XiaoMi-AI文件搜索系统
World File Search System输出数据
数据库开发简介
2.1.1信息系统的组件一个系统是一组相关组件，它们共同起作用，以实现定义的目标。系统与环境相互作用，并执行功能以实现目标。例如，由血液，血管和心脏组成的人类循环系统使血液流到身体的各个部位。循环系统与人体其他系统相互作用，以确保及时到达各个身体部位的血液的数量和组成。信息系统就像物理系统（例如循环系统），只是信息系统操纵数据而不是像血液这样的物理对象。一个信息系统接受来自其环境的数据，处理数据并生成用于决策的信息。例如，一个用于处理学生贷款的信息系统（图2.1）可以帮助提供机构的服务提供商跟踪贷款。该系统的环境由贷方，学生和政府机构组成。贷方发送批准的贷款申请，学生将获得学校费用的现金。毕业后，学生每月收到每月的陈述并付款以退休贷款。如果学生违约，则政府机构会收到违法通知。数据库为信息系统提供了长期记忆，这是一个重要的作用。长期记忆包含实体和关系。图2.1中的数据库包含有关学生，贷款和付款的数据，以生成声明，现金撤销和拖欠通知。没有永久内存的信息系统，或者仅在永久内存中只有几个变量嵌入到设备中，以提供有限的功能范围，而不是在业务信息系统提供的情况下提供有限的范围。数据库不是信息系统的唯一组成部分。信息系统还包含人员，过程，输入数据，输出数据，软件和硬件。因此，如下一个小节中讨论的那样，开发信息系统不仅仅涉及开发数据库。
目前对基于人工智能的医疗器械的临床研究是否足够全面，能够支持全面的卫生技术评估？系统评价
简介：基于人工智能的医疗设备 (AI-based MDs) 在医疗保健领域正呈指数级增长。本研究旨在调查当前评估 AI 的研究是否包含 HTA 机构进行健康技术评估 (HTA) 所需的信息。方法：我们根据系统评价和荟萃分析的首选报告项目方法进行了系统文献综述，以提取 2016 年至 2021 年期间发表的与基于 AI 的 MDs 评估相关的文章。数据提取侧重于研究特征、技术、算法、比较器和结果。计算 AI 质量评估和 HTA 分数以评估纳入研究中存在的项目是否符合 HTA 要求。我们对 HTA 和 AI 分数进行了线性回归，解释变量为影响因子、出版日期和医学专业。我们对 HTA 分数进行了单变量分析，对 AI 分数进行了多变量分析，alpha 风险为 5%。结果：在检索到的 5578 条记录中，包括 56 条。平均 AI 质量评估得分为 67%；32% 的文章的 AI 质量得分 ≥ 70%，50% 的文章得分在 50% 到 70% 之间，18% 的文章得分低于 50%。研究设计（82%）和优化（69%）类别的质量得分最高，而临床实践类别的得分最低（23%）。所有七个领域的平均 HTA 得分为 52%。100% 的研究评估了临床效果，而只有 9% 的研究评估了安全性，20% 的研究评估了经济问题。影响因子与 HTA 和 AI 得分之间存在统计学上的显著关系（均为 p = 0.046）。讨论：基于 AI 的 MD 的临床研究有局限性，而且往往缺乏适应性强、稳健和完整的证据。还需要高质量的数据集，因为只有输入可靠，输出数据才可信。现有的评估框架并非专门为评估基于人工智能的医疗器械而设计的。从监管机构的角度来看，我们建议应调整这些框架以评估持续更新的可解释性、可解释性、网络安全性和安全性。从 HTA 机构的角度来看，我们强调，实施这些设备需要透明度、专业和患者接受度、道德问题和组织变革。人工智能的经济评估应依靠稳健的方法（业务影响或健康经济模型），为决策者提供更可靠的证据。
医学领域的人工智能
简介：基于人工智能的医疗设备 (AI-based MDs) 在医疗保健领域正呈指数级增长。本研究旨在调查当前评估 AI 的研究是否包含 HTA 机构进行健康技术评估 (HTA) 所需的信息。方法：我们根据系统评价和荟萃分析的首选报告项目方法进行了系统文献综述，以提取 2016 年至 2021 年期间发表的与基于 AI 的 MDs 评估相关的文章。数据提取侧重于研究特征、技术、算法、比较器和结果。计算 AI 质量评估和 HTA 分数以评估纳入研究中存在的项目是否符合 HTA 要求。我们对 HTA 和 AI 分数进行了线性回归，解释变量为影响因子、出版日期和医学专业。我们对 HTA 分数进行了单变量分析，对 AI 分数进行了多变量分析，alpha 风险为 5%。结果：在检索到的 5578 条记录中，包括 56 条。平均 AI 质量评估得分为 67%；32% 的文章的 AI 质量得分 ≥ 70%，50% 的文章得分在 50% 到 70% 之间，18% 的文章得分低于 50%。研究设计（82%）和优化（69%）类别的质量得分最高，而临床实践类别的得分最低（23%）。所有七个领域的平均 HTA 得分为 52%。100% 的研究评估了临床效果，而只有 9% 的研究评估了安全性，20% 的研究评估了经济问题。影响因子与 HTA 和 AI 得分之间存在统计学上的显著关系（均为 p = 0.046）。讨论：基于 AI 的 MD 的临床研究有局限性，而且往往缺乏适应性强、稳健和完整的证据。还需要高质量的数据集，因为只有输入可靠，输出数据才可信。现有的评估框架并非专门为评估基于人工智能的医疗器械而设计的。从监管机构的角度来看，我们建议应调整这些框架以评估持续更新的可解释性、可解释性、网络安全性和安全性。从 HTA 机构的角度来看，我们强调，实施这些设备需要透明度、专业和患者接受度、道德问题和组织变革。人工智能的经济评估应依靠稳健的方法（业务影响或健康经济模型），为决策者提供更可靠的证据。
在线开放研究
葡萄藤代表着全球关键的经济活动，欧洲代表了世界上最大的葡萄园地区（38％）。对于意大利及其皮埃蒙特地区而言，这也是如此，在该地区生产了著名和著名的葡萄酒（例如Barolo和Barbaresco）。葡萄生产率取决于几个因素，包括土壤肥力，管理实践，气候和气象。尤其是关于后者的，需要对气候变化对其产量和质量的影响进行可靠的评估。但是，在这方面，必须了解气候和气象学如何以及多少影响葡萄的生产力和质量，因为只有与世界上几个地区相关的研究。在这种情况下，农作物模型是通过整合与不断变化的环境条件有关的作物生理学知识来研究气候变化对农作物发育和生长的影响的重要工具。然而，开发并主要用于研究对年度农作物气候变化的反应（例如谷物）;尽管合适的作物模型和这些应用程序的应用仍限制在诸如葡萄藤之类的树种作物中。MacSUR2 JPI FACCE项目中包含的该研究的基本原理是使用第三代陆地模型乌托邦（Torino University of Torino University of Storine与大气与大气的土地过程相互作用模型）[1]，以评估土壤和盖层参数的所有组成部分，以及在特定的土地上，vine of vine of vine vine vine vine vine vine。在演讲中，将说明这项工作的初步方面。这项工作的初步步骤是比较乌托邦的计算以及我们团队在过去的实验中获得的一些实验数据集所产生的数据集。这种控制的原因是要确保乌托邦产量可以被视为葡萄园气候的能力代表。因此，选择了一些山蒙特斯葡萄园，每种葡萄园的特征是相同的气候但微气候条件，其中在营养季节（例如在Masgrape中）进行了大量变量的测量。随后，在本研究中，将使用自由使用的全局数据库GLDA（全球土地数据同化系统）进行的其他模拟的结果与观察结果驱动的模拟的结果进行了比较，以检查该模型是否仍然能够重现葡萄园的微气候特征。这项研究的初步部分给出了令人满意的结果；因此，我们可以转到项目的第二阶段。在此阶段，使用GLDAS数据库，将与乌托邦进行长期仿真，以便在气候兴趣时期（30年或更长时间）获得输出数据。该数据库可用于执行气候统计数据并评估某些参数的可能趋势，最终与葡萄生产相关。
Cruden摩托车模拟器评估
摩托车行业的研究落后于汽车行业的研究。特别是在安全方面，需要进行更多研究，因为摩托车在道路伤亡人数中占比过高。车辆研究中的重要工具是车辆模拟器。使用摩托车模拟器使制造商能够开发新的摩托车技术，并可以使摩托车更安全。不幸的是，可用的摩托车模拟器很少，用于开发新摩托车和摩托车安全系统的模拟器就更少了。此外，对现有摩托车模拟器的验证不足，可用的设计知识也很少。本论文评估了 Cruden 摩托车模拟器，并表明它可以用于摩托车研究。该评估由三部分组成。首先，基于现有文献开发了一种新的摩托车动力学模型，并使用参数估计方法对虚拟模拟数据进行了验证。结果表明，存在倾覆和摇摆特征模态，并且这些特征模态表现出与真实摩托车中观察到的定性相似的行为。摩托车模拟器使用 Stewart 平台和车把控制加载器为用户提供运动提示。在第二部分中，对这两个系统进行了评估。对于这两个系统，都使用特定的输入序列来收集输出数据。使用系统识别方法，对运动平台和车把控制加载器的动力学特性进行了评估。将动力学特性与摩托车动力学模型所需的特性进行比较，结果表明 Stewart 平台和车把控制加载器具有足够的带宽和足够小的相位延迟，可以准确模拟摩托车动力学。在第三部分也是最后一部分中，使用人类研究方法进一步评估摩托车模拟器。在速度感知实验中，参与者被要求在无限高速公路上以三种不同的速度骑行，结果表明，摩托车模拟器上的速度感知与现实生活中观察到的情况相对应：参与者整体低估了他们的骑行速度。还观察到，高速下的速度感知相对比低速下更准确，这也与文献中的发现相符。本研究的这部分还提出了另外两个问题，即摩托车模拟器是否真的需要平台运动和上身跟踪。为了回答这些问题，参与者被要求沿着一条轨迹骑摩托车，该轨迹有四个半圆形拐角，由短直道隔开。比较了转向扭矩和车道偏差等客观指标以及工作量和模拟器晕动症等主观指标。最后，结果表明，平台运动显著提高了骑手的表现和对摩托车模拟器的感知，但未能证实关于上肢追踪的重大发现。
量子多址信道的单粒子增强
多址信道描述了多个发送者尝试使用某种物理介质将消息转发给单个接收者的情况。在本文中，我们考虑了这种介质仅由单个经典或量子粒子组成的场景。为了精确地比较量子信道和经典信道，我们引入了一个操作框架，其中所有可能的编码策略都只消耗一个粒子。当用于通信时，这种设置体现了用单个粒子构建的多址信道 (MAC)。多方通信任务包括 N 个空间分离的发送者（ A 1 ， A 2 ，· · · AN ）和一个接收者（ B ）（参见图 1 (a)），其中发送者 A i 位于路径 i 上并希望发送从集合 A i 中抽取的经典消息 ai，接收者 B 获得一些属于集合 B 的输出数据 b，这些数据取决于发送者选择的消息集合（ a 1 ， a 2 ，· · · ，a N ）。理想情况下，b 应该是所有 N 条消息的完美副本，即 b = ( a 1 , a 2 , · · · , a N )。然而在实践中，一些物理限制会阻碍完美的通信。在这种情况下，通信由转移概率 p ( b | a 1 , · · · a N ) 描述。分布 p ( b | a 1 , · · · a N ) 统称为 MAC [ 1 ]，即无线通信中所说的上行信道 [ 2 ]。最终，概率 p ( b | a 1 , · · · a N ) 由用于传输信息的特定物理系统决定。我们在此提出的问题是，在仅使用单个粒子实现通信信道且其内部自由度都不可访问的限制下，可以生成哪些 MAC 。更准确地说，信息只能以外部关系自由度进行编码，例如粒子在时空中占据的哪些特定点。我们感兴趣的是比较当使用量子粒子和经典粒子以这种方式传输信息时可以实现的 MAC。在比较经典和量子 MAC 之前，我们根据系统具有的不同级别的共享随机性定义并比较了不同的经典 MAC。这些经典 MAC 分别表示为 CN 、 C ′ N 和 conv[ CN ]，代表没有共享随机性、部分共享随机性和完全共享随机性的情况（如图 1 所示）。我们表明，这些 MAC 在具有二进制输入和输出的通信场景中是相同的，即当 |A i | = |B| = 2 时，而对于更一般的情况，它们完全不同。为了方便讨论，我们还引入了所有这些 MAC 的超集，我们称之为可分离 MAC，C (sep) N ，它由具有概率分解 p ( b | a 1 , · · · , a N ) = PN i =1 pigi ( b | ai ) 的 MAC 组成。我们分析了这些 MAC 的结构，并表明它们与二进制情况下更受限制的家族相同。我们的主要结果涉及提供 N 方经典 MAC 的完整表征，这些 MAC 可以从单个经典粒子和受限制的局部数保持 (NP) 操作构建而成。简而言之，NP 操作具有膨胀，其中总粒子数得以保留。主要发现是这些 MAC 完全以消失的二阶干扰项来表征。更准确地说，特定的线性组合
人工智能时代的社会分类危机
本文探讨了我们计算社会的方式的最新转变（Cardon 等人，2018 年）。使用计算技术来辅助决策并不是什么新鲜事。长期以来，计算方法一直被用于对个人进行排名和选择，例如，借助计算机脚本来验证表单是否符合确定性决策规则。随着机器学习 (ML) 工具的出现，这些方法为决策者在处理结合了越来越多的实体和事件列表的文件时的不确定性时产生的困惑提供了技术解决方案。面对文件提供的用于围绕不同原则进行定位的多种参考点，决策者可能会感到无助。他们的决策质量更容易受到批评（Hahn & Tetlock，2005），理由多种多样：他们优先考虑某些标准；他们的社会同质性掩盖了结构性偏见；他们没有注意到可能导致其他结果的变量的多样性；等等。面对分散而庞大的文件，引入基于机器学习模型的自动化工具来辅助决策，建议用统计概率取代不稳定的决策依据。当候选比较空间变得难以理解时，这些工具会对变量进行排序。如今，统计分数的引入方式截然不同，具体取决于领域。它有时采用的只是文件中的一条附加信息，例如在美国法官批准保释的决定中预测重复犯罪的可能性；或者它可以具有更大的自动化程度，例如将警察引导到犯罪更频繁的地方（Brayne & Christin，2020 年）。正如关于人工智能使用的立法草案所表明的那样，结果的自动化问题是监管机构寻求“让人类参与其中”的主要干预点之一（Jobin 等人，2019 年）。本文建议将计算方法的这种转变与社会对统计类别日益增长的批评联系起来，我们称之为社会类别危机。我们认为，决策向机器学习的转变得益于基于类别的方法（使用标准的规则等）无法涵盖世界事件的多样性和多样性1。最后，我们认为这种转变延续了数据空间更普遍的时空扩展。机器学习技术的出现带来了统计文化的变化，值得关注（Breiman，2001）。这些方法的特殊性之一是它们事先并不知道决策规则；它们从数据中学习。要建立这种类型的模型，必须使用由输入数据（文件）和先前决策的输出结果组成的数据集（训练数据库）来训练算法。然后通过反复试验调整模型，使基于训练的预测误差尽可能小（Goodfellow 等，2016）。如果模型是基于输入和输出数据之间的对应关系来学习的，那么决策规则就不能再以先验稳定和自动的基于标准的依据为基础。控制选择的模型是对与给定目标相关的文件变量的最佳比较方法的统计近似。传统的呈现此类模型设计的操作的方式是定义三个独立的空间（Cornuéjols 等，2018；Mitchell，1997）。输入数据构成观察空间，计算结果构成决策空间。在这两者之间，计算的设计者必须想象一个假设空间（有时也称为
2025年5月20日，星期二3A汉诺威AB AI和机器...
Session Chair: Ilia T. Bagov, Karlsruhe Institute Of Technology, Karlsruhe, Germany Session Vice Chair: Shuangbiao Liu, Northwestern University, Evanston, IL 8:00 - 8:40 am 4210708: Tribo-Informatics: The Systematic Fusion of AI and Tribology Zhinan Zhang, Nian Yin, Xin Wang,中国上海上海何兴大学；犹他州大学的Shuaihang Pan，AI的UT进步犹他州大学，已大大提高了我们计算，设计，模拟和测试摩擦系统的能力。Tribo-Infrymatics将摩擦学与有效研究的信息学结合在一起，重点介绍了摩擦系统中的五个关键信息类型：输入数据，系统属性，输出数据，摩擦学数据和衍生状态信息。它使用传统的数据处理和高级机器学习技术，例如线性回归，高斯模型，支持向量机和随机森林。本研究探讨了AI在摩擦学各个方面的应用，从组成级摩擦学系统到智能摩擦学系统。案例研究将说明底环信息学的实际实施。通过使用信息技术，可以降低摩擦系统的复杂性，并且可以缩短研究时间表，从而促进摩擦学创新。8：40-9：00 AM 4199278：AI驱动的快速预测弹性水力动力学润滑的接触Max Marian，Max Marian，Josephine Kelley，Josephine Kelley，Leibniz Hannover，Hannover，Hannover，Hannover，Hannover，德国，德国润滑的托架 - 接触预测对机械性能的预测至关重要，但它仍然是机械性能，但它仍然是复杂的，并计算了IT的复杂性和计算。学习的功能负责映射非线性过渡人工智能（AI）和机器学习（ML）技术提供有效而准确的解决方案。本演示文稿探讨了ML算法，尤其是人工神经网络，用于建模润滑的底环接触行为。一个重点是弹性水动力润滑（EHL）接触，其中经过大量的数值生成数据训练的ML算法有效地使用润滑性属性和操作条件等输入参数有效地捕获复杂模式。这允许在更高级别的机器元素或整个驱动器系统的更高级别系统模拟中简化EHL接触条件的详细信息。在演讲中，我们演示了基本的建模方面以及预测滚动摩擦和滑动摩擦以及圆柱辊轴承中电容的示例用法。9:00 - 9:20 am 4188903: Symbolic-Regression Based Extended Hertz Theory of Coated Bodies Brian Delaney, Shuangbiao Liu, Q. Jane Wang, Northwestern University, Evanston, IL This work presents an application of symbolic regression to extend Hertz theory toward coated bodies through new functions of the ratio of Young's modulus of the coating to that of底物（E）和非二维涂层厚度（H）。赫兹理论可以在未涂层的身体或涂层厚度足够大的涂层厚度的情况下预测两个渐近接触性能值（最大接触压力，接触半径和接触接近）。构建了E和H的接触性能函数，并通过符号回归获得了参数。
教育扫描隧道显微镜
弗罗茨瓦夫科技大学，纳米计量学系 (1) ORCID: 1. 0000-0003-1565-7278; 2. 0000-0001-6649-1963； 3. 0000-0001-6218-0658； 4.0000-0001-9197-1862； 5. 0000-0002-5146-2868； 6. 0000-0003-1300-6420； 7.0000-0001-8482-301X； 8. 0000-0002-3187-1488； 9. 0000-0003-4182-9192 doi:10.15199/48.2024.06.41 教育扫描隧道显微镜——用于纳米技术教学和纳米计量研究的开放式架构平台摘要。在本文中，我们提出了一个教育性扫描隧道显微镜平台，可以研究纳米级的表面。该设计结构的主要优点是其开放式架构，可以进行各种实验，包括教学实验和高度专业化的科学工作。该系统是弗罗茨瓦夫科技大学电子、光子学和微系统学院纳米计量学系文凭和博士论文的一部分。 （教育扫描隧道显微镜——用于教育和纳米计量研究的开放式架构平台）摘要。在本文中，我们介绍了内部硬件和软件平台，可以演示扫描隧道显微镜 (STM) 的设计和操作以及衍生的诊断技术，从而能够确定纳米级表面的特性。所述设置的主要优点是开放式架构，这对于全面了解构造的某些方面以及执行测量的方式至关重要。由于平台采用模块化设计，学生可以通过基础培训课程和文凭课程等各种形式的学习活动来提高自己的能力。所描述的解决方案是一种独特的设置，它是利用弗罗茨瓦夫科技大学纳米计量学系研究人员的经验开发的。关键词：扫描探针显微镜、扫描隧道显微镜、纳米计量学、控制和信号电子学。简介扫描隧道显微镜 (STM) 自 1982 年开发以来 [1,2]，已发展成为一种先进的诊断技术，它与其他样品制备技术和分析工具相结合，能够以原子分辨率洞察材料的结构 [3–6]。尽管扫描隧道显微镜的概念看似简单，但实际设置在实施特定测量模式以及仪器方面却很复杂。然而，STM 背后的理念仍然足够简单，本土建筑商可以开发自己的测量系统——有很多自己动手 (DIY) 的项目可以找到 [7]。此外，控制和测量分析软件领域也正在快速发展[8,9]。与市售机器相比，开发的显微镜并不复杂，也不是开放式装置。在未来纳米技术专家的教育过程中，获得 STM 设计和操作的透明度是一个重要问题。培训旨在提供必要的知识和经验，教他们如何准备和使用 STM，以获得样品表面的原子分辨率成像。特别是，处理样品、准备扫描尖端、配置系统的特定部分、优化测量参数以及数据处理和分析等问题是培训的重要组成部分。很少有实验室会自下而上地开设扫描探针显微镜 (SPM) 课程 [10]。在这种情况下，需要为学生提供纳米技术工具 [11]。为了提供实现上述培训条件的环境，纳米计量学系开发了一种特定的硬件软件设置。与商用 STM 系统不同，它在信号处理和采集方面提供了完全透明性，包括隧道电流、PID 信号（特别是 Z 和误差信号）、扫描控制（X、Y）信号和输出数据。系统由专门的
填充颗粒的空隙空间和支架分析
摘要 我们开发了一种分析填充粒子的工具，以应对颗粒生物材料日益流行的趋势。颗粒水凝胶，包括微孔退火粒子 (MAP) 支架，是一类用于治疗应用的材料，因为它们具有独特的性质，包括粒子之间的微孔隙度。颗粒材料的微观结构很难研究，这导致该领域的许多人报告不可靠的空隙体积分数度量和/或 2D 切片近似“孔径”作为空隙空间的唯一特征。为此，我们创建了 LOVAMAP，这是一款定制软件，它结合了计算几何和图论技术，将空隙空间分割成 3-D 孔隙，这是开放空间的自然口袋。LOVAMAP 的 44 个支架特征为用户提供了描述支架内部和入口的定量概况。我们视觉丰富的输出解决了诸如空隙大小、形状、连通性、路径、各向同性/各向异性、配体可用性以及渗透/迁移限制等主题。使用 LOVAMAP，我们研究了 60 种不同类型的颗粒支架，包括具有相应细胞数据的真实 MAP 支架。我们使用高维分析来表明，我们软件的输出数据可用于对 3-D 孔隙类型进行分类，以及通过生成数字“指纹”来表征整个支架。结合细胞数据，LOVAMAP 揭示了神经球形成与支架空隙几何形状之间的关系。LOVAMAP 是一种支持技术，广泛应用于颗粒生物材料研究以及研究颗粒材料的所有领域。背景由于颗粒生物材料越来越受欢迎，填充颗粒及其周围的空隙（间隙空间、孔隙空间）是一个热门研究课题。颗粒材料在许多应用领域都很有吸引力，包括可注射组织模拟物和 3D 生物打印，因为它们具有独特的属性，例如剪切稀化行为、增加的材料表面积以及离散异质性的选项 1,2。由水凝胶微粒（微凝胶）制成的颗粒材料已用于促进多种疾病模型中的伤口愈合，包括中风 3、心肌梗死 4、皮肤伤口 5 和脊髓损伤 6。当微凝胶堆积在一起时，它们形成一种称为颗粒支架的 3D 结构，当颗粒支架的微凝胶连接在一起时，所得到的稳定结构称为微孔退火颗粒 (MAP) 支架 7。堆积的微凝胶在整个支架中形成空隙空间微孔，从而使细胞在颗粒之间畅通无阻地浸润和迁移。许多研究支持局部几何形状影响细胞行为的观点 8-13 ，并且在颗粒支架中，细胞感知到的局部几何形状是空隙空间的微观结构。因此，我们的目标是了解颗粒支架的内部几何形状，以改进材料设计。在生物材料领域，使用二维显微镜图像近似的孔隙率是最常见的支架空隙空间量化方法。孔隙率通常报告为孔隙体积分数或二维“孔”长度测量值的分布。我们之前已经揭示了报告孔隙率的这种近似值的细微差别 14 ，我们认为空隙体积分数和二维孔隙近似值不足以作为独立指标，因为它们忽略了三维空隙空间局部口袋中的复杂性和几何多样性。其他领域（数学、物理、地球科学、化学、农业等）对堆积颗粒进行了广泛的研究，而没有考虑空隙空间几何形状如何影响细胞的行为。研究通常侧重于粒子本身，其中已经开发出方法来识别粒子边界 15-17 或构建接触粒子的图形以研究粒子连通性、填充配置和应力链 18-23 。然而，这些结果未能表征空隙空间。一些以粒子为中心的研究包括有关空隙空间的信息，