XiaoMi-AI文件搜索系统
World File Search System设计搜索
通过经典和量子生成模型增强组合优化
设计搜索空间的有效探索是组合优化算法设计中的关键挑战之一。在这里，我们介绍了生成器增强优化（GEO）策略：一个利用任何生成模型（经典，量子或量子启发）的框架来解决优化问题。我们专注于依靠张量 - 网络出生的机器的量子启发的Geo版本，并将其称为TN-GEO。为了说明我们的结果，我们在规范基数约束的投资组合优化问题的背景下通过结构构建S＆P 500和其他几个财务库存索引的情况下运行这些基准，并证明这些量子启发的生成模型的概括能力如何在产业试验的上下文中提供这些量子启发的生成型价值。我们还全面比较了最先进的算法，并表明TN-GEO是最好的。鉴于比较中使用的求解器在这种现实世界的工业应用中已经经过了数十年的研究。另外，通过量子启发的模型迈出了实践优势的有前途的步骤，随后，量子生成模型
七步联邦商标检索策略
2. 使用在线 ID 手册确定您的产品或服务的具体术语。首先从这个按字母顺序列出的可接受的商品和服务识别术语列表开始。ID 手册可在 USPTO 网站 http://tess2.uspto.gov/netahtml/tidm.html 上搜索。找到描述您的商品或服务的术语。例如，“飞盘”是飞碟型玩具的可接受术语。3. 确定国际类别。在线 ID 手册中您的产品或服务的条目还将列出该产品或服务的相应国际类别。虽然提供您的商品或服务的类别不是申请的必要条件（TEASPlus 申请除外），但了解您的国际类别可以帮助您集中搜索。4. 确定相关商品或服务及其类别。确定与您的产品一起使用、宣传或销售的相关商品和/或服务的术语。例如，在 ID 手册中，花生酱与果冻和果酱一起销售和使用。另外，还要浏览国际商品和服务分类，查找与您的产品或服务相关的类别。（http://www.uspto.gov/trademarks/notices/international.jsp） 5. 制定基本的搜索策略。集思广益，想出几种与您的商标相似的替代方案，以防您的首选被采用。美国专利商标局可能拒绝您的商标的原因是什么？（请参阅 http://tess2.uspto.gov/webaka/html/Likelihood/Likelihood_of_Confusion.html 上的常见拒绝情况）。如果您的商标包含短语，最重要的关键词是什么？不要忘记使用截词符（*）或通配符（？）来查找词干与您的商标相似的商标。 6. 拓宽您的搜索策略。考虑使用商标的其他拼写和同音异义词进行搜索。使用与您的商标含义相同或相似的词语。此外，尝试发音或外观相似甚至语音相同的词语。如有必要，可以稍后通过将搜索结果限制为第 2 步中找到的商品/服务或第 3 步中找到的国际类别来缩小范围。 7. 进行搜索。在您当地的专利商标资源中心（www.uspto.gov/ptrc）或家里（如果可以上网）使用 TESS（美国专利商标局基于网络的商标电子搜索系统）进行搜索。 注意：如有需要，请搜索徽标和设计。使用设计搜索代码手册（http://tess2.uspto.gov/tmdb/dscm/index.htm）确定您商标图形设计组件（如果有）的正确设计搜索代码。使用这些设计代码在 TESS 上搜索，看看是否有其他商标具有与您的商标类似的设计元素，并且适用于类似的产品/服务。
产品形状概念设计的跨模式任务的深度学习方法：评论
概念设计是设计过程的基础阶段，它通过设计搜索，创建和集成将不明权的设计问题转化为低实现设计概念和原型。在此阶段，产品形状设计是最重要的方面之一。在将基于深度学习的方法应用于产品形状设计时，存在两个主要挑战：（1）设计数据以多种方式和（2）对创造力的需求不断增长。随着跨模式任务（DLCMT）的最新进展，可以将一种设计模式转移到另一种设计模式，我们看到了开发人工智能（AI）的机会，以帮助新范式中的产品形状设计。在本文中，我们对DLCMT的检索，生成和操纵方法进行了系统的审查，该方法涉及三种跨模式类型：文本到3D形状，文本到熟悉和素描至3D形状。评论从计算机图形，计算机视觉和工程设计领域中的1341篇论文中列出了50篇文章。我们审查（1）可以应用于产品形状设计和（2）确定关键挑战的状态DLCMT方法，例如在早期设计阶段缺乏对工程性能的考虑，在应用DLCMT方法时需要解决的问题。最终，我们讨论了这些挑战的潜在解决方案，并提出了一系列研究问题，以指向数据驱动的概念设计的未来方向。[doi：10.1115/1.4056436]
用于成分梯度合金计算设计的子空间包容采样方法
成分梯度合金是功能梯度材料 (FGM) 的一个子类，它利用单个金属部件的局部成分变化来实现比传统单一材料部件更高的性能。在之前的研究 [Kirk, T., Galvan, E., Malak, R., and Arroyave, R., 2018, “增材制造功能梯度材料中梯度路径的计算设计,” J. Mech. Des., 140, p. 111410. 10.1115/1.4040816] 中，作者提出了一种计算设计方法，该方法避免了限制梯度合金可行性的常见问题（例如有害相），并针对性能目标进行了优化。然而，以前的方法只对成分空间的内部进行采样，这意味着设计的梯度必须包括整个梯度空间中的所有元素。因为即使少量的额外合金元素也会引入新的有害相，所以这一特性通常会忽略原本无法解决的问题的潜在更简单的解决方案，从而阻碍向状态空间添加新元素。本研究通过引入一种在设计搜索中包含较少元素子空间的采样方法来改进以前的方法。新方法在人工扩展的状态空间形式内进行采样，并将真实区域之外的样本投射到最近的真实子空间。首先通过观察 3D、4D 和 5D 状态空间中每个子空间中的样本分布来评估该方法。接下来，在合成的 3D 问题中进行参数研究，将新采样方案的性能与以前的方法进行比较。最后，应用更新的方法设计从不锈钢到等原子 NiTi 的梯度，该梯度具有嵌入式形状记忆驱动等实际用途，而以前的方法未能找到可行的途径。[DOI：10.1115 / 1.4053629]
已接受稿件未经编辑
不同保真度之间的个体损失。他们展示了这些改进对几个基本多尺度材料建模挑战的影响，包括二维传热、相变和枝晶生长问题。在这些问题上，与没有此类约束的网络相比，所提出的多保真度、基于物理的约束将预测误差降低了一个数量级。这实现了与底层方程的直接数值解相当的精度。Sarkar 等人在题为“高维工程设计和校准的多保真度和多尺度贝叶斯框架”的论文中，提出了一种用于优化的多保真度建模和信息论顺序采样策略。该方法基于通过高斯过程对各种保真度信息源进行建模，并辅以有效的主动学习策略，这些策略涉及在多尺度架构中顺序选择最佳点。该策略通过压缩机转子的设计优化和微结构预测模型的校准来演示。在题为“工程设计深度强化学习案例研究：应用于流动雕刻微流体设备”的论文中，Lee 等人。通过克服基于进化优化的方法的一些关键弱点（即样本效率低和优化收敛速度慢），解决了如何设计微流体流动雕刻设备。本文将深度强化学习 (DRL) 技术应用于流体雕刻任务，并研究了迁移学习在加速目标流形设计方面的有效性。本文表明，与同类 GA 模型相比，DRL 能够使用明显更少的雕刻支柱来匹配 90% 的目标流形，并提供了一种解释学习模型的方法（使用主成分），而现有的流体雕刻方法无法提供这种解释。Lynch 等人在他们的论文《机器学习辅助拓扑优化数值参数调整》中，提出了一个基于 ML 的元学习框架来确定拓扑优化中的调整参数。这些参数是从过去进行的类似优化问题中学习到的，并根据当前的问题进行调整。这有助于避免手动参数调整中代价高昂的反复试验。在论文《数据驱动的设计空间探索和利用增材制造设计》中，Xiong 等人。提出了一种数据驱动的方法，用于在设计过程的连续阶段进行设计搜索和优化。他们在具体设计阶段使用贝叶斯网络分类器，在详细设计阶段使用高斯过程回归。通过定制踝关节支架的设计说明了该方法。Odonkor 和 Lewis 将数据驱动设计应用于复杂系统（特别是分布式能源资源）的运营策略设计。这篇论文的标题是“分布式能源系统控制策略的数据驱动设计”。最大化套利价值的问题被表述为优化问题，并使用重新解决
已接受稿件未经编辑
不同保真度之间的个体损失。他们展示了这些改进对几个基本的多尺度材料建模挑战的影响，包括二维传热、相变和枝晶生长问题。在这些问题上，与没有此类约束的网络相比，所提出的多保真度、基于物理的约束将预测误差降低了一个数量级。这实现了与底层方程的直接数值解相当的精度。Sarkar 等人在题为“高维工程设计和校准的多保真度和多尺度贝叶斯框架”的论文中提出了一种用于优化的多保真度建模和信息论顺序采样策略。该方法基于通过高斯过程对各种保真度信息源进行建模，并增强了有效的主动学习策略，该策略涉及在多尺度架构中顺序选择最佳点。该策略通过压缩机转子的设计和微结构预测模型的校准得到了演示。在题为《深度强化学习在工程设计中的案例研究：在流动雕刻微流体装置中的应用》的论文中，Lee 等人讨论了如何通过克服基于进化优化的方法的一些关键弱点（即样本效率差和优化收敛速度慢）来设计微流体流动雕刻装置。本文将深度强化学习 (DRL) 技术应用于流动雕刻任务，并研究了迁移学习在加速目标流形设计方面的有效性。本文证明，DRL 能够使用比同类 GA 模型少得多的雕刻柱来匹配 90% 的目标流形，并且提供了一种解释学习模型的方法（使用主成分），而现有的流体雕刻方法并不提供这种方法。 Lynch 等人在其论文《机器学习辅助拓扑优化中的数值参数调整》中提出了一种基于 ML 的元学习框架来确定拓扑优化中的调整参数。这些参数是从过去进行的类似优化问题中学习到的，并根据当前的问题进行调整。这有助于避免手动参数调整中代价高昂的反复试验。在论文《数据驱动的设计空间探索和利用增材制造设计》中，Xiong 等人提出了一种数据驱动的方法，用于设计过程的连续阶段的设计搜索和优化。他们在具体设计阶段使用贝叶斯网络分类器，在详细设计阶段使用高斯过程回归。该方法通过定制踝关节支架的设计进行了说明。Odonkor 和 Lewis 将数据驱动设计应用于复杂系统的操作策略设计，特别是分布式能源资源。这篇论文的标题是“分布式能源系统控制策略的数据驱动设计”。最大化套利价值的问题被表述为一个优化问题，并使用重新求解