模拟音乐结构在生成符号音乐作品的人工智能系统中至关重要但具有挑战性。本文概述了整合连贯结构的技术的演变，从符号方法到基础和转换的深度学习方法，利用计算和数据在各种训练范式中的强大能力。最新阶段，我们评述了一种新兴技术，称为 “子任务分解”，它涉及将音乐生成分解为独立的高级结构规划和内容创作阶段。这些系统通过提取旋律的骨架或结构模板来引导生成过程，从而纳入某种形式的音乐知识或神经符号方法。从审查的三个时期来看，已经取得了在主题和重复方面的进展，但在模拟人类作曲家风格下的扩展音乐作品中细微主题的发展仍然很困难。我们概述了几个关键的未来方向，以实现结合所有考察时期方法的协同效益。

Mar, 2024

本文介绍一种训练框架，可对机器学习进行科学计算，并通过缓存数据来减轻同时生成数据的时间延迟。实验表明，该框架在多参数 Lorenz 吸引子的测试中成功缓解了数据偏差，从而可以更好地捕捉系统的复杂混沌动态。

Nov, 2022

Motif 是一种基于大型语言模型（LLM）的方法，通过最大化内在奖励来训练代理程序，实现从先验知识中提取环境决策并探索复杂环境的能力，在挑战性的 NetHack 游戏中取得了优异表现并在无需演示的任务上取得了突破。

Sep, 2023

本研究提出了一个基于 Theory of Mind 的通用框架，允许智能体使用多个模拟来推导和行动，以通过模拟决策过程解决在 IJCAI2013 AIBirds 竞赛中的流行游戏。

May, 2014

通过使用 Siamese 网络架构和预训练及微调流程，本研究旨在通过表示学习来学习旋律和其变化之间的内在关系。实验证明，这两种方法相互补充，在检索任务中使精确度 - 召回率曲线下的面积提高了 12.6%。最后，我们可视化所获得的旋律表示，以直观地理解音乐作品的整体结构。据我们所知，这项工作在计算建模音乐旋律方面迈出了值得关注的一步，为未来的自动音乐创作和音乐信息检索应用奠定了基础。

Sep, 2023

利用计算机模型和模拟技术，对涉及物理、天文、化学、生物、经济、工程和社会科学等领域中的复杂系统进行分析，在传统计算方法难以应对的复杂环境、关系和动态性问题中，多智能体系统具有很强的优势和潜力。

Feb, 2021

本文旨在回顾模拟推断的最新进展，探讨其在科学领域中的重要性，特别是在高确定性建模方面，以及其拓展如何让更广泛的受众理解其对科学的深远影响。

Nov, 2019

本文提供了一种实用的临时图形生成模型，即 Motif Transition Model（MTM），旨在生成具有现实全局和本地特征的合成时间网络，通过模拟时态模式转换过程来实现全新事件的排序和生成。

Jun, 2023

从数据、算法和计算能力的角度出发，本文归纳了科学范式的演变，将模拟技术分为三个阶段，并发现先进的模拟技术是范式集成的典型实例。此外，本文提出了行为模拟（BS）和复杂行为模拟（SBS）的概念，用于模拟涉及复杂的社会系统中的复杂人类策略和行为。BS 和进一步的 SBS 旨在应对超出传统基于 Agent 的建模模拟（ABMS）容量的复杂人类系统的挑战，可将其视为科学的可能下一个范式。通过本研究，我们期待在社会科学领域中有更强大的 BS 和 SBS 应用。

Jan, 2024

本文认为模拟平台使得新型的具身空间推理得以实现，它由物体和事件语义的形式化模型所促进，这使得开放式、实时环境的连续定量搜索空间变得易处理。通过示例，本文说明了一种基于语义的人工智能系统如何利用游戏引擎提供的精确数值信息来执行关于物体和事件的定性推理、从数据中学习新概念、与人类进行交流以提高其模型并展示其理解。本文认为模拟环境，特别是游戏引擎，整合了许多不同的 “模拟” 概念和许多不同的技术，为开发机器和人类智能方面的人工智能系统和工具提供了高效的平台.

Feb, 2019