关键词： 机器学习   量子物理学   科学发现   科学理解   人工智能  

摘要： 随着人工智能技术的飞速发展,机器学习已成为量子物理学领域的一个重要工具,它在量子技术中的多样化应用包括:测量数据分析、实验参数估计、硬件级量子控制策略、量子实验和量子协议的自动设计、量子纠错。在理论量子物理学中,机器学习也有重要的应用,它不仅可以帮助人们解决量子纠缠领域的疑难问题,甚至对量子力学基础研究也有一定的启示。机器学习的应用不仅提高了实验效率和精确度,还促进了新的科学发现,并对科学哲学的传统观点提出了进一步挑战。它在科学发现和科学理解中都有重要的哲学意义,可能改变科学研究的未来面貌及传统的科学观念。

关键词： 汶川震损区   滑坡   崩塌   山洪灾害   机器学习  

摘要： 崩塌、滑坡等形成的松散物质常为山洪灾害提供重要泥沙物源。汶川“5.12”地震灾区存在大量不稳定边坡与潜在的滑坡、崩塌风险区。构建崩塌、滑坡易发性评价模型对于该区域复合山洪灾害的早期防范具有重要意义。本研究从地形地质及气象水文等方面筛选出10个评价因子，应用极端梯度提升（XGBoost）与轻量级梯度提升机（LightGBM）两种先进的集成学习算法和逻辑回归、随机森林两种常见算法分别构建汶川县崩塌滑坡易发性评价模型，利用准确率、精确率、受试者工作特征曲线（ROC）下面积等定量指标对比评估各模型结果。结果表明：根据不同分类评价指标，两种集成学习模型相较于传统模型拥有更高的分类预测能力。基于分类准确率，XGBoost模型（0.903）与LightGBM模型（0.903）优于随机森林模型（0.900）与逻辑回归模型（0.864）；精确率方面，LightGBM模型（0.887）略优于XGBoost(0.882)，优于随机森林模型（0.872）与逻辑回归模型（0.802）；根据不同模型ROC曲线下面积计算结果，XGBoost(0.904)模型与LightGBM(0.904)模型具有近乎同等的分类性能，略优于随机森林模型（0.902），逻辑回归模型最差（0.869）。基于对易发性图的进一步对比分析，两种集成学习模型的易发性分区结果与逻辑回归、随机森林模型结果存在一定差异，根据对各分区崩滑点密集程度的计算，两种集成学习模型的结果较为可靠，LightGBM模型在识别和预测崩滑高易发区域方面的性能最佳。

关键词： CO   通量   机器学习模型   影响因素   模拟能力   冬小麦   夏玉米   农田  

摘要： 为探究典型冬小麦-夏玉米农田CO2通量的影响因素及不同机器学习模型对其模拟能力，选取中国生态系统研究网络禹城综合试验站冬小麦-夏玉米农田为研究对象，基于气象、土壤和作物生长等数据，通过类别型特征提升（CATBoost）、极限梯度提升（XGBoost）、支持向量机（SVM）、人工神经网络（ANN）、随机森林（RF）和K近邻法（KNN）六种机器学习算法，分析其对逐日净生态系统碳交换量（NEE）、总初级生产力（GPP）和生态系统呼吸（Re）模拟的准确性。结果表明：对不同机器学习模型而言，CATBoost模型对农田NEE、GPP和Re模拟的准确性都优于其他模型，XGBoost模型次之。对不同输入变量组合而言，当包含气象变量、土壤变量和作物变量时各机器学习模型的模拟效果最佳，其次是包含气象变量和作物变量，而包含气象变量和土壤变量的模拟效果相对较弱。对不同农田类型而言，六种机器学习模型在不同输入变量组合下表现出冬小麦田NEE、GPP和Re的模拟效果分别优于对应的夏玉米田。其中冬小麦田GPP和Re的模拟准确性相近，且优于NEE；而夏玉米田NEE和GPP的模拟准确性相近，且优于Re。

关键词： 重尾噪声   图像分类   残差网络   多分布   深度学习  

摘要： 针对残差网络(ResNet)在图像分类中容易受未知重尾噪声影响导致识别准确率下降的问题，提出一种多分布重尾噪声自适应残差网络模型(MHTNA-ResNet)。首先，为抑制重尾噪声对最终预测的影响，设计一个多分布重尾噪声自适应层(MHTNA)，该层使用多种重尾分布创建噪声模板，对干净的训练数据进行扰动，使ResNet通过训练获得对重尾噪声图像的识别能力；其次，MHTNA在训练中进行自适应训练，使用最大似然估计法求解更新的噪声模板参数，并根据求解参数重新生成噪声模板，控制噪声始终遵循重尾分布；最后，测试时屏蔽MHTNA，对测试图像进行重尾噪声攻击，从而检验模型的抗噪能力。与PRIME方法相比，面对重尾噪声的攻击，在CIFIA10、CIFIA100和MINI-ImageNet数据集上所提方法的分类准确率分别平均提升了3.94、7.09和5.46个百分点。实验结果表明所提方法可以有效地提高ResNet面对重尾噪声干扰时的鲁棒性。

关键词： 立德树人   环境创设   教育质量评估   幼儿园教育质量   操作标准   保教质量   有意义学习   自主学习  

摘要： 2022年2月,教育部颁发了《幼儿园保育教育质量评估指南》,为幼儿园教育质量评估指明了方向,也给出了具体的操作标准。该指南坚持以促进幼儿身心健康发展为导向,聚焦幼儿园保育教育过程质量。评估内容主要包括办园方向、保育与安全、教育过程、环境创设、教师队伍等,旨在引导幼儿园全面贯彻党的教育方针,落实立德树人根本任务,尊重幼儿年龄特点和发展规律,坚持保育教育结合,以游戏为基本活动,不断提高幼儿园办园水平和保教质量。与过去常提及的“主动学习”和“自主学习”相比,这一提法更加强调学习的内在价值和意义。

关键词： 局部放电   选择性标注   在线学习   模式识别  

摘要： 训练与检测样本分布不一致是深度学习方法对现场新增局部放电(partial discharge,PD)(简称“局放”)识别准确率低的主要原因,为实现局放模式识别对现场数据分布变化的持续适配、降低样本标注工作量,该文提出一种局部放电模式识别在线学习方法。首先,以局放模式识别模型各层特征为信息来源,利用推理模型区分处于训练集分布内外的新增局放样本,并分别采用软标签及人工方式对两种样本进行在线标注;其次,为平衡训练集分布内外样本的数量、提升新增样本识别准确率,采用基于梯度惩罚的条件式wasserstein距离生成对抗网络(conditional wasserstein generative adversarial network with gradient penalty,CWGAN-GP)扩充两类局放样本,并以联合训练的方式更新局放模式识别模型。利用实验及现场采样得到的局放样本对所提方法进行验证,结果表明,所提方法标注工作量降低66.68%,在线学习结束后,新增样本集与训练集分布相同时识别准确率可提升4.61%,分布不同时识别准确率最低提升22.27%。

关键词： 太空态势感知(SSA)   GEO卫星   机动识别   长短记忆神经网络(LSTM)   自适应学习  

摘要： 针对地球同步轨道(GEO)卫星未来机动状态识别问题,提出了一种“经度预测+机动识别”的自适应深度学习方法。首先,构建自动优化时空因果注意力深度学习框架(AOSTCADL),引入长短记忆神经网络(LSTM)、卷积模块、传递熵和注意力机制,并采用智能算法优化网络参数,以提高经度预测的精度。其次,基于经度预测结果,提出非参数化阈值动态更新方法,引入滚动时域策略提高机动识别F1分数。针对3个典型GEO卫星的仿真结果表明:与当前流行的两类CNN-LSTM模型相比,所提方法经度预测最小平均误差、均方根误差平均降低一个数量级,机动识别平均准确率达97.52%,F1分数达77.09%。

关键词： 批判性思维   语言结构   理解   自我反思   深度学习  

摘要： 高中英语循环进阶阅读是深度学习的体现,旨在通过知识积累和自我反思,提高我们的理解、表达和批判性思维能力。这种方法引导我们从浅层理解深入到语言结构、文化背景和思想内涵的探索,促进思维融合和创新表达。我们在阅读中不仅解读语言,还要吸收思维模式和文化视角,培养逻辑严密且具创造性的表达方式。

关键词： 自监督学习   图像分割   表征学习   医学影像分析   深度学习   卷积神经网络  

摘要： 目的提出一种双任务自监督学习方法,该方法利用未经标注的医学影像数据提取通用视觉表征,以提升深度学习模型在颅脑CT扫描影像中(包括脑出血、鼻咽癌及常规检查影像)对脑组织的精准分割能力。方法结合图像补全与分类作为辅助手段,在70%图像信息被遮蔽的条件下,通过任务间轻量级的特征融合机制来优化预训练的输出表示。为评估该方法的有效性,研究采用平均Dice系数(mDice)和Hausdorff Distance 95%(HD95)作为评价指标,在经过本文自监督方法的预训练过程后,评估下游脑组织分割模型的性能表现。结果实验结果表明,本文方法有效提升了不同深度学习模型在分割任务中的性能。在单独监督学习环境下,ConvNeXt-V2-Base的mDice结果值最高,为0.8812,而本文分割方法在HD95指标方面表现最优,为7.95。与MAE方法相比,引入本文的自监督预训练策略后,本文分割方法表现出同比最佳的mDice(0.9589)和HD95(7.10)结果,且DenseNet121_Backbone的分割性能得到了显著提升,mDice指标上升至0.9512。结论本文的自监督预训练方法和编码器结构在CT医学影像数据中具备一定的表征学习优势,能够有效地提升下游脑组织分割任务的模型性能。

关键词： 人工智能   预测模型   TRIPOD+AI   报告规范  

摘要： 随着人工智能(AI)和机器学习方法在预测模型开发中的广泛应用,个体预后或诊断的多变量预测模型的透明报告(TRIPOD)2015指南已无法全面适应当下研究需求。本文旨在介绍和解析新版报告规范基于回归或机器学习方法的TRIPOD(TRIPOD+AI),通过详尽剖析27项清单条目,帮助研究者在比较TRIPOD 2015与TRIPOD+AI的基础上,更好地理解和应用这一更新的指南,以提高预测模型研究的报告质量、透明性和可重复性。