关键词： 机器学习   气溶胶光学厚度   FY-4A/AGRI数据   AERONET   MODIS AOD产品  

摘要： 我国新一代静止气象卫星FY-4A搭载了先进静止轨道辐射成像仪(advanced geostationary radiation imager,AGRI),为了针对AGRI数据的特点开发基于机器学习算法的高时空分辨率AGRI气溶胶数据集,利用2021年中国及周边地区67个全球地基气溶胶自动观测网络系统(aerosol robotic network,AERONET)站点数据,选取AGRI数据中表观反射率数据、观测角度数据、高程和MODIS的地表反射率等因子,采用随机森林(random forest,RF)、梯度增强回归(gradient boosting regression tree,GBRT)、极端梯度增强(extrme gradient boosting,XGBoost)和反向传播神经网络(back propagation neural network,BPNN)4种机器学习方法反演气溶胶光学厚度(aerosol optical depth,AOD)。根据模型评价指标选择最优模型,实现基于FY-4A的AOD反演,空间分辨率4 km,并与时刻相近的MODIS气溶胶产品进行对比分析。结果表明:4种机器学习建立的AOD反演模型相关系数R均在0.90以上,平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)均在0.09和0.14以下,机器学习模型对AOD反演具有一定的可行性;GBRT模型在4种机器学习中反演精度最优,验证误差中R为0.82,MAE为0.16,RMSE为0.25,47%的反演结果落在期望误差内,表明GBRT反演出的FY-4A AOD与站点观测值基本一致;将GBRT模型反演的AOD结果与MODIS气溶胶产品进行对比验证,发现FY-4A AOD反演结果与MODIS AOD在空间分布上具有较好的一致性,83.57%的网格偏差集中在[-1.0,0)之间,FY-4A AOD反演值相对MODIS AOD略高。

关键词： 内经选读课程   《黄帝内经》   人工智能   知识图谱  

摘要： 为顺应国家战略层面的高等教育数字化改革趋势,基于人工智能和知识图谱开展内经选读课程教学改革。内经选读教学过程中存在“课程知识点零散,知识体系有待整合”“教学活动简单,教学模式有待改进”“教学反馈不足,教学评价方式有待完善”三大问题。对此,立足“以学生为中心”教学理念,依托原有教学成果,借助智慧教学辅助平台,编制网络化、非线性、立体式课程知识图谱,构建中医经典知识体系;开展智能化、参与式、个体化课堂教学,改进混合式教学模式;建立即时性、精准化的教学评估与反馈机制,完善传统教学评价方法,从而打破传统教学模式的限制,提升教学质量及人才培养效率,促进传统医学课程教学尤其是中医经典课程教学向智能化、个性化方向转型发展。

关键词： 教育信息化   教研模式   价值重塑   人工智能   大数据   范式转变   数据化   改进与发展  

摘要： 在教育信息化与数据化交织的今日,教育领域正经历着一场深刻的范式转变。传统的教研模式虽有其历史积淀与实践价值,但在面对大数据、人工智能等现代技术的冲击时,已迫切需要改进与发展。数智循证教研作为一种新兴的教学研究范式,正以其独特的哲学意蕴和实践价值,引领着教育新时代潮流。

关键词： 人工智能   机器人   商业化应用   智能发展   World   科技浪潮   首席执行官   NVIDIA  

摘要： 当前,全球主要经济体、企业和研究机构均高度重视具身智能发展,不断加大对相关技术领域的研究和对商业化应用前景的探索。2023年5月,在ITF World 2023半导体大会上,英伟达(NVIDIA)创始人兼首席执行官黄仁勋在演讲中预测下一个科技浪潮时,提到了一种新型人工智能——“具身智能”。

关键词： 风清气正   合理边界   人工智能   学术不端行为   论文撰写   伦理规范   学术研究   生成式  

摘要： 为了保障学术研究的原创性、高质量,维护学术研究伦理规范,防止本刊作者在论文撰写过程中滥用生成式人工智能工具导致学术不端行为,产生不良影响,本刊编辑部特起草此说明,旨在明确本刊作者在论文撰写过程中生成式人工智能工具使用的合理边界,让我们一起维护风清气正的学术生态环境。

关键词： 数字化转型   图书馆服务   数据治理   信息安全   服务集成   数据管理   人工智能   参考方向  

摘要： 现研究了人工智能生成内容(AIGC)技术在图书馆服务中的应用,强调了其在提高效率、个性化推荐和优化用户体验方面的积极作用,揭示了AIGC技术的潜在影响力。同时,指出了在数智时代,图书馆利用AIGC技术在数据管理、知识产权保护和法规遵循方面的挑战,提出了加强数据治理、信息安全和法律保护的策略,为图书馆在数字化转型中的决策提供了洞见,并为未来AIGC技术在图书馆服务集成中的进一步应用提供了参考方向。

关键词： 自动调度   TVM编译器   搜索速度优化   机器学习   强化学习   深度学习模型  

摘要： 随着人工智能的迅猛发展,新型算子与硬件不断涌现,算子库的开发和维护面临着巨大的挑战,仅仅依靠手工优化已无法满足AI模型性能提升的需求。Ansor是一种基于TVM的算子自动调度技术,可以针对不同的后端搜索深度学习模型或算子的最佳调度方案,生成高性能代码而无需用户手动定义模板,但其巨大的搜索空间造成了搜索效率低下的问题。因此,提出了两种优化方案:1)基于强化学习的算法实现最佳性能草图的选择;2)基于机器学习模型的突变规则预测。两种优化方案旨在缩短最佳调度方案的搜索时间,快速生成高性能的算子。为评估优化方案的有效性,对Resnet-50等3种模型和conv2d等3种算子进行测试与评估。结果显示,优化后的Ansor只用70%~75%的搜索时间就可以生成性能与之前相同甚至更优的目标程序,并且在最佳迭代次数下,目标程序的推理速度最高可提升5%。

关键词： 人工智能   计算机科学   知识融合   可解释性   模型架构   特定应用   多模态   语言模型  

摘要： 近年来,随着人工智能技术的飞速发展,多模态大模型通过整合文本、图像、音频、视频等多种模态数据,在跨模态理解、生成与推理任务中展现出前所未有的潜力。包括GPT-4o、Gemini、DeepSeekJanus-Pro在内的一系列多模态大模型先后出现,多模态大语言模型(multimodal large language models,MLLMs)方法与技术不仅在视觉内容理解、跨模态检索、文本到图像与视频生成等场景中展现出强大能力,也为人工智能在医疗、教育、工业制造、数字媒体等领域的创新应用提供了突破性工具。然而,多模态大模型的构建与应用仍面临诸多挑战:如何有效融合异构模态数据,实现跨模态语义对齐与知识迁移?如何提升模型对复杂场景的泛化能力与可解释性?如何降低多模态大模型的训练与推理成本,并保障其安全性与伦理合规性?如何在不同垂直领域适配优化多模态大模型,以解决领域特定应用问题?这些问题亟需学术界与工业界共同探索创新解决方案。为深入探讨多模态大模型的前沿理论与技术突破,推动其在各领域的创新应用,《计算机科学与探索》特设“多模态大模型:理论、技术与应用”专题。本专题旨在汇聚多模态学习、大模型架构设计、跨模态知识融合等领域的优秀研究成果,为构建高效、可靠、可扩展的多模态大模型提供理论支持与实践指导,助力人工智能向更通用、更智能的方向发展。欢迎学术界与工业界同仁踊跃投稿,共同推动多模态大模型的理论、技术创新与产业应用落地!

关键词： 冠心病   冠状动脉周围脂肪   主要心血管不良事件   影像组学   机器学习  

摘要： 目的探讨基于人工智能的冠状动脉周围脂肪影像组学及衰减指数(FAI)构建可解释性机器学习模型预测冠心病患者主要心血管不良事件(MACE)发生的应用价值。方法回顾性搜集2021年1月至2023年9月于华北理工大学附属医院同时行冠状动脉CT血管造影(CCTA)检查及侵入性冠状动脉造影术(ICA)检查的冠心病患者186例,经纳排标准筛选后最终纳入150例,根据MACE发生情况,分为MACE阳性组(n=66)和MACE阴性组(n=84)。按照8∶2比例随机划分为训练集和测试集,依次采用Mann-Whitney U检验及最小绝对收缩与选择算子(LASSO)算法筛选影像组学特征。由极端梯度提升(XGBoost)及随机森林(RF)机器学习算法构建预测冠心病患者MACE发生的模型(共4种,临床独立预测因素构建的XGBoost模型及RF模型;临床独立预测因素-影像组学评分联合数据构建的XGBoost模型及RF模型),绘制受试者工作特征(ROC)曲线并计算曲线下面积(AUC),评价各模型预测冠心病患者发生MACE的效能;以DeLong检验比较各模型间效能的差异。以校准曲线评价四种模型的拟合度。以决策曲线分析评价四种模型的临床应用价值。结果责任血管FAI、CT_FFR及冠状动脉狭窄程度为冠心病患者发生MACE的独立预测因素(P<0.05);相较于独立预测因素数据,联合冠状动脉周围脂肪影像组学评分后进一步提高了模型的预测效能。训练集中,由独立预测因素数据及临床独立预测因素-影像组学评分联合数据构建的XGBoost模型AUC值分别为0.94和0.98;准确率分别为0.84和0.93。其RF模型AUC值分别为0.93和0.99;准确率分别为0.87和0.94。测试集中,由独立预测因素数据及临床独立预测因素-影像组学评分联合数据构建的XGBoost模型AUC值分别为0.64和0.91;准确率分别为0.53和0.76。其RF模型AUC值分别为0.74和0.94;准确率分别为0.69和0.84。在测试集中,由临床独立预测因素-影像组学评分联合数据构建的RF模型的AUC值、准确率、灵敏度、特异度、阳性预测值(PPV)和阴性预测值(NPV)均最高。经DeLong检验,在训练集与测试集中,由临床独立预测因素-影像组学评分联合数据构建的模型的诊断效能均优于临床独立预测因素数据构建的模型(P均<0.05)。在基于同一数据的情况下,训练集和测试集的校准曲线表明,RF分类器较XGBoost分类器拟合度高。测试集临床决策曲线显示,采用RF模型预测冠心病患者MACE发生的净受益最高且风险阈值范围更大。结论基于人工智能的冠状动脉周围脂肪影像组学及FAI构建可解释性机器学习模型可以较为准确地预测冠心病患者MACE的发生;利用RF算法获得的结合临床独立预测因素及PCAT影像组学评分模型具有最佳的预测效能。

关键词： 植被变化归因   区域建模   机器学习算法   残差趋势法   空间异质性  

摘要： 现有的残差趋势法采用逐像元建模策略,利用普通最小二乘法构建模型,存在着一定的局限性:一方面,逐像元建模策略使每个模型都包含了局部空间内的人类活动信号干扰;另一方面,普通最小二乘法不利于模拟普遍存在的非线性特征。因此,该文提出一种全新的基于区域建模策略和机器学习算法的残差趋势法,并对比了用于表达空间异质性的2种环境变量:①地形、水文和土地利用等直接环境变量(direct-environmental variables,DEVs);②植被和气候时空序列组合的代理环境变量(proxy-environmental variables,PEVs)。首先,采用区域建模策略,分别引入DEVs和PEVs,使用机器学习算法构建植被-气候关系模型;其次,根据残差趋势法的定义得到残差值;最后,评估气候和人为因素对植被变化的贡献。结果表明:①相比以往的逐像元普通最小二乘残差趋势法,所提方法的优势不仅表现为机器学习能够模拟植被-气候关系的非线性特征,还表现为区域建模具备更强的抗人类信号干扰能力;②新方法中,使用PEVs明显优于使用DEVs,前者充分利用了原有建模数据,没有增加数据获取难度,也避免了引入额外的数据误差。该文提出的区域机器学习残差趋势法可以实现更有效的植被变化归因。