Jumeaux numériques et durabilité urbaine
Les catastrophes naturelles telles que les inondations et les vagues de chaleur démontrent un réel manque de contrôle sur l'environnement - même si certaines de ces catastrophes peuvent en réalité être le résultat de prises de décision et de négligence humaines.
Les catastrophes naturelles deviennent de plus en plus fréquentes et graves, attirant une plus grande attention sur le besoin urgent de durabilité urbaine, la technologie des jumeaux numériques jouant un rôle de premier plan pour relever ce défi.
La définition des jumeaux numériques est un modèle informatique d'un processus physique ou une copie d'une entité physique. Ce sont essentiellement des modèles virtuels réels et précis.
Avantages des jumeaux numériques
Les jumeaux numériques devraient devenir des outils importants pour le développement urbain durable car ils permettent aux chercheurs de recréer un environnement urbain spécifique et de reproduire les facteurs ou processus qui l'influencent, comme les transports intelligents.
Les jumeaux numériques peuvent également être couplés à des capteurs présents dans l'environnement pour fournir des données en temps réel pour une surveillance stricte.
Les chercheurs peuvent ensuite utiliser l'intelligence artificielle pour comprendre ces processus et comment ils affectent l'environnement, prédire les conditions et impacts futurs et prendre des décisions durables.
Notre étude critique des jumeaux numériques et de leur potentiel dans le domaine de la durabilité urbaine montre que ces récents développements technologiques ont prouvé leurs avantages financiers et durables pour les organisations publiques et privées.
Nous avons démontré que les jumeaux numériques peuvent surveiller les données en temps réel des actifs physiques et visualiser leurs performances dans différents scénarios d'environnement virtuel, rendant ainsi l'allocation des ressources plus efficace.
Par exemple, en mesurant et en simulant la capacité en eau de pluie des nouveaux réseaux routiers, une combinaison de données de capteurs historiques et en temps réel peut être utilisée pour concevoir des villes sensibles à l'eau afin de réduire les déchets et les pertes.
Obstacles à la mise en œuvre des jumeaux numériques
Bien que les jumeaux numériques urbains (UDT) ouvrent la voie à la résolution des problèmes techniques, éthiques et socio-techniques, il existe encore certains obstacles à leur application. Alors, comment cette technologie peut-elle être utilisée pour soutenir le développement urbain durable ?
Le succès de la technologie UDT dépend d’une communication bidirectionnelle rapide entre les environnements physique et numérique – cela ne peut être ignoré.
Le premier facteur que nous avons constaté est que de nombreux décideurs manquent de culture numérique, ce qui les rend moins intéressés par les technologies numériques et leur apporte peu en termes de recherche et de ressources financières.
Par conséquent, mieux nous sommes préparés technologiquement, plus nous sommes susceptibles d’adopter les technologies numériques dans nos organisations ou dans nos activités quotidiennes.
Enfin, il doit y avoir des normes et des modèles de données partagés afin que les données importantes ne restent pas en silos.
Des associations professionnelles telles que l'Australian Surveying and Spatial Science Institute (SSSI) Standards Australia, Engineers Australia et le Planning Institute of Australia (PIA) estiment que la normalisation est importante dans le développement de langages, de processus et de modèles de données communs entre les parties prenantes et les juridictions. rôle vital.
Les « Principes spatiaux pour soutenir les jumeaux numériques des environnements bâtis et naturels » développés par le Conseil australien et néo-zélandais de l'information spatiale mettent l'accent sur le rôle de la normalisation dans la gestion de l'information et des données, l'interopérabilité UDT, la confidentialité et la sécurité.
Trust AI
Un problème auquel sont confrontées de nombreuses industries est que les décisions algorithmiques peuvent être remises en question et mises en doute en raison de problèmes de responsabilité et de transparence.
Une étude récente que nous avons menée a montré que l'intelligence artificielle explicable (XAI), ou IA capable d'expliquer ses résultats, joue un rôle important dans l'augmentation de la transparence de la prise de décision en matière d'IA et de la confiance des gens. Les résultats de cette recherche ont été publiés dans la revue Nature Sustainability.
XAI résout le problème causé par le concept de « boîte noire » : même les développeurs d'IA ne peuvent pas expliquer clairement pourquoi ils ont atteint des résultats spécifiques ou pris des décisions spécifiques.
Les technologies numériques actuelles ne mesurent que les aspects objectifs des entités urbaines, en se concentrant sur les caractéristiques physiques de la ville telles que la hauteur des bâtiments, la canopée des arbres, le type et la densité d'utilisation des sols, l'architecture 3D, la visualisation du réaménagement urbain et l'évaluation énergétique des bâtiments.
Cependant, le jumeau numérique devrait être que la ville est une combinaison de caractéristiques objectives (physiques et fonctionnelles) et de caractéristiques subjectives (construction sociale et expérience du lieu).
Bien que certaines études aient démontré de nouvelles capacités en matière de mesure de la qualité des lieux, de l'accès équitable aux installations et de la sociabilité des espaces urbains, les simulations et les applications pratiques à l'échelle du système sont encore insuffisantes et devraient faire l'objet de recherches futures pour éviter l'utilisation de modèles inexacts. Prendre de mauvaises décisions et stratégies.
Combinez les expertises pour créer une ville numérique
Parce que les applications des villes numériques sont si répandues, l'expertise qui les sous-tend l'est aussi.
En associant des professionnels de l'informatique et de l'ingénierie aux décideurs politiques, aux utilisateurs finaux et aux experts en planification et en construction, nous pouvons mieux exploiter la valeur des technologies numériques pour relever les défis futurs et rentabiliser les investissements actuels dans les communautés.
Les gouvernements des États australiens ont commencé à tirer parti des capacités des jumeaux numériques pour mieux servir leurs communautés. Le NSW Spatial Digital Twin fournit des flux de travail numériques collaboratifs entre les organisations de tout l’État. Il regroupe et visualise les informations de localisation dans des modèles dynamiques et multidimensionnels du monde réel.
Le gouvernement de Victoria a reçu 37,4 millions de dollars pour développer la plateforme Victoria Digital Twin, intégrant de grands volumes de données 2D, 3D et en temps réel via une seule plateforme en ligne.
Le projet est piloté par le projet pilote de jumeau numérique du gouvernement à Fisherman's Bay en partenariat avec l'Université de Melbourne et d'autres parties prenantes.
Nous savons qu'un jumeau numérique doit être plus qu'une simple réplique, il doit être couplé à un processus ou une entité physique dans un système cyber-physique-social.
Un tel système ressemble peut-être plus à un cerveau qu'à un jumeau : il possède des nerfs pour la perception, des mécanismes qui peuvent modifier les systèmes physiques ou numériques, et des mécanismes de régulation pour maintenir l'équilibre entre les systèmes physiques et numériques.
Nous avons commencé à perfectionner, à sensibiliser les professionnels, les managers et les cadres et à former les futurs collaborateurs à la technologie des jumeaux numériques. Nos nouveaux programmes de formation, tels que le Master of Engineering in Digital Infrastructure et le Graduate Certificate in Digital Engineering (Infrastructure), répondent à des enjeux techniques, éthiques et socio-techniques.
Nous travaillons également avec l'industrie pour identifier les futurs besoins en ingénierie numérique du secteur australien et mondial des infrastructures, qui est en plein essor et adopte des outils numériques tels que la modélisation des informations du bâtiment (BIM), l'Internet des objets (IoT) et la réalité virtuelle.
En tirant parti de la recherche et du développement sur les technologies émergentes et de ces programmes éducatifs, nous créons une nouvelle capacité pour les compétences du futur, en combinant les données numériques avec les statistiques, l'apprentissage automatique et la simulation de données.
L'objectif est simple : mieux s'engager auprès des communautés et communiquer les processus, modèles et prédictions physiques et sociaux dans la conception de futures villes durables.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds



Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
