我们提出了 Air-DualODE,一种全新的知识数据双驱动模型,该模型为包括物理方程和数据驱动的双分支动态系统。 图2:Air-DualODE架构图,由物理动态系统,数据驱动动态系统和动态系统表征融合,三个部分组成 物理动态系统:为了保持与神经网络隐式表征的一致性,...
求解过程如下，其中 利用物理知识对污染物传输的时空依赖关系进行编码，这是数据驱动模型无法完全捕捉到的。这弥补了数据驱动方法的局限性，并增强了模型的可解释性。数据驱动动力学 数据驱动动力学旨在对超出 BA-DAE 限制的动力系统进行建模。例如，BA-DAE 无法充分描述历史数据模式中的时空相关性，而数据驱动的动力学...
他介绍，通常的人工智能是以数据驱动的，通俗来讲，就是从海量的数据中去获取信息和知识来解决问题。这存在的问题是，它是以数学、统计学的方式处理数据，与人类的知识逻辑不一定相符的，结果就可能存在一些偏差。“对此，我们就是要打破数据驱动这种单一方式，融合利用人的知识逻辑来驱动人工智能系统的构建，让人工智...
一种名为KPI的知识-数据双驱动分子性质预测框架已被开发出来,用于预测电解质分子的熔点(MPs)、沸点(BPs)和闪点(FPs),发现电解质化学知识,并辅助高级电解质设计。KPI框架收集分子性质,进行初步筛选,并将其组织成结构化的数据集。通过统计描述和聚类分析,KPI框架初步提取宏观知识,并同时描绘潜在分子发现的可行区域。可...
在所有变体中,KG-MTL-S与KG-MTL相比,性能差距显著,这表明Shared Unit模块在帮助模型同时从分子图和知识图谱中提取的药物特征方面贡献最大,从而提高了预测性能。此外,所提出的KG-MTL方法在所有数据集中均优于KG-MTL-L和KG-MTL-C,证明了完整设置的Shared Unit模块有利于提高预测性能。
本研究以成矿系统作为指导框架,设计了数据-知识双驱动矿产预测人工智能模型。在这一框架下,在预测数据选择环节,基于成矿系统不同过程的替代指标特征,汇编多源地球科学数据,提升地球科学数据选择的科学性和合理性;在替代指标提取环节,基于...
为了应对这些挑战,四川大学的研究团队提出了一种由数据和化学知识双驱动的基于结构的分子生成框架,名为 PocketFlow。 在PocketFlow 中,研究人员提出了一种基于最优向量的等变图神经网络、一种几何双瓶颈感知器(GDBP)来对蛋白质-配体复合物的几何结构进行建模。
在演讲中,黄代恒分享了明略科技“数据与知识双驱动”的数字城市建设经验,核心观点如下:数字城市建设需要“数据”和“知识”的双轮驱动;数据融合共享的目的是支撑智能应用,需要场景的牵引;“数据在线”是“知识应用”的必要不充分条件;“知识” 的特点是形式多样,难感知、难提取、难固化;数字城市建设的重心和难点由汇聚...
人工智能的方法绝大多数基于纯数据驱动，也就是基于“连接主义”所形成的数据驱动的计算的模型及理论。实际上，知识嵌入学习是把基于符号计算的“符号主义”方法和基于数据计算的“连接主义”方法融合，形成了知识嵌入学习。此外，该研究还讨论了一种方法，可从数据中提取目标控制方程或物理定律，进而实现新知识与新定律...
知识数据双驱动2.0 知识数据双驱动内容 基于轴承的故障机理以及故障信息的非均匀稀疏特性,提出一种新的以知识数据双驱动的诊断方法.首先,建立耦合故障的仿真模型,以描述高速轴承群故障的故障特征;其次,收集多方专家知识,建立先验知识库,以对故障信息作初步诊断;提出一种自适应调节系统参数的随机共振微弱信号提取方法 ,...