XiaoMi-AI文件搜索系统
World File Search System高斯过程
在神经网络上作为无限树结构概率图形模型
深神经网络（DNNS）缺乏对概率图形模型（PGM）的精确语义和确定性的概率解释。在本文中，我们通过构造与神经网络完全相对应的无限树结构的PGM提出了创新的解决方案。我们的研究表明，在正向传播过程中，DNN确实执行了PGM推断的近似值，在这种替代PGM结构中是精确的。我们的研究不仅补充了将神经网络描述为内核机器或无限大小的高斯过程的现有研究，而且还阐明了DNNS对PGMS的精确推断进行更直接的近似。潜在的好处包括改进的教学法和DNN的解释以及可以合并PGM和DNN优势的算法。
数据驱动的重叠 - 轨道轮廓建模在冷喷雾添加剂制造
添加剂制造。因此，本研究介绍了使用高斯过程回归模型对重叠轨道进行表面吸引数据驱动的建模。所提出的高斯工艺建模框架明确合并了两个相关的几何特征（即，从喷嘴出口到表面的表面类型和极长），以及广泛采用的高斯超级底座模型，作为先前的域知识，形式为显式均值函数。表明，所提出的模型可以比单独使用高斯超级插曲模型和纯粹的数据驱动的高斯过程模型提供更好的预测性能，从而提供了一致的重叠轨道预测预测。通过将轨道几何形状的准确预测与工具路径计划相结合，可以预计在冷喷雾添加剂制造中可以提高几何控制和产品质量。
迈向支持数字孪生的多保真框架...
在本研究中，我们研究了一种用于模拟小型卫星的多保真框架。考虑到数字孪生的概念，我们的工作重点是处理持续的实时数据流。为此，我们调查了当前的时间序列多保真建模方法和低保真替代模型。多保真方法用于将低保真替代模型与高保真模型相结合。作为高保真模型，我们假设使用先前研究过的有限元模型。作为低保真模型，我们研究了基于自回归和循环神经网络的模型。通过协同克里金法，低保真度数据通过综合校正由高保真度数据校正，其中参数通过高斯过程给出，以执行不确定性量化。作为一种应用，提出了小型卫星的热模拟，以及将该框架与稀疏遥测数据结合使用。这种在线统计方法旨在提供一种执行故障检测的工具。
具有异质细胞的锂离子电池组的健康估计管道
摘要 - 锂离子电池的内部状况，特别是健康状况（SOH），需要仔细监控，以确保安全有效的操作。在本文中，我们提出了用于串联异质细胞的混合在线SOH估计管道。为具有数百至数千个单元的电池组实现单个单元格参数估计方案在计算上是棘手的。使用基于特征的自适应轮询对具有“极端”参数值的单元格进行了解决。此外，使用具有忘记因子的在线递归最小二乘正方形来估计被轮询细胞的电气参数。关键新颖性在于考虑参数的不确定状态依赖性。我们使用稀疏的高斯过程回归来获得参数边界，这是SOC和温度的函数。使用来自LI-NMC细胞的实验数据，通过模拟研究验证了管道。
通过冻结-解冻贝叶斯优化技术实现模拟电路产量优化
摘要 —尽管 VLSI 社区关心的是工艺变化下高成品率的设计，但昂贵的计算成本使得传统的模拟电路成品率优化方法在工业应用中效率低下。本文提出了一种基于冻融贝叶斯优化技术的模拟电路高效成品率优化方法。成品率分析被集成到贝叶斯优化的探索过程中。通过指定的高斯过程回归方法，灵活的冻融贝叶斯优化技术被用于自动引导设计空间中的搜索并控制工艺空间中成品率分析的精度。制定并解决了性能优化问题以挖掘先验知识，并进一步加速。实验结果表明，与最新方法相比，所提出的方法可以获得 2.47 × –5.73 × 的加速，而不会损失精度。
通过冻结-解冻贝叶斯优化技术实现模拟电路产量优化
摘要 —尽管 VLSI 社区关心的是工艺变化下高成品率的设计，但昂贵的计算成本使得传统的模拟电路成品率优化方法在工业应用中效率低下。本文提出了一种基于冻融贝叶斯优化技术的模拟电路高效成品率优化方法。成品率分析被集成到贝叶斯优化的探索过程中。通过指定的高斯过程回归方法，灵活的冻融贝叶斯优化技术被用于自动引导设计空间中的搜索并控制工艺空间中成品率分析的精度。制定并解决了性能优化问题以挖掘先验知识，并进一步加速。实验结果表明，与最新方法相比，所提出的方法可以获得 2.47 × –5.73 × 的加速，而不会损失精度。
评论文章通过人工智能方法实现定向能量沉积
增材制造 (AM) 的发展日新月异，取代了传统的制造方法。此外，人工智能和机器学习的应用也不断增加，以进一步应用和发展。本综述广泛跟踪了定向能量沉积 (DED) 工艺的所有研究工作和当代进展迹象。还详细分析了该工艺中使用的所有类型的 DED 系统、进料、能源和保护气体。已经严格审查了在 DED 工艺中实施人工智能 (AI) 以减少工艺对人的依赖并控制复杂方面的方法。各种 AI 技术（如神经网络、梯度增强决策树、支持向量机和高斯过程技术）都可以实现预期目标。在 DED 工艺中实施的这些模型已经过训练，可用于高精度产品和卓越质量监控。
基于高斯的定向粒子群优化
粒子群优化 (PSO) 是一种迭代搜索方法，它使用随机步长将一组候选解决方案围绕搜索空间移动到已知的最佳全局和局部解决方案。在实际应用中，PSO 通常可以加速优化，因为梯度不可用且函数评估成本高昂。然而，传统的 PSO 算法忽略了从单个粒子的观察中可以获得的目标函数的潜在知识。因此，我们借鉴了贝叶斯优化的概念，并引入了目标函数的随机代理模型。也就是说，我们根据目标函数的过去评估拟合高斯过程，预测其形状，然后根据它调整粒子运动。我们的计算实验表明，PSO 的基线实现（即 SPSO2011）表现优异。此外，与最先进的代理辅助进化算法相比，我们在几个流行的基准函数上实现了显着的性能改进。总体而言，我们发现我们的算法实现了探索性和利用行为的理想特性。
