Rumah Peranti teknologi AI Adakah persamaan itu hutan pokok binari? Temui persamaan tadbir urus dan mekanisme fizikal yang tidak diketahui secara langsung daripada data

Adakah persamaan itu hutan pokok binari? Temui persamaan tadbir urus dan mekanisme fizikal yang tidak diketahui secara langsung daripada data

Apr 08, 2023 pm 06:11 PM
data persamaan

Penyelidik berharap dapat menggunakan kaedah pembelajaran mesin untuk melombong secara automatik undang-undang intrinsik yang paling berharga dan penting terus daripada data bukan linear berdimensi tinggi (iaitu, untuk melombong persamaan pentadbir berasaskan PDE di sebalik masalah) untuk mencapai penemuan pengetahuan automatik.

Baru-baru ini, pasukan penyelidik dari Institut Teknologi Timur, Universiti Washington, Ruilai Wisdom dan Universiti Peking telah mencadangkan algoritma genetik SGA-PDE berdasarkan matematik simbolik, membina set calon terbuka yang boleh mengekstrak data daripada data . Secara langsung melombong bentuk persamaan yang mengawal.

Eksperimen menunjukkan bahawa SGA-PDE bukan sahaja boleh melombong persamaan Burgers (dengan istilah interaksi), persamaan Korteweg–de Vries (KdV, dengan sebutan terbitan peringkat lebih tinggi), dan persamaan Chafee-Infante (dengan istilah eksponen) daripada istilah data dan istilah terbitan), dan juga berjaya melombong persamaan yang mengawal dengan fungsi komposit dan persamaan dengan struktur pecahan dalam masalah aliran graviti likat, dua yang terakhir sukar ditemui dengan kaedah sebelumnya. SGA-PDE tidak bergantung pada pengetahuan terdahulu tentang borang persamaan dan mengisi jurang dalam masalah perlombongan persamaan kawalan struktur yang kompleks. Model ini tidak memerlukan set persamaan calon untuk diberikan terlebih dahulu, yang bermanfaat kepada aplikasi praktikal algoritma penemuan pengetahuan automatik dalam masalah saintifik yang tidak diketahui.

Kajian itu bertajuk "Algoritma genetik simbolik untuk menemui persamaan pembezaan separa bentuk terbuka (SGA-PDE)" dan diterbitkan dalam Penyelidikan Kajian Fizikal pada 1 Jun.

Adakah persamaan itu hutan pokok binari? Temui persamaan tadbir urus dan mekanisme fizikal yang tidak diketahui secara langsung daripada data

Idea penemuan pengetahuan umum semasa ialah menggunakan regresi jarang, iaitu, pra-diberikan set calon tertutup, kemudian pilih istilah persamaan daripadanya, dan gabungkan persamaan yang mengawal , seperti SINDy dan PDE-FIND. Walau bagaimanapun, kaedah jenis ini memerlukan pengguna untuk menentukan bentuk kasar persamaan terlebih dahulu, dan kemudian memberikan semua operator pembezaan yang sepadan sebagai istilah fungsi dalam set calon terlebih dahulu Istilah fungsi yang tidak wujud dalam set calon tidak dapat ditemui daripada data . Beberapa kajian terkini cuba menggunakan algoritma genetik untuk mengembangkan set calon, tetapi terdapat had utama dalam penggabungan semula dan mutasi gen, dan masih tidak dapat menjana istilah berfungsi dengan struktur kompleks (seperti struktur pecahan dan fungsi komposit )

Kunci untuk melombong persamaan tadbir bentuk terbuka terus daripada data adalah untuk menjana dan mewakili bentuk arbitrari persamaan mentadbir dengan cara yang mudah untuk dikira, dan untuk menilai ketepatan bentuk persamaan dengan mengukur sejauh mana persamaan yang dihasilkan sesuai dengan sifat yang diperhatikan, dan kemudian mengoptimumkan persamaan yang dilombong secara berulang. Oleh itu, isu teras penemuan pengetahuan automatik ialah perwakilan dan pengoptimuman.

Adakah persamaan itu hutan pokok binari? Temui persamaan tadbir urus dan mekanisme fizikal yang tidak diketahui secara langsung daripada data

Jadual 1. Jadual perbandingan kaedah perlombongan persamaan kawalan automatik

Cabaran untuk menyatakan masalah ialah: 1 . Cara menggunakan unit asas Terhingga untuk mewakili persamaan kawalan struktur kompleks tak terhingga (iaitu set calon terbuka) 2. Bagaimana untuk membina kaedah perwakilan persamaan kawalan yang mudah dikira. Untuk dapat menyatakan persamaan mana-mana struktur secara bebas, penyelidik melemahkan unit perwakilan asas SGA-PDE kepada operan dan operator, dan membina set calon terbuka menggunakan pepohon binari melalui matematik simbolik.

Cabaran masalah pengoptimuman ialah:

1 Kecerunan antara bentuk persamaan dan indeks penilaian persamaan adalah sukar untuk dikira 2 set adalah tidak terhingga, dan proses pengoptimuman Sukar untuk mengimbangi penerokaan dan eksploitasi secara berkesan . Untuk mengoptimumkan masalah set calon terbuka dengan cekap, para penyelidik menggunakan algoritma genetik yang direka khas untuk struktur pokok untuk mencapai pengoptimuman dalam bentuk persamaan.

Adakah persamaan itu hutan pokok binari? Temui persamaan tadbir urus dan mekanisme fizikal yang tidak diketahui secara langsung daripada data

Rajah 1: Gambarajah skematik masalah penemuan pengetahuan automatik dan SGA-PDE

Penyelidik terlebih dahulu memperhalusi asas persamaan dalam unit Perwakilan algoritma untuk mewakili persamaan pembezaan separa bentuk terbuka,

mengubah skala perwakilan persamaan daripada tahap sebutan fungsi bebas kepada tahap operator dan operan yang lebih asas

.

SGA-PDE membahagikan pengendali dalam persamaan kawalan kepada pengendali berganda (seperti +, -) dan pengendali tunggal (seperti sin, cos), dan kemudian mentakrifkan semua pembolehubah berpotensi sebagai operan (seperti x, t, u ). Penyelidik menggunakan struktur pokok binari untuk menggabungkan operator dan operan untuk mengekod persamaan yang berbeza. Semua nod terminal (nod daun dengan darjah 0) dalam pepohon binari sepadan dengan operan, dan semua nod bukan terminal sepadan dengan operator Double sepadan dengan nod dengan darjah 2, dan operator tunggal sepadan dengan nod dengan darjah 1. .

Seperti yang ditunjukkan dalam Rajah 2, melalui rentetan yang boleh dikira sebagai sambungan, sebarang istilah fungsi boleh ditukar menjadi pepohon binari , dan pada masa yang sama, memenuhi peraturan matematik tertentu Pokok binari juga boleh ditukar kepada istilah fungsi . Tambahan pula, persamaan yang mengawal dengan istilah berbilang fungsi adalah bersamaan dengan hutan yang terdiri daripada berbilang pokok binari. SGA-PDE mewakili sebarang persamaan pembezaan separa bentuk terbuka melalui matematik simbolik. Selain itu, kertas kerja ini juga mencadangkan kaedah untuk menjana pokok binari secara rawak dengan makna matematik, yang dapat memastikan pokok binari yang dihasilkan tidak melanggar prinsip matematik.

Adakah persamaan itu hutan pokok binari? Temui persamaan tadbir urus dan mekanisme fizikal yang tidak diketahui secara langsung daripada data

Rajah 2: Kaedah perwakilan dan transformasi antara pokok binari dan istilah fungsi

Oleh kerana kaedah perwakilan yang ditunjukkan dalam Rajah 2 boleh Terdapat ialah surat-menyurat satu-dengan-satu antara sampel dalam ruang fungsi dan sampel dalam ruang pokok binari. Ini bermakna bahawa kaedah perwakilan berdasarkan matematik simbolik adalah cekap dan tidak berlebihan serta boleh digunakan sebagai proses pengekodan dalam algoritma genetik. Para penyelidik mencadangkan algoritma genetik untuk struktur pokok (Rajah 3) untuk melombong secara automatik persamaan kawalan yang konsisten dengan data pemerhatian daripada data eksperimen. Algoritma genetik untuk struktur pokok ini boleh mencapai pengoptimuman pada tahap yang berbeza .

Pautan penyusunan semula adalah untuk mengoptimumkan di peringkat hutan (persamaan) untuk mencari gabungan optimum pokok binari (istilah fungsi). Pautan ini serupa dengan kaedah regresi jarang biasa semasa, iaitu pengoptimuman dalam set calon tertutup.

Pautan mutasi dioptimumkan pada peringkat pokok binari (istilah fungsi) Dengan menjana atribut nod yang berbeza secara rawak, gabungan atribut nod yang optimum ditemui di bawah struktur pokok binari yang diberikan Ia adalah eksploitasi struktur semasa.

Proses penggantian juga dioptimumkan pada peringkat pokok binari (istilah fungsi), tetapi ia akan menjana struktur pokok binari baharu, yang merupakan penerokaan struktur pokok dan mencapai sepenuhnya set calon terbuka.

SGA-PDE boleh mengambil kira penggunaan dan penerokaan topologi pokok binari melalui pengoptimuman pelbagai peringkat, yang kondusif untuk mencari bentuk persamaan optimum dengan cekap.

Adakah persamaan itu hutan pokok binari? Temui persamaan tadbir urus dan mekanisme fizikal yang tidak diketahui secara langsung daripada data

Rajah 3: Algoritma genetik untuk struktur pokok

Data eksperimen ditunjukkan dalam Rajah 4, di mana lajur 2 menunjukkan Fizikal pemerhatian lapangan, ialah satu-satunya maklumat input SGA-PDE. Terbitan pertama yang mendasari dalam lajur 3 dan 4 boleh diperoleh dengan membezakan pemerhatian medan fizikal. Lajur 1 ialah bentuk persamaan yang betul. Dalam percubaan, SGA-PDE menggunakan operan dan pengendali pratetap yang sama, dan tidak perlu dilaraskan untuk masalah tertentu untuk mengesahkan kepelbagaian algoritma.

Akhirnya, SGA-PDE berjaya melombong persamaan Burgers, persamaan KdV, persamaan Chafee-Infante, aliran graviti likat yang mengawal persamaan dengan terbitan fungsi komposit dan persamaan dengan struktur pecahan daripada data. Persamaan di atas mempunyai pelbagai bentuk kompleks seperti sebutan eksponen, sebutan terbitan peringkat tinggi, istilah interaksi, fungsi komposit dan struktur bersarang.

Jadual 2 membandingkan hasil pengiraan pelbagai algoritma sedia ada dalam lima contoh pengiraan di atas Dapat dilihat bahawa SGA-PDE mengisi jurang dalam melombong persamaan kawalan struktur kompleks

Adakah persamaan itu hutan pokok binari? Temui persamaan tadbir urus dan mekanisme fizikal yang tidak diketahui secara langsung daripada data

Rajah 4: Graf data eksperimen

Adakah persamaan itu hutan pokok binari? Temui persamaan tadbir urus dan mekanisme fizikal yang tidak diketahui secara langsung daripada data

Jadual 2 Keputusan eksperimen algoritma penemuan pengetahuan automatik dalam masalah perlombongan persamaan kawalan yang berbeza

Untuk lebih memahami pencarian SGA- Proses Pengoptimuman PDE, Rajah 5 menunjukkan laluan evolusi apabila melombong persamaan KdV. Dapat dilihat bahawa persamaan optimum yang dihasilkan oleh generasi pertama adalah jauh daripada persamaan sebenar. Dalam proses evolusi seterusnya, dengan perubahan dalam struktur topologi pokok binari dan makna nod, serta penggabungan silang antara istilah fungsi, penyelesaian yang betul akhirnya ditemui dalam generasi ke-31, dan pada masa ini indeks AIC telah mencapai penumpuan yang diberikan dalam piawaian artikel. Menariknya, jika pengoptimuman diteruskan, ungkapan persamaan KdV yang lebih parsimoni berdasarkan terbitan fungsi komposit ditemui pada penjanaan 69. Rajah 6 menunjukkan proses pengoptimuman SGA-PDE untuk mencari persamaan yang mengawal dengan struktur pecahan.

Adakah persamaan itu hutan pokok binari? Temui persamaan tadbir urus dan mekanisme fizikal yang tidak diketahui secara langsung daripada data

Rajah 5: Proses pengoptimuman persamaan KdV oleh SGA-PDE

Adakah persamaan itu hutan pokok binari? Temui persamaan tadbir urus dan mekanisme fizikal yang tidak diketahui secara langsung daripada data

Rajah 6: Proses pengoptimuman SGA-PDE untuk persamaan dengan struktur pecahan

Persamaan kawalan ialah perwakilan yang cekap bagi pengetahuan domain Walau bagaimanapun, parameter persamaan dan juga bentuk persamaan bagi banyak masalah kehidupan sebenar adalah Tidak Pasti , sukar untuk menulis persamaan kawalan yang tepat, yang sangat menyekat penggunaan pengetahuan domain dalam pembelajaran mesin.

SGA-PDE mengubah persamaan melalui matematik simbolik dan menyelesaikan masalah perwakilan bentuk arbitrari persamaan pembezaan separa. Selain itu, SGA-PDE menggunakan algoritma genetik yang direka untuk pepohon binari, dan melalui pengoptimuman berulang topologi pepohon dan atribut nod, secara automatik melombong persamaan kawalan yang sesuai dengan data pemerhatian daripada domain terbuka. Dalam pengoptimuman, SGA-PDE tidak bergantung pada maklumat terdahulu dalam bentuk persamaan, dan juga tidak perlu diberikan set calon, mencapai pengoptimuman automatik bagi persamaan struktur kompleks . Pada masa yang sama, SGA-PDE juga merupakan algoritma bebas kecerunan, yang mengelakkan masalah pengiraan kecerunan yang sukar antara struktur persamaan dan nilai kerugian.

Penyelidikan masa hadapan akan memberi tumpuan kepada: 1. Cuba menggabungkan pembelajaran pengukuhan atau algoritma pengoptimuman gabungan 2. Kurangkan ruang penyelesaian dengan membenamkan mekanisme fizikal; sifat data yang bising; 4. Mengintegrasikan kaedah pemasukan pengetahuan dan kaedah penemuan pengetahuan.

Pautan kertas (tersedia secara percuma):

https://journals.aps.org/prresearch/abstract/10.1103/PhysRevResearch.4.023174

Pautan data kod dan contoh :

https://github.com/YuntianChen/SGA-PDE

Atas ialah kandungan terperinci Adakah persamaan itu hutan pokok binari? Temui persamaan tadbir urus dan mekanisme fizikal yang tidak diketahui secara langsung daripada data. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

AI Hentai Generator

AI Hentai Generator

Menjana ai hentai secara percuma.

Artikel Panas

R.E.P.O. Kristal tenaga dijelaskan dan apa yang mereka lakukan (kristal kuning)
2 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
Repo: Cara menghidupkan semula rakan sepasukan
1 bulan yang lalu By 尊渡假赌尊渡假赌尊渡假赌
Hello Kitty Island Adventure: Cara mendapatkan biji gergasi
4 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Gunakan ddrescue untuk memulihkan data pada Linux Gunakan ddrescue untuk memulihkan data pada Linux Mar 20, 2024 pm 01:37 PM

DDREASE ialah alat untuk memulihkan data daripada fail atau peranti sekat seperti cakera keras, SSD, cakera RAM, CD, DVD dan peranti storan USB. Ia menyalin data dari satu peranti blok ke peranti lain, meninggalkan blok data yang rosak dan hanya memindahkan blok data yang baik. ddreasue ialah alat pemulihan yang berkuasa yang automatik sepenuhnya kerana ia tidak memerlukan sebarang gangguan semasa operasi pemulihan. Selain itu, terima kasih kepada fail peta ddasue, ia boleh dihentikan dan disambung semula pada bila-bila masa. Ciri-ciri utama lain DDREASE adalah seperti berikut: Ia tidak menimpa data yang dipulihkan tetapi mengisi jurang sekiranya pemulihan berulang. Walau bagaimanapun, ia boleh dipotong jika alat itu diarahkan untuk melakukannya secara eksplisit. Pulihkan data daripada berbilang fail atau blok kepada satu

Sumber terbuka! Di luar ZoeDepth! DepthFM: Anggaran kedalaman monokular yang cepat dan tepat! Sumber terbuka! Di luar ZoeDepth! DepthFM: Anggaran kedalaman monokular yang cepat dan tepat! Apr 03, 2024 pm 12:04 PM

0. Apakah fungsi artikel ini? Kami mencadangkan DepthFM: model anggaran kedalaman monokular generatif yang serba boleh dan pantas. Sebagai tambahan kepada tugas anggaran kedalaman tradisional, DepthFM juga menunjukkan keupayaan terkini dalam tugas hiliran seperti mengecat kedalaman. DepthFM cekap dan boleh mensintesis peta kedalaman dalam beberapa langkah inferens. Mari kita baca karya ini bersama-sama ~ 1. Tajuk maklumat kertas: DepthFM: FastMonocularDepthEstimationwithFlowMatching Pengarang: MingGui, JohannesS.Fischer, UlrichPrestel, PingchuanMa, Dmytr

Cara menggunakan fungsi penapis Excel dengan berbilang syarat Cara menggunakan fungsi penapis Excel dengan berbilang syarat Feb 26, 2024 am 10:19 AM

Jika anda perlu tahu cara menggunakan penapisan dengan berbilang kriteria dalam Excel, tutorial berikut akan membimbing anda melalui langkah-langkah untuk memastikan anda boleh menapis dan mengisih data anda dengan berkesan. Fungsi penapisan Excel sangat berkuasa dan boleh membantu anda mengekstrak maklumat yang anda perlukan daripada sejumlah besar data. Fungsi ini boleh menapis data mengikut syarat yang anda tetapkan dan memaparkan hanya bahagian yang memenuhi syarat, menjadikan pengurusan data lebih cekap. Dengan menggunakan fungsi penapis, anda boleh mencari data sasaran dengan cepat, menjimatkan masa dalam mencari dan menyusun data. Fungsi ini bukan sahaja boleh digunakan pada senarai data ringkas, tetapi juga boleh ditapis berdasarkan berbilang syarat untuk membantu anda mencari maklumat yang anda perlukan dengan lebih tepat. Secara keseluruhan, fungsi penapisan Excel adalah sangat berguna

Google gembira: prestasi JAX mengatasi Pytorch dan TensorFlow! Ia mungkin menjadi pilihan terpantas untuk latihan inferens GPU Google gembira: prestasi JAX mengatasi Pytorch dan TensorFlow! Ia mungkin menjadi pilihan terpantas untuk latihan inferens GPU Apr 01, 2024 pm 07:46 PM

Prestasi JAX, yang dipromosikan oleh Google, telah mengatasi Pytorch dan TensorFlow dalam ujian penanda aras baru-baru ini, menduduki tempat pertama dalam 7 penunjuk. Dan ujian tidak dilakukan pada TPU dengan prestasi JAX terbaik. Walaupun dalam kalangan pembangun, Pytorch masih lebih popular daripada Tensorflow. Tetapi pada masa hadapan, mungkin lebih banyak model besar akan dilatih dan dijalankan berdasarkan platform JAX. Model Baru-baru ini, pasukan Keras menanda aras tiga hujung belakang (TensorFlow, JAX, PyTorch) dengan pelaksanaan PyTorch asli dan Keras2 dengan TensorFlow. Pertama, mereka memilih satu set arus perdana

Daya hidup kecerdasan super membangkitkan! Tetapi dengan kedatangan AI yang mengemas kini sendiri, ibu tidak perlu lagi bimbang tentang kesesakan data Daya hidup kecerdasan super membangkitkan! Tetapi dengan kedatangan AI yang mengemas kini sendiri, ibu tidak perlu lagi bimbang tentang kesesakan data Apr 29, 2024 pm 06:55 PM

Saya menangis hingga mati. Dunia sedang membina model besar. Data di Internet tidak mencukupi. Model latihan kelihatan seperti "The Hunger Games", dan penyelidik AI di seluruh dunia bimbang tentang cara memberi makan data ini kepada pemakan yang rakus. Masalah ini amat ketara dalam tugas berbilang modal. Pada masa mereka mengalami kerugian, pasukan pemula dari Jabatan Universiti Renmin China menggunakan model baharu mereka sendiri untuk menjadi yang pertama di China untuk menjadikan "suapan data yang dijana model itu sendiri" menjadi kenyataan. Selain itu, ia merupakan pendekatan serampang dua mata dari segi pemahaman dan sisi penjanaan Kedua-dua pihak boleh menjana data baharu berbilang modal yang berkualiti tinggi dan memberikan maklum balas data kepada model itu sendiri. Apakah model? Awaker 1.0, model berbilang modal besar yang baru sahaja muncul di Forum Zhongguancun. Siapa pasukan itu? Enjin Sophon. Diasaskan oleh Gao Yizhao, pelajar kedoktoran di Sekolah Kecerdasan Buatan Hillhouse Universiti Renmin.

Kelajuan Internet Data Selular Perlahan pada iPhone: Pembetulan Kelajuan Internet Data Selular Perlahan pada iPhone: Pembetulan May 03, 2024 pm 09:01 PM

Menghadapi ketinggalan, sambungan data mudah alih perlahan pada iPhone? Biasanya, kekuatan internet selular pada telefon anda bergantung pada beberapa faktor seperti rantau, jenis rangkaian selular, jenis perayauan, dsb. Terdapat beberapa perkara yang boleh anda lakukan untuk mendapatkan sambungan Internet selular yang lebih pantas dan boleh dipercayai. Betulkan 1 – Paksa Mulakan Semula iPhone Kadangkala, paksa memulakan semula peranti anda hanya menetapkan semula banyak perkara, termasuk sambungan selular. Langkah 1 – Hanya tekan kekunci naikkan kelantangan sekali dan lepaskan. Seterusnya, tekan kekunci Turun Kelantangan dan lepaskannya semula. Langkah 2 - Bahagian seterusnya proses adalah untuk menahan butang di sebelah kanan. Biarkan iPhone selesai dimulakan semula. Dayakan data selular dan semak kelajuan rangkaian. Semak semula Betulkan 2 – Tukar mod data Walaupun 5G menawarkan kelajuan rangkaian yang lebih baik, ia berfungsi lebih baik apabila isyarat lemah

Tentera Udara A.S. mempamerkan jet pejuang AI pertamanya dengan profil tinggi! Menteri secara peribadi menjalankan pandu uji tanpa campur tangan semasa keseluruhan proses, dan 100,000 baris kod telah diuji selama 21 kali. Tentera Udara A.S. mempamerkan jet pejuang AI pertamanya dengan profil tinggi! Menteri secara peribadi menjalankan pandu uji tanpa campur tangan semasa keseluruhan proses, dan 100,000 baris kod telah diuji selama 21 kali. May 07, 2024 pm 05:00 PM

Baru-baru ini, bulatan tentera telah terharu dengan berita: jet pejuang tentera AS kini boleh melengkapkan pertempuran udara automatik sepenuhnya menggunakan AI. Ya, baru-baru ini, jet pejuang AI tentera AS telah didedahkan buat pertama kali, mendedahkan misterinya. Nama penuh pesawat pejuang ini ialah Variable Stability Simulator Test Aircraft (VISTA). Ia diterbangkan sendiri oleh Setiausaha Tentera Udara AS untuk mensimulasikan pertempuran udara satu lawan satu. Pada 2 Mei, Setiausaha Tentera Udara A.S. Frank Kendall berlepas menggunakan X-62AVISTA di Pangkalan Tentera Udara Edwards Ambil perhatian bahawa semasa penerbangan selama satu jam, semua tindakan penerbangan telah diselesaikan secara autonomi oleh AI! Kendall berkata - "Sejak beberapa dekad yang lalu, kami telah memikirkan tentang potensi tanpa had pertempuran udara-ke-udara autonomi, tetapi ia sentiasa kelihatan di luar jangkauan." Namun kini,

Robot pertama yang menyelesaikan tugas manusia secara autonomi muncul, dengan lima jari fleksibel dan kelajuan manusia luar biasa, dan model besar menyokong latihan angkasa maya Robot pertama yang menyelesaikan tugas manusia secara autonomi muncul, dengan lima jari fleksibel dan kelajuan manusia luar biasa, dan model besar menyokong latihan angkasa maya Mar 11, 2024 pm 12:10 PM

Minggu ini, FigureAI, sebuah syarikat robotik yang dilaburkan oleh OpenAI, Microsoft, Bezos, dan Nvidia, mengumumkan bahawa ia telah menerima hampir $700 juta dalam pembiayaan dan merancang untuk membangunkan robot humanoid yang boleh berjalan secara bebas dalam tahun hadapan. Dan Optimus Prime Tesla telah berulang kali menerima berita baik. Tiada siapa yang meragui bahawa tahun ini akan menjadi tahun apabila robot humanoid meletup. SanctuaryAI, sebuah syarikat robotik yang berpangkalan di Kanada, baru-baru ini mengeluarkan robot humanoid baharu, Phoenix. Pegawai mendakwa bahawa ia boleh menyelesaikan banyak tugas secara autonomi pada kelajuan yang sama seperti manusia. Pheonix, robot pertama di dunia yang boleh menyelesaikan tugas secara autonomi pada kelajuan manusia, boleh mencengkam, menggerakkan dan meletakkan setiap objek secara elegan di sisi kiri dan kanannya dengan perlahan. Ia boleh mengenal pasti objek secara autonomi

See all articles