Mar, 2023

回收材料的敏捷制造中的机器学习方法实现可持续性

PDF
TL;DR本研究通过数据驱动的 AI 方法，应用机器学习模型，探索采用再生和回收材料的敏捷制造决策支持的材料科学中的环境可持续性，通过对热处理参数对材料性质的影响、颗粒尺寸检测和短语分数检测进行预测分析，得出了很多有希望的结果，但是之后的工作仍需面对各种挑战。
sustainable processesenvironmental sustainabilityaimachine learningagile manufacturing
发现论文，激发创造
  • 人工智能助力可持续发展：利用计算机视觉促进可持续智能产品服务系统

    利用深度学习技术和计算机视觉，本文展示了如何识别产品磨损状态，以实现更好的产品使用和研发创新，通过生命周期评估表明，对于加工工具的二氧化碳排放量减少 12％，对于旋转阴极减少 44％，这可以作为指南，鼓励研究人员利用计算机视觉开发可持续智能产品服务系统，从而实现更清洁的生产。

    Mar, 2023

  • 结构导向的材料和工艺设计中的机器学习

    近年来，加速材料创新引起了学术界和工业界的广泛关注。为了为新型先进材料的开发增添价值，必须考虑制造过程，并将材料设计方法与下游工艺设计相结合。本研究提出了一种整体优化方法，涵盖了整个材料的过程 - 结构 - 性能链。采用机器学习技术解决了两个关键的识别问题，即材料设计问题和工艺设计问题。我们应用强化学习与多任务学习的优化方法，在金属成型过程中制造具有所需属性的晶体纹理，展示了该方法的功能。

    Dec, 2023

  • 人工智能可持续性研究综述：学习算法的新兴趋势和研究挑战

    本文着眼于 AI 的可持续性发展问题，分析了解决该问题的机器学习方法和算法，并提出对可持续 AI 技术研究的挑战和发展方向的建议。

    May, 2022

  • 循环经济中的机器学习和人工智能：文献计量分析和系统文献综述

    本文探讨了应用人工智能技术实现循环经济的方案，并进行了综述和研究。研究表明，循环经济有望在工业和政府层面得到应用，人工智能和机器学习等创新技术对实现循环经济至关重要，需要进一步研究和探索。

    Apr, 2022

  • 推动人工智能和人类共同创造，加速材料发现

    通过机器学习和 AI 技术，提出了一个支持领域和流程知识管理，结合人工智能协作的工作台框架，以减少时间和机会成本的目的，实现化学空间探索的新型功能材料的发现。

    Nov, 2022

  • 迈向可持续发展：综合环境健康监测的新型集成机器学习模型

    城市化对经济增长有促进作用，但也通过环境恶化对环境造成危害。机器学习已成为一个有很大潜力的工具，通过识别关键的预测特征来跟踪环境恶化。最近的研究专注于利用污染物水平和颗粒物作为环境状态指标来开发预测模型，以勾勒出所面临的挑战。机器学习被用来识别与环境恶化相关的模式。该研究旨在帮助政府识别干预点，改进规划和保护工作，并最终促进可持续发展。

    Aug, 2023

  • 工业环境异常检测中机器学习算法的比较研究：性能与环境影响

    本研究旨在针对 “绿色 AI” 新兴话题，探讨如何在不损害环境的情况下，应对高性能机器学习模型的要求。通过对各种机器学习算法以及各种多层感知器（MLP）的配置进行仔细评估，并通过时间、CO2 排放和能耗等综合考虑来衡量这些模型的环境足迹，该研究发现，优化的 MLP 配置可以获得更优异的结果，但其资源消耗相应增加，因此必须在模型性能、复杂性和环境成本之间达成平衡。

    Jul, 2023

  • 创新即时代的融合：软件工程与绿色人工智能的交叉

    机器学习和基础模型的最新进展正在改变现有软件工程过程的前沿，本文考虑了采用环境友好实践创建 AI 软件系统的影响，并对使用基础模型进行软件开发的环境影响进行了讨论。

    Jun, 2024

  • 效率不足够：环境可持续人工智能的关键观点

    人工智能 AI 目前以深度学习等机器学习方法为核心，然而这些方法在计算、能源消耗和碳排放等方面存在环境问题。提高机器学习系统的效率仅仅是解决环境影响的一方面，系统思维则被认为是改善机器学习环境可持续性的可行途径。

    Sep, 2023

  • 可持续的人工智能：环境影响、挑战和机遇

    本篇研究从数据、算法和硬件系统综合视角探讨了 AI 的超线性增长趋势对环境的影响，着重分析了 AI 计算的碳足迹和硬件系统的全生命周期，并提出了硬件 - 软件设计和优化对减少 AI 总体碳足迹的重要性，讨论了 AI 领域的挑战和发展方向。

    Oct, 2021