XiaoMi-AI文件搜索系统
World File Search System设计深度
博士招聘 AI-DIAL
表征这些肿块的标准成像分析技术基于组织密度和对注射造影剂的信号响应。如果不能排除恶性肿瘤，则进行肾上腺手术以切除诊断性肿瘤。必须防止过度治疗，尤其是切除激素水平正常的良性病变。纹理和放射组学分析是基于图像分析定量确定病变特征的创新方法。使用纹理、形状和其他信息可以比单独的强度变化捕获更多相关细节，从而提高非侵入性诊断率。除了经典的放射组学特征外，还将设计深度学习方法，使用分割和中级深度学习特征对肾上腺病变进行分割和准确分类。
公告 - 国防部
许可管理员：Melissa France 电话：415-503-6768 电子邮件：Melissa.M.France@usace.army.mil 1. 简介：圣拉斐尔游艇港（联系人：Scott Bodensteiner，Haley and Aldrich, Inc.，2033 North Main Street，Suite 309，Walnut Creek，CA 94596）已向陆军部申请了为期十年的许可，以在位于加利福尼亚州马林县圣拉斐尔的圣拉斐尔游艇港内进行维护疏浚。拟议疏浚的目的是将游艇港恢复到其原始设计深度，以便为休闲船只提供安全的航行深度。本陆军部许可证申请依据 1972 年《清洁水法》第 404 节（经修订）（33 USC § 1344 et seq.）和 1899 年《河流和港口法》第 10 节（经修订）（33 USC § 403 et seq.）的规定进行处理。2. 拟议项目：
通告
许可证管理人：Melissa France 电话：415-503-6768 电子邮件：Melissa.M.France@usace.army.mil 1. 简介：红木城港口区通过其代理 Haley & Aldrich（联系人：Scott Bodensteiner）向陆军部申请了为期十年的许可证，以便在位于加利福尼亚州圣马特奥县红木城的红木城港口 1-4 号码头、多用途船坞和多用途船坞船坞区域内进行维护疏浚。拟议疏浚的目的是将港口恢复到原始设计深度，以方便休闲船只安全航行。本陆军部许可证申请依据 1972 年《清洁水法》第 404 节（经修订）（33 USC § 1344 et seq.）和 1899 年《河流和港口法》第 10 节（经修订）（33 USC § 403 et seq.）的规定进行处理。2. 拟议项目：
地热无限方法钻井效率（...
从SPUD到钻机释放的项目活动预计将不超过120天。与结构和钻探有关的表面干扰的总面积约为13英亩。将在与天然气加工设施相邻的工业区域上建造约6.3英亩的井垫和短途通道。两个井口都位于同一垫上，尽管尚未确定确切的间距。已经制定了剪切/填充计划，以指示去除地球的水平和重新分布，以构建一个平坦的区域，以定位能够钻孔到拟议项目的设计深度。与新通道道路相关的干扰面积约为0.8英亩。拟议的道路将被加冕，抛弃和建造约24英尺。宽阔的碎石表面，有分级路堤和沟渠。将安装跨涵洞。现场的现有道路将保持在安全可用的状态。道路维护将继续持续到最后放弃和开垦，可能包括刀刃，沟渠清洁，碎石表面，填充车辙和较低点，安装侵蚀控制，防尘控制，清除防雪以及涵洞更换或清洁。尘埃控制可以通过浇水，地主批准的氯化镁
本构模型的物理解释神经网络
(人工)神经网络在力学和材料科学领域越来越受欢迎，它利用模型降阶技术加速计算，并作为各种材料的通用模型。然而，神经网络的主要缺点仍然存在：它们的众多参数难以解释和解释。因此，神经网络通常被称为黑匣子，其结果往往难以人类解释。物理信息神经网络这一新兴的活跃领域试图通过基于机械知识设计深度神经网络来减轻这一缺点。通过利用这种先验知识，更深层、更复杂的神经网络变得可行，因为机械假设可以得到解释。然而，神经网络参数的内部推理和解释仍然是个谜。作为物理信息方法的补充，我们提出了迈向物理解释方法的第一步，该方法对在机械数据上训练的神经网络进行后验解释。这种概念验证可解释的人工智能方法旨在阐明神经网络的黑匣子及其高维表示。其中，主成分分析将 RNN 单元状态中的分布式表示去相关，并允许与已知和基本函数进行比较。这种新方法由系统超参数搜索策略支持，该策略可识别最佳神经网络架构和训练参数。三个关于基本本构模型（超弹性、弹塑性和粘弹性）的案例研究的结果表明，所提出的策略可以帮助识别数值和分析闭式解来表征新材料。
用于高光谱图像分类的量子启发光谱空间金字塔网络
高光谱图像 (HSI) 分类旨在为每个像素分配一个唯一标签，以识别不同土地覆盖的类别。现有的 HSI 深度学习模型通常采用传统学习范式。作为新兴机器，量子计算机在嘈杂的中尺度量子 (NISQ) 时代受到限制。量子理论为设计深度学习模型提供了一种新的范式。受量子电路 (QC) 模型的启发，我们提出了一种受量子启发的光谱空间网络 (QSSN) 用于 HSI 特征提取。所提出的 QSSN 由相位预测模块 (PPM) 和受量子理论启发的类测量融合模块 (MFM) 组成，以动态融合光谱和空间信息。具体而言，QSSN 使用量子表示来表示 HSI 长方体，并使用 MFM 提取联合光谱空间特征。量子表示中使用了 HSI 长方体及其由 PPM 预测的相位。使用 QSSN 作为构建块，我们进一步提出了一种端到端的量子启发式光谱空间金字塔网络 (QSSPN)，用于 HSI 特征提取和分类。在这个金字塔框架中，QSSPN 通过级联 QSSN 块逐步学习特征表示，并使用 softmax 分类器进行分类。这是首次尝试将量子理论引入 HSI 处理模型设计。在三个 HSI 数据集上进行了大量实验，以验证所提出的 QSSPN 框架相对于最新方法的优越性。
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