学习成果：学生将能够 - 通过探索微电子在日常设备中的作用来吸引兴趣。 - 通过实践活动研究微电子元件如何管理和存储能量。 - 解释微电子系统中的能量关系并利用计算模型。 - 将他们对微电子能量管理的理解应用于实际问题。 - 评估他们对微电子中的能量传递、潜在能和计算建模的理解。叙述/背景信息 对于微电子 5E 课程计划，学生需要掌握基本电路概念的基础知识，包括了解电阻器、电容器和电源等组件。他们应该熟悉能量传递的原理，包括势能和动能的作用，以及欧姆定律与电压、电流和电阻的关系。了解能量如何存储（在电容器中）和耗散（在电阻器中）很重要，以及微电子如何在智能手机或计算机等日常设备中发挥作用。熟悉电子表格或电路仿真软件等基本计算工具也将有助于学生在课堂上模拟电路中的能量关系。 科学与工程实践：开发和使用模型 开发一个模型来描述不可观察的机制。（MS-PS3-2） 使用数学和计算思维 创建现象、设计设备、过程或系统的计算模型或模拟。（HS-PS3-1）
声学信号处理研究中心 (...
博士项目：使用听觉和深度学习的计算模型进行听力损失补偿 博士生：Peter Asbjørn Leer Bysted 开始日期：2020 年 11 月 1 日。公司主管：Lars Bramsløw，Eriksholm 研究中心，Oticon A/S。听力损失是指无法部分或完全听到声音，是一种影响超过 10 亿人的非常常见的疾病，尽管不同患者的听力损失表现方式存在很大差异，导致干预结果存在很大差异。近年来，描述听觉系统的计算模型已经出现，使研究人员能够解释人类听觉的复杂性，但目前尚不清楚如何利用这些发现来补偿听力辅助设备的听力损失。随着计算听觉模型的发展，神经网络出现了重大复兴，解决了各种复杂问题。虽然神经网络在各种语音增强应用中的应用是一个非常活跃的研究领域，但将其用于听力损失补偿基本上是一个尚未开发的研究领域。
引用了原始发表的论文（记录的版本）：Larsson，C.，Larsson，F.，Xu，J。等（2023）。锂插入诱导SWE
结构电池复合材料属于类别的多功能材料，具有同时存储电能并承载机械负载的能力。在充当负电极时，碳纤维也充当机械增强。锂离子插入碳纤维中的含有6.6％的径向膨胀，轴向膨胀为0.85％。此外，碳纤维的弹性模量受锂插入的显着影响。当前的结构电池建模方法不考虑这些功能。在本文中，我们通过开发考虑有限菌株和锂浓度依赖性纤维模量的计算模型，研究碳纤维中锂插入对结构电极机械性能的影响。计算模型可以表示形态变化，从而预测可以预测诸如内部应力状态，均质的切线刚度以及由碳纤维静脉引起的电极的有效扩展。所采用的有限应变公式允许在不同的静态状态下持续考虑测量数据。采用有限应变公式的重要性也显示为数值。最后，通过实施一种新型的无应力膨胀方法，结果表明，结构电极的计算膨胀与实验中观察到的相似趋势。
松鼠供者及其逻辑
1。简介安全协议如今已广泛用于确保通过Internet等公共渠道进行的交易。常见用途包括敏感信息的安全传输，例如信用卡号或系统上的用户身份验证。因为它们在许多广泛使用的应用中存在（例如电子商务，政府发行的ID），开发验证安全协议的方法和工具已成为重要的研究挑战。这样的工具有助于提高我们对协议的信任，从而对依靠它们的应用程序进行信任。正式的方法已经带来了各种方法，以证明加密促进确实保证了预期的安全性。在这一研究领域的一种有效方法是将密码信息作为一阶术语建模，以及代表攻击者能力的方程理论。最初在[Dolev and Yao 1981]中提出的这个想法多年来得到了完善，导致了各种所谓的符号模型。这些模型包括攻击者的广泛类别，并促进了协议的自动验证。他们导致了成功的工具的开发，例如Proverif [Blanchet 2001]和Tamarin [Meier等。2013]。但是，重要的是要注意，符号模型中的安全性并不一定意味着密码师标准模型中的安全性，称为计算模型。与符号模型相比，验证计算模型的验证技术虽然至关重要，但与符号模型相比通常具有较小的灵活性或自动化。 2023]。验证计算模型的验证技术虽然至关重要，但与符号模型相比通常具有较小的灵活性或自动化。2023]。在该模型中，攻击者由概率多项式时间图灵机（PPTMS）表示，并且证明协议与理想化的，显然是安全的版本没有区别。作为一个例证，秘密键是在计算模型中忠实地建模的，因为长斑点是随机均匀绘制的，而它们是在符号模型中使用抽象名称进行建模的。在符号模型中，两个不同的秘密键由不同的名称表示，这些键不能相等。然而，在计算模型中，就像实际上一样，采样的斑点是相等的（尽管不太可能）。在此列中，我们提出了一种基于逻辑的方法，用于验证计算模型中的加密协议，以及在松鼠工具中实现的一些实际方面[Baelde等。2021; Baelde等。该系统建立在[Bana and Comon-Lundh 2012的计算完整符号攻击者（C CSA）方法上； Bana and Comon-lundh 2014]，依赖于逻辑的象征环境，但避免了上述符号模型的局限性。CSA方法不是通过说明对手可以做什么的规则来建模攻击者功能，而是依赖于攻击者无法做的规范。从加密原始图的安全属性开始，人们得出了表达哪些消息序列的规则是无法区分的。这些
神经形态算法的计算复杂性
神经形态计算具有多种特性，使其成为后摩尔计算中极具吸引力的计算范式。这些特性包括内在并行性、固有可扩展性、共置处理和内存以及事件驱动计算。虽然这些特性为神经形态系统带来了能源效率，但它们也带来了一系列挑战。神经形态计算的最大挑战之一是建立神经形态算法计算复杂性的理论基础。在本文中，我们迈出了定义神经形态算法的空间和时间复杂性的第一步。具体来说，我们描述了一种神经形态计算模型，并陈述了控制神经形态算法计算复杂性的假设。接下来，我们提出了一个理论框架来定义神经形态算法的计算复杂性。我们根据我们的神经形态计算模型，明确定义了神经形态算法中的空间和时间复杂性。最后，我们利用我们的方法并定义了六种神经形态算法的计算复杂性：常量函数、后继函数、前驱函数、投影函数、神经形态排序算法和邻域子图提取算法。