- 利用细胞内外差异:全面精确的跨条件电池寿命估算方法
预测电池寿命的关键是基于数据驱动模型以及不同电池间的电信号差异来提高预测的准确性,并为未来更智能的电池管理系统奠定基础。
- CoDBench:对连续动力系统的数据驱动模型进行的关键评估
连续动力系统建模方法研究了数据驱动模型在解决微分方程方面的表现,通过 CodBench 进行了四类不同模型的全面评估并揭示了神经算子对新型力学数据集的困难,为建模动力系统的加速进展和探索提供了动力学研究资源。
- 物理增强的残差学习(PERL)框架用于交通状态预测
该论文提出了一种名为 Physics-Enhanced Residual Learning(PERL)的新型框架,将基于物理的模型与数据驱动模型相结合,用于交通状态预测。PERL 模型综合了物理模型和残差学习模型,其预测结果是基于物理模型和 - DPA-WNO:一类随机力学问题的灰箱模型
提出了一种新颖的可微分物理增强小波神经算子 (DPA-WNO) 框架,该框架利用数据驱动模型纠正 / 识别缺失的物理,以解决时间依赖性不确定性量化问题。使用所提出的方法解决了来自科学和工程各个领域的四个基准不确定性量化和可靠性分析问题,并展 - 多阶段制造系统中质量传播分析的随机深度库普曼模型
使用随机深度 Koopman 框架建模多级制造系统,传播质量信息并提高数据驱动模型的可解释性,从而在预测产品质量和根本原因分析方面超越其他流行的数据驱动模型,适用于各种制造系统,有助于零缺陷制造的最终目标。
- 拉曼放大器的优化:黑盒、灰盒和白盒建模的比较
光放大器的设计和优化对于提高光通信系统的性能至关重要,本文比较了基于物理的白盒模型、灰盒模型和基于数据驱动的黑盒模型在双向拉曼放大器中实现目标频率 - 距离放大的能力,并讨论了这些模型在优化速度和训练数据可及性方面的适用性、优势和局限性。
- 运用因果推理避免数据驱动参数分析的副作用:建筑、工程和建设行业案例研究
应用于建筑工程中的数据驱动模型中,因果分析具有重要作用,可避免偏见结果和认知偏差的发生。
- 基于人工智能和大数据的患者特定的肿瘤生长机制模型
癌症治疗的个性化递送可能通过根据每个病人预计的反应个性化的递送来取得进展,而目前面临的基本障碍是缺乏严谨但实用的肿瘤发生、发展、扩散和治疗响应的数学理论。在这篇综述中,我们讨论了肿瘤生长和治疗建模的不同方法,包括基于 “大数据” 和人工智能 - 盘古气象预报模型与气象运营数据之间的兼容性
最近,基于机器学习的多个数据驱动模型在天气预报方面取得了重要突破,与传统的数值天气预报系统相比,这些模型在准确性方面更具竞争力。该论文评估了开源且非商业使用的 Pangu-Weather 模型与多种常用数值天气预报操作分析的兼容性,并通过实 - 一种针对具有不同功能状态的复杂物理系统的专用模型的竞争学习方法
通过竞争学习方法,我们提出了一种新颖的数据驱动物理系统模型的方法,该方法使用动态损失函数进行训练,使得每个模型能够竞争性地识别数据集中的不同功能区域,并结合梯度优化器的回归方法进行训练,以成功地发现真实的控制方程,并减少测试误差。
- 走向以人口信息为基础的结构动力数据驱动模型定义方法
通过基于物理的方法和元学习算法开发适应于数据稀缺性问题的模型,为解决机器学习算法的不足和工业界对其不信任问题提供了一种可行的方案。
- 利用傅里叶神经算子捕获增材制造过程中的局部温度演化
本文提出一个基于傅里叶神经算子的数据驱动模型,以捕获增材制造过程中的局部温度演变,该模型使用 $R^2$ 度量模型性能,并在直接能量沉积过程的数值模拟中进行了测试,结果表明该模型具有高精度,并具有普适性。
- 数字孪生和不确定性量化的增强多保真建模
研究了一个多保真代理模型框架,将多项式相关函数扩展(PCFE)与高斯过程(GP)相结合,提供了一种称为 H-PCFE 的有效代理模型,并引入了具有不同保真度的级联模型体系,称为 Deep-HPCFE,其通过在不同模型之间引入空间相关性,有效 - 释放逼真的空气质量预报:引入即用的 PurpleAirSF 数据集
本文介绍 PurpleAirSF 数据集,以其高时间分辨率、各种空气质量测量指标和多样化的地理覆盖为特点,成为开展新型预测模型、研究空气污染模式及其对健康和环境产生影响研究的有用工具;同时,建立了一个基准未来空气质量预测任务。
- 基于 AI 方法和农作物模拟模型的作物收成预测的全面建模方法
本文提出了一个综合的方法,将数据驱动解决方案与作物模拟模型(CSMs)和模型替代品相结合,以支持农作物管理决策时的多个用户配置文件和需求,我们的数据驱动建模方法与作物产量的相关性预测接近 91%,而作物模拟建模结构实现了 6%的误差;所提出 - 应急响应人工智能
本教程论文探讨应急响应中的四个子问题:事件预测、事件检测、资源分配和资源调度。同时提供在美国大都市地区的开放数据进行数据驱动的应急响应研究和工作。
- 在图像生成中减少不适当性:反映世界丑陋的价值是否存在?
该研究针对基于数据驱动的文本 - 图像生成模型在大规模情况下生成不适当内容的问题,提出了一种评估和缓解策略,通过对模型对世界 “丑陋” 的表达来与人类偏好进行对齐,以达到有效防止不适当内容的生成。
- FollowNet:车辆跟随行为建模的综合基准
本研究建立了一个公共基准数据集,用于汽车跟车行为建模。数据集包含来自五个公共驾驶数据集的超过 80K 个汽车跟车事件,用于比较不同的跟车模型,并推进更精确模型的发展。实现了代表性的基准模型并进行测试,结果表明,基于 DDPG 模型的跟车模型 - 基于深度学习的合成双光子显微图像中纳米粒子定位
本研究通过开发 2PM 图像模拟器来解决药物输送研究中单分子追踪的困难问题,为提高定位精度,提出了基于数据驱动模型的训练方法,并阐述了传统强度基础定位方法的不足。
- 机器学习与基于采样的运动规划集成调查
本文综述了如何利用机器学习提高基于采样的运动规划器(SBMPs)的计算效率和适用性,包括提高节点采样、碰撞检测、局部规划等关键组件的学习方法,以及如何利用机器学习构建完整的 SBMP 结构,并提供了方法的优缺点以及未来的研究方向。