消除注塑聚合物零件中的翘曲是当今注塑行业中最重要的问题之一。 这种情况在几何形状中非常严重,由于其几何特征而特别容易受到翘曲的影响,并且由于厚度变化高,具有长而纤细的拓扑结构。 这些特征在这些特殊的几何形状中,不可能用传统技术制造,以满足行业的尺寸和可持续要求。 本文介绍了一种创新的绿色构象冷却系统,该系统专为高度易受翘曲的细长几何形状的部件设计。 此外,作者介绍的工作调查了使用钢合金制成的高导电刀片与使用增材制造的构象通道相结合的重要性,以减少在复杂制造长而纤细部件中具有影响力的参数,如翘曲,冷却时间和残余应力。 本真实工业案例研究的结果表明,使用构象冷却布局使循环时间缩短了175.1 s 66
Hamiltonian Monte Carlo (HMC) 是一种强大而准确的方法,可以从贝叶斯推理中的后验分布中取样。 然而,HMC技术对贝叶斯神经网络的计算要求很高,因为网络的参数空间的噪声性及其后分布的非凸性。 因此,各种近似技术,如变化推断(VI)或随机梯度MCMC,通常用于推断网络参数的后验分布。 这种近似值在推断的分布中引入不准确之处,导致不可靠的不确定性估计。 在这项工作中,我们提出了一种混合方法,该方法结合了廉价的VI和精确的HMC方法,以有效和准确地量化神经网络和神经网络运算符的不确定性。 拟议的办法利用了关于整个网络的初步第六培训。 我们考察单个参数对预测不确定性的影响,这表明很大一部分参数对网络预测的不确定性没有实质性的贡献。 然后,这些信息用于显著减小参数空间的维度,HMC仅针对强烈影响预测不确定性的网络参数子集执行。 这产生了一个框架,用于加速神经网络中后推理的全批HMC。 我们展示了在深度神经网络和运算网络上提出的框架的效率和准确性,表明可以为具有数以万计到数十万个参数的大型网络执行推理。 我们表明,这种方法可以通过建模从上游条件映射到高声波流圆锥体上的壁压数据的操作员来有效地学习复杂物理系统的代理。
随着电动汽车(EV)行业的增长,对高纯度锂的需求激增,从Smackover Formation等低档北美来源的具有成本效益的提取至关重要。 这些资源与高纯度的南美盐水不同,需要创新的净化技术在经济上可行。 连续结晶是生产电池级碳酸锂的一种有希望的方法,但其优化受到复杂参数空间和有限数据的挑战。 本研究引入了人圈(HITL)辅助主动学习框架,以优化碳酸锂的连续结晶。 通过将人类专业知识与数据驱动的见解相结合,我们的方法加速了从具有挑战性的来源提取锂的优化。 我们的研究结果证明了该框架能够快速适应新数据,显著提高了该工艺对镁等关键杂质的耐受性,从行业标准的几百 ppm提高到高达6000 ppm。 这一突破使低品位、杂质丰富的锂资源的开采变得可行,有可能减少对广泛的预精炼工艺的需求。 通过利用人工智能,我们改进了操作参数,并证明可以在不牺牲产品质量的情况下使用低档材料。 这一进步是在经济上利用北美庞大的锂储量(如Smackover Formation)和提高全球锂供应链可持续性的重要一步。
人工智能(AI)引发了对药物发现的巨大兴趣,但目前的大多数方法仅将现有的高通量实验数字化。 它们仍然受到传统管道的限制。 因此,它们并没有解决预测人类药物影响的基本挑战。 同样,生物医学数字孪生体,主要基于现实世界的数据和机械模型,是为后期药物开发量身定制的,并且缺乏对分子相互作用或其系统性后果进行建模的分辨率,限制了其在早期发现中的影响。 早期发现和后期开发之间的这种脱节是药物发现中高失败率的主要驱动因素之一。 人工智能的真正希望不在于增强当前的实验,而在于实现在现实世界中不可能的虚拟实验:直接在人体的硅中测试新的化合物。 人工智能,高通量扰动测定以及跨物种的单细胞和空间组学的最新进展现在使构建可编程的虚拟人类成为可能:动态,多尺度模型,模拟从分子到表型水平的药物作用。 通过弥合转化差距,可编程虚拟人类提供了比以往更早优化治疗功效和安全性的变革性途径。 这种观点引入了可编程虚拟人的概念,探索了他们在以人体生理学为中心的药物发现新范式中的作用,并概述了实现它们的关键机遇、挑战和路线图。
释放纳米材料在医学和环境科学中的潜力取决于理解它们与蛋白质的相互作用,这是一个复杂的决策空间,人工智能准备产生变革性影响。 然而,由于数据集有限和现有模型的可推广性受限,进展受到了阻碍。 在这里,我们提出了NanoPro-3M,这是迄今为止最大的纳米材料-蛋白质相互作用数据集,包括超过320万个样本和37,000个独特的蛋白质。 利用这一点,我们介绍了NanoProFormer,这是一个基础模型,通过多模态表示学习预测纳米材料-蛋白质亲和力,展示强大的泛化,处理缺失的特征以及看不见的纳米材料或蛋白质。 我们表明,多模态建模显著优于单模态方法,并确定了日冕形成的关键决定因素。 此外,我们通过零镜头推理和微调证明了它对一系列下游任务的适用性。 这项工作共同为纳米材料-蛋白质相互作用终点的高性能和广义预测奠定了坚实的基础,减少了实验依赖并加速了各种体外应用。
消除注塑聚合物零件中的翘曲是当今注塑行业中最重要的问题之一。 这种情况在几何形状中非常严重,由于其几何特征而特别容易受到翘曲的影响,并且由于厚度变化高,具有长而纤细的拓扑结构。 这些特征在这些特殊的几何形状中,不可能用传统技术制造,以满足行业的尺寸和可持续要求。 本文介绍了一种创新的绿色构象冷却系统,该系统专为高度易受翘曲的细长几何形状的部件设计。 此外,作者介绍的工作调查了使用钢合金制成的高导电刀片与使用增材制造的构象通道相结合的重要性,以减少在复杂制造长而纤细部件中具有影响力的参数,如翘曲,冷却时间和残余应力。 本真实工业案例研究的结果表明,使用构象冷却布局使循环时间缩短了175.1 s 66
随着电动汽车(EV)行业的增长,对高纯度锂的需求激增,从Smackover Formation等低档北美来源的具有成本效益的提取至关重要。 这些资源与高纯度的南美盐水不同,需要创新的净化技术在经济上可行。 连续结晶是生产电池级碳酸锂的一种有希望的方法,但其优化受到复杂参数空间和有限数据的挑战。 本研究引入了人圈(HITL)辅助主动学习框架,以优化碳酸锂的连续结晶。 通过将人类专业知识与数据驱动的见解相结合,我们的方法加速了从具有挑战性的来源提取锂的优化。 我们的研究结果证明了该框架能够快速适应新数据,显著提高了该工艺对镁等关键杂质的耐受性,从行业标准的几百 ppm提高到高达6000 ppm。 这一突破使低品位、杂质丰富的锂资源的开采变得可行,有可能减少对广泛的预精炼工艺的需求。 通过利用人工智能,我们改进了操作参数,并证明可以在不牺牲产品质量的情况下使用低档材料。 这一进步是在经济上利用北美庞大的锂储量(如Smackover Formation)和提高全球锂供应链可持续性的重要一步。
人工智能(AI)引发了对药物发现的巨大兴趣,但目前的大多数方法仅将现有的高通量实验数字化。 它们仍然受到传统管道的限制。 因此,它们并没有解决预测人类药物影响的基本挑战。 同样,生物医学数字孪生体,主要基于现实世界的数据和机械模型,是为后期药物开发量身定制的,并且缺乏对分子相互作用或其系统性后果进行建模的分辨率,限制了其在早期发现中的影响。 早期发现和后期开发之间的这种脱节是药物发现中高失败率的主要驱动因素之一。 人工智能的真正希望不在于增强当前的实验,而在于实现在现实世界中不可能的虚拟实验:直接在人体的硅中测试新的化合物。 人工智能,高通量扰动测定以及跨物种的单细胞和空间组学的最新进展现在使构建可编程的虚拟人类成为可能:动态,多尺度模型,模拟从分子到表型水平的药物作用。 通过弥合转化差距,可编程虚拟人类提供了比以往更早优化治疗功效和安全性的变革性途径。 这种观点引入了可编程虚拟人的概念,探索了他们在以人体生理学为中心的药物发现新范式中的作用,并概述了实现它们的关键机遇、挑战和路线图。
作为保守平滑粒子流体力学(SPH)方法的主要挑战之一,零序一致性问题,尽管被认为可以通过粒子正则化方案(如运输速度公式)来缓解,显着抑制了长通道中的流量,用于层流和湍流模拟。 在这一发现的基础上,本文不仅彻底分析了这种压力驱动的通道流中的阻尼原因,而且还将这个问题与重力驱动自由表面流中的过度数值耗散联系起来。 两种典型流动情景中非物理数值阻尼的常见根源,即零序梯度一致性残留物,暴露出来。 背景压力对两种情景的残留的不利影响被揭示和讨论。 为了全面了解残留物的行为并减轻其潜在的不利影响,我们同时进行理论分析和数值实验,重点关注关键敏感因素。 为了研究重力驱动自由表面流动中的残留诱导的非物理能量耗散,测试了粘结性常波箱中的水深和输入动态压力。 为了研究压力驱动通道流中的速度损失,我们检查通道长度、分辨率和出口压力的影响。 针对两种典型流引入了最先进的反向内核梯度校正技术,并证明对减少残留效应有效,但我们发现其校正能力从根本上受到限制。 最后,经过测试,FDA喷嘴,一个工程基准,以证明在复杂的几何形状中的残留影响,突出了在具有不可避免的高背景压力下的校正方案的必要性。
逆行规划在有机合成和药物发现中至关重要,从最近的人工智能驱动进展中受益匪浅。 然而,现有方法在适用性和可解释性方面经常面临限制。 传统的基于图和序列到序列的模型通常缺乏广义的化学知识,导致预测既不一贯准确也不易于解释。 为了应对这些挑战,我们引入了RetroDMM-R,这是一种基于推理的大型语言模型(LLM),专门用于化学反合成。 利用以化学可验证的奖励为指导的大规模强化学习,RetroDMM-R显着提高了预测准确性和可解释性。 全面的评估表明,RetroDCM-R明显优于最先进的方法,达到65.0的1级精度
在宽频率范围内模拟电磁场具有挑战性,因为低频率的数值不稳定。 这项工作将麦克斯韦方程的稳定两步公式扩展到时间域。 使用Galerkin离散化在空间中,我们应用两种不同的时间离散化方案,这些方案是根据此处使用的双步求解过程的一阶和二阶偏微分方程量身定制的。 为了解决低频不稳定性,我们集成了一个广义的树cotree测量仪,可以去除卷曲运算符的奇点,即使在静态极限下也能确保稳健性。 学术和应用导向3D问题的数字结果证实了稳定性,准确性和方法对非线性,温度依赖性材料的适用性。
多源CT扫描分类受到域移的影响,损害了跨源的概括。 虽然结合空间-切片特征学习(SSFL++)和基于内核的Slice Sampling(KDS)的预处理管道已经显示出经验上的成功,但它们领域稳健性背后的机制仍然未被探索。 本研究分析了这种输入空间标准化如何管理本地可判和跨源通用之间的权衡。 SSFL++和KDS管道执行空间和时间标准化,以减少源间方差,有效地将不同的输入映射到一致的目标空间中。 这种抢先对齐可减轻域移位,简化了网络优化的学习任务。 实验验证展示了跨架构的一致改进,证明了预处理本身的好处。 该方法的有效性通过在竞争挑战中获得第一名,支持输入空间标准化作为多机构医学成像的稳健和实用解决方案,得到了验证。
准确的道路损坏检测对于及时的基础设施维护和公共安全至关重要,但现有的仅视觉数据集和模型缺乏文本信息可以提供的丰富背景理解。 为了解决这一限制,我们引入了RoadBench,这是第一个全面道路损坏理解的多式联运基准。 该数据集将道路损坏的高分辨率图像与详细的文本描述配对,为模型训练提供了更丰富的上下文。 我们还介绍了RoadCLIP,这是一种新颖的视觉语言模型,通过集成域特定的增强功能来构建CLIP。 它包括一个疾病感知位置编码,捕获道路缺陷的空间模式,以及一种注入道路状况的机制,以完善模型对道路损害的理解。 我们进一步采用GPT驱动的数据生成管道,在RoadBench中将图像扩展到文本对,大大增加了数据多样性,而无需详尽的手动注释。 实验证明,RoadCLIP在道路损伤识别任务上实现了最先进的性能,显著优于现有的仅视觉模型19.2。
金融交易的复杂性和数量不断增加,给传统的欺诈检测系统带来了重大挑战。 本技术报告调查并比较了经典、量子和量子混合机器学习模型对欺诈性金融活动的二元分类的功效。 作为我们的方法,首先,我们开发了一个全面的行为特征工程框架,将原始事务数据转换为丰富的描述性特征集。 其次,我们在 IBM 反洗钱 (AML) 数据集上实现和评估一系列模型。 经典的基线模型包括Logistic Regression,Decision Tree,Random Forest和XGBoost。 这些与三种混合经典量子算法架构进行了比较:量子支持矢量机(QSVM),可变量子分类器(VQC)和混合量子神经网络(HQNN)。 此外,我们提出了量子计算欺诈检测(FD4QC),这是一种实用的API驱动的系统架构,专为现实世界的部署而设计,具有经典的第一量子增强哲学,具有强大的回退机制。 我们的结果表明,经典的基于树木的模型,特别是随机森林,在当前设置中明显优于量子对应,实现了高精度(97.34%)和F测量(86.95%)。 在量子模型中,QSVM显示出最大的希望,提供高精度(77.15%)和低误报率(1.36%),尽管召回率较低,计算开销很大。 本报告为现实世界的金融应用提供了基准,强调了量子机器学习在这一领域的当前局限性,并概述了未来研究的有希望的方向。
近年来,对可持续性信息的兴趣激增。 然而,从产品制造到环境影响(EI)的生命周期评估(LCA)所需的数据通常不可用。 在这里,我们通过引入多模态AI代理来重新构想传统的LCA,这些代理可以模拟LCA专家和产品经理和工程师等利益相关者之间的互动,以计算电子设备的从摇篮到门(生产)的碳排放。 人工智能代理利用自定义数据抽象和软件工具,从修复社区和政府认证的在线文本和图像中提取信息,迭代生成详细的生命周期清单。 这种方法将数周或数月的专家时间缩短至不到一分钟,并缩小数据可用性差距,同时在19年内产生碳足迹估计
由偏微分方程控制的物理系统的精确建模是科学计算中的核心挑战。 在海洋学中,高分辨率电流数据对于沿海管理、环境监测和海上安全至关重要。 然而,现有的卫星产品,如以0.08度空间分辨率的海水速度数据和全球海洋模型,往往缺乏详细的局部分析所需的空间粒度。 在这项工作中,我们(a)引入了基于神经运算符的受监督深度学习框架,用于解决PDE并提供任意分辨率解决方案,(b)提出向下扩展模型,并将其应用于哥白尼洋流数据。 此外,我们的方法可以对替代PDE进行建模,并以任意分辨率预测解决方案,无论输入分辨率如何。 我们评估了现实世界的哥白尼洋流数据和合成的Navier-Stokes模拟数据集的模型。
相位方程,主要是在数值上解决的,以捕获材料的中尺度微观结构演变而闻名。 然而,这样的数值求解器在计算上是昂贵的,因为它需要生成精细的网格系统,以很好地准确地解决复杂的部分差分方程(PDE)。 因此,我们提出了一种替代方法,使用物理信息神经运算符(PINO)预测受周期性边界条件影响微结构演变。 在这项研究中,我们证明了PINO通过学习运算符和同时解决三个耦合的物理方程来预测Al-Cu合金中沉淀物 θ^' 的能力。 耦合是两个二阶艾伦-卡恩方程和一个四阶卡恩-希利亚德方程。 我们还发现,使用傅里叶导数(伪光谱法和傅里叶扩展法)而不是有限差分法将卡恩-希利亚方程损失提高了12个数量级。 此外,由于分化相当于傅里叶域的乘法,与物理通知神经网络(PINN)不同,我们可以轻松地计算卡恩 - 希利亚德方程的第四个导数,而无需将其转换为耦合二阶导数。
在两个维度的拓扑优化(TO)通常呈现结构性能和可制造性之间的权衡,未惩罚(可变厚度)方法产生优越但复杂的设计,以及惩罚(SIMP)方法产生更简单,桁架状结构,性能受损。 本文介绍了一种多厚度、基于密度的拓扑优化方法,旨在弥合这一差距。 拟议的方法通过使用新的多级惩罚方案和多级平滑的Heaviside投影,将设计引导设计到一组预先定义的离散,允许的厚度。 惩罚和投影参数的延续策略,结合自适应网格细化技术,确保强大的收敛性和高分辨率几何特征。 该方法在标准悬臂和MBB光束基准测试中得到验证。 结果表明,随着允许厚度数量的增加,设计系统地从传统的桁架状结构过渡到高性能的片状结构。 值得注意的是,具有以下三个离散厚度级别的设计实现了完全未惩罚的可变厚度优化的2%的合规性值,同时显着优于标准SIMP结果。 该方法固有地消除了平面外和平面内方向的不切实际的薄区域和特征,并生产适合增材制造的设计,并使用标准厚度库存材料进行传统制造,从而最大限度地提高性能和可制造性。
内幕交易违规行为,特别是表格4文件的延迟披露,仍然是金融市场监控的持续挑战。 尽管监管要求,如美国证券交易委员会(SEC)的两天业务规则,但由于缺乏大规模,标记的数据集和特定任务的基准,执法受到限制。 在本文中,我们介绍了Insider Filing Delay(IFD),这是第一个也是最大的内幕披露行为公开数据集,包括超过100万笔为期20年(2002-2025年)的Form 4交易,其中包含关于延迟状态,内幕角色,治理因素和公司级财务指标的结构化注释。 IFD使战略披露违规检测作为基于法规遵从的二元分类任务的首次大规模制定成为可能。 为了证明 IFD 的实用性,我们提出了 MaBoost,这是一个混合框架,将基于 Mamba 的状态空间编码器与 XGBoost 相结合,在识别高风险行为模式方面实现了高精度和可解释性。 跨统计基线、深度学习模型和大型语言模型的实验证实,MaBoost优于先前的方法,实现了高达99.47的F1分数
电动机器的参数代理模型被广泛用于高效的设计优化和操作监控。 解决几何变化,基于 spline 的计算机辅助设计表示起着关键作用。 在这项研究中,我们提出了一种新的方法,该方法结合了等位分析,适当的正交分解和深度学习,通过直接学习样线基础系数来实现快速和物理一致的预测。 该方法的有效性使用永磁同步机的参数非线性磁静态模型进行演示。
虽然通常认为计算成本很高,但使用Monte Carlo sampling进行不确定性量化仍然有利于具有高维度不确定性的应用。 作为天真的蒙特卡洛方法的延伸,多级蒙特卡罗方法减少了整体计算工作量,但无法减少在足够并行的计算环境中解决的时间。 在这项工作中,我们提出了一种不确定性量化方法,结合了多级蒙特卡洛采样和实时并行集成,用于选择样本,利用剩余的并行计算能力来加速计算。 虽然有效地减少了时间到解决方案,但Parallin-Time集成方法大大增加了总的计算工作量。 我们研究了合并方法的时间到解决方案和总计算工作之间的权衡,从理论考虑开始,并将我们的发现与两个数字示例进行比较。 在那里,加速12-45
在脆裂纹传播过程中,光滑的裂纹前曲线经常不接,产生阶梯裂缝和材料韧带,使新形成的裂纹前部结合在一起。 这些普遍特征从根本上改变了传播裂缝的奇异场结构和稳定性;然而,缺乏对其力学的定量分析。 在这里,我们进行原位3D测量,以解决阶梯裂缝周围的变形场,关键是韧带特征。 3D运动学数据是通过通过脆水凝胶样品扫描薄激光片获得的,同时记录嵌入示踪颗粒的散射强度。 我们发现韧带集中应变能量密度,此外,明显的断裂能量与韧带内的应变能量成比例增加。
设计优化蛋白质热稳定性的突变仍然具有挑战性,这是由于序列变化,结构动力学和热稳定性之间的复杂关系,通常由 δδG(展开的自由能量的变化)评估。 现有方法依赖于实验随机诱变或用预定义的数据集测试的预测模型,使用基于序列的发镯,并将酶设计视为一步的过程,而无需迭代改进,这限制了设计空间探索,并限制了超出已知变化的发现。 我们介绍了基于强化学习(RL)的框架,它利用图形神经网络(GNN)来设计具有增强的热稳定性的突变。 它将预训练的基于GNN的编码器与分层Q学习网络相结合,并采用替代模型进行奖励反馈,指导RL代理在何处(位置)和哪个(突变氨基酸)应用于增强的热稳定性。 实验结果表明,ThermoRL在保持计算效率的同时,实现了比基线更高或可比的奖励。 它过滤掉破坏稳定的突变,并识别与实验数据一致的稳定突变。 此外,ThermoRL可以准确地检测出看不见的蛋白质中的关键突变位点,突出了其强大的可推广性。 这种由GNN嵌入支持的RL引导方法为传统蛋白质突变设计提供了强大的替代方案。
基因组序列的建模由于其长度和结构复杂性而带来了独特的挑战。 传统的序列模型难以捕获DNA固有的远程依赖性和生物学特征。 在这项工作中,我们提出了TrinityDNA,一种旨在解决这些挑战的新型DNA基础模型。 该模型集成了生物学上知情的组件,包括用于捕获DNA结构特征的Groove Fusion和Gated Reverse Complement(GRC),以处理DNA序列的固有对称性。 此外,我们引入了一种多尺度注意力机制,允许模型关注不同水平的序列依赖关系,以及一种进化训练策略,该策略将模型逐步调整为原核和真核基因组。 TrinityDNA为基因组序列建模提供了更准确,更有效的方法,在基因功能预测,调控机制发现和其他基因组学应用中提供了显着的改进。 我们的模型弥合了机器学习技术和生物学见解之间的差距,为更有效地分析基因组数据铺平了道路。 此外,我们还引入了新的DNA长序列CDS注释基准,使评估更加全面,面向实际应用。
近年来,车辆到一切通信辅助自动驾驶取得了显着进展,务实的通信(PragComm)成为车辆和其他代理商之间实时协作的有前途的范例。 同时,广泛的研究探索了端到端驱动框架中协作感知和决策之间的相互作用。 在这项工作中,我们重新审视了协作驱动问题,并提出了Select2Drive框架,以优化有限计算和通信资源的利用。 特别是,为了减轻感知和决策的累积延迟,Select2Drive通过制定主动预测范式和将高维语义特征预测预测预测预测扩展到计算效率高的运动感知重建中引入。 鉴于“多”原则,即过度宽广的感知视界可能会混淆决策模块,而不是对此做出贡献,Select2Drive利用基于重要区域的PragComm来优先考虑关键区域的通信,从而提高通信效率和决策效率。 对V2Xverse和现实世界DAIR-V2X的实证评估表明,Select2Drive在有限带宽下的离线感知任务(resp.,构成错误条件)实现了2.60%和1.99%的改善。 此外,它在闭环驾驶分数和路线完成率方面最多提供8.35%和2.65%的提升,特别是在交通密集和高速动力学特征的情况下。
