XiaoMi-AI文件搜索系统
World File Search System高效化
人工智能让高效和智能化...
Alexander J.，Kiauk，The Crystal，西门子伦敦科技创新地标建筑。设计者：Zest Communications Ltd，第 34 页。出版商：Booklink，斯洛文尼亚 智能建筑设计方法，其中被动设计（如图所示）有助于提高能源效率，还旨在集成数字化自动化系统，包括 BMS 和 BEMS，它们技术先进，通过开放协议的 ML（机器学习）与不同的制造商进行交互。
能量高效的突触可塑性
摘要 大脑设计的许多方面可以理解为进化驱动力追求代谢效率的结果。除了神经计算和传输的能量成本外，实验证据表明突触可塑性在代谢上也要求很高。由于突触可塑性对于学习至关重要，我们研究了这些代谢成本如何进入学习。我们发现，当突触可塑性规则被简单实施时，训练神经网络在存储许多模式时需要大量的能量。我们提出，通过精确平衡不稳定形式的突触可塑性与更稳定的形式来避免这种情况。这种算法称为突触缓存，可成倍提高能源效率，可与任何可塑性规则一起使用，包括反向传播。我们的研究结果对实验观察到的多种形式的神经突触可塑性产生了新的解释，包括突触标记和捕获现象。此外，我们的结果与节能的神经形态设计有关。
朝着高效且可持续的供应链
对于诸如此类的NP硬性问题，由于解决方案空间的指数增长，通常在很大的尺度上无法获得精确的解决方案，并且经常采用启发式方法。一种针对此问题的启发式方法（不能保证找到最佳解决方案）是使用进化算法[2]。特别是遗传算法[3]是最流行的进化算法类型，通常用于组合优化问题。另一种启发式方法是使用答案集编程[4]。这是一种声明性编程的一种形式，针对这样的复杂搜索问题。文献中可以找到许多其他方法，但是到目前为止，迄今为止尚未证明适用于工业规模的问题，而决策通常会基于专家判断。因此，对空中客车和宝马是否对量子方法可能提供了一种实用方法来为诸如此类的物流问题提供最佳或近乎最佳的解决方案。
使用新型功能化MWCNT增强相变材料来增强建筑物中的热量存储：朝着高效且稳定的溶液
相变材料（PCM）是应对可再生能源间歇性的有希望的灵丹妙药，但其热性能受到低导热率（TC）的限制。这项开创性的工作研究了有机PCM富集的表面修饰和未修饰的多壁碳纳米管（MWCNT）对低温热储能（TES）应用的潜力。在25°C下，功能化和未官能化的MWCNT增强了PCM的增强，分别增强了158％和147％的TC，但在25°C时48 h降低了48 h的TC值在48 h时下降了52.5％，而MWCNT PCM的TC值则在25°C时降低了52.5％。对多达200个热循环的DSC分析证实，表面修饰和未修饰的MWCNT对纳米增强PCM的峰值熔化和冷却温度没有重大影响，尽管在熔融和结晶中分别在融化和结晶中分别略有下降7.5％和7.7％，但在包含的融化和结晶中均在融化和结晶中均具有功能。此外，功能化的MWCNT掺入PCM已导致特定的热容量增加23％，最佳熔融焓值为229.7 J/g。此外，使用这些纳米增强PCM的PCM，没有超冷，没有相位分离和较小的相变温度。最后，在FT-IR光谱中未看到纳米PCM的化学相互作用，并且均掺入了功能化和未经处理的MWCNT。很明显，基于MWCNT的功能化PCM具有更好的热稳定性，它为改善建筑物中的热量存储和管理能力提供了有希望的替代方案，有助于维持能力和节能的建筑物设计。
具有表面功能化金属有机骨架分子筛的混合基质膜可高效分离丙烯/丙烷
膜技术被视为一种环保且可持续的方法，在解决高能耗丙烯/丙烷分离过程中产生的大量能源损失方面具有巨大潜力。寻找用于这种重要分离的分子筛膜引起了极大的兴趣。在这里，一种氟化金属有机骨架 (MOF) 材料被称为 KAUST-7（KAUST：阿卜杜拉国王科技大学），具有明确的窄 1D 通道，可以根据尺寸筛分机制有效区分丙烯和丙烷，成功地被掺入聚酰亚胺基质中以制造分子筛混合基质膜 (MMM)。值得注意的是，KAUST-7 纳米粒子的表面功能化具有卡宾部分，可提供制造分子筛 MMM 所需的界面相容性，同时聚合物-填料界面的非选择性缺陷最少。具有高 MOF 负载（高达 45 wt.%）的最佳膜显示出 ≈ 95 barrer 的丙烯渗透率和 ≈ 20 的混合丙烯/丙烷选择性，远远超过了最先进的上限。此外，所得膜在实际条件下表现出坚固的结构稳定性，包括高压（高达 8 bar）和高温（高达 100°C）。观察到的出色性能证明了表面工程对于制备和合理部署用于工业应用的高性能 MMM 的重要性。
利用可学习的 3D PE 加权池化对阿尔茨海默病诊断进行高效训练
摘要：三维卷积神经网络 (3D CNN) 已广泛应用于分析阿尔茨海默病 (AD) 脑图像，以更好地了解疾病进展或预测从认知障碍 (CU) 或轻度认知障碍状态的转变。众所周知，由于医学成像领域的样本量较小，训练 3D-CNN 的计算成本很高，并且有可能过度拟合。在这里，我们提出了一种新颖的 3D-2D 方法，通过使用可学习加权池化 (LWP) 方法将 3D 脑图像转换为 2D 融合图像，以提高训练效率并保持可比的模型性能。通过 3D 到 2D 的转换，所提出的模型可以轻松地通过预先训练的 2D 模型转发融合的 2D 图像，同时在不同的 3D 和 2D 基线上实现更好的性能。在实施过程中，我们选择使用 ResNet34 进行特征提取，因为它的表现优于其他 2D CNN 主干。我们进一步表明，切片的权重与位置有关，模型性能取决于 3D 到 2D 融合视图，冠状视图的结果最佳。与传统的 3D CNN 相比，使用新方法，我们能够减少 75% 的训练时间，并将准确率提高到 0.88，使用公开的阿尔茨海默病神经影像计划数据集对 CU 参与者的 AD 患者的淀粉样蛋白 PET 成像进行分类。这种新颖的 3D-2D 模型可能对未来在临床环境中及时诊断 AD 具有深远的影响。
ITS Connect 助力基于人工智能的路边基础设施
住友电气工业株式会社 电装株式会社 丰田汽车株式会社 丰田通商株式会社 松下电器产业株式会社 日立制作所 三菱电机株式会社 瑞萨电子株式会社 地址：东京都港区港南 2-3-13 新川 Front 大厦 网站：https://www.itsconnect-pc.org/ 成立日期：2014 年 10 月 28 日