WikiEdge:ArXiv速递/2025-05-30：修订间差异
Created page by Carole |
Updated page by Carole |
||
| 第7行： | 第7行： | ||
*'''原文链接'''：http://arxiv.org/abs/2505.24463v1 | *'''原文链接'''：http://arxiv.org/abs/2505.24463v1 | ||
'''中文摘要'''：准确预测[[气候变化]]下的[[风能]]潜力对长期[[能源规划]]至关重要。尽管先前研究强调了多[[模型集合]]的价值，但往往未能充分捕捉与[[风资源]]可靠性相关的不确定性全谱和时态动态。本文通过整合[[EURO-CORDEX]]倡议的21种高分辨率[[RCM]]-[[GCM]]组合大集合，对[[RCP8.5]]情景下[[欧洲]]未来风能条件进行了迄今最全面的评估。突破均值分析框架，我们引入基于事件的新方法，利用[[ERA5]]衍生的百分位阈值分析持续高低风事件——捕捉影响[[风机]]性能与[[电网]]稳定性的关键运行条件。为确保统计严谨性，采用[[IPCC AR6]]的"C方法"进行稳健性评估，区分[[气候信号]]与[[内部变率]]并量化模型一致性。关键发现表明：基于有限子集合的预测可能导致矛盾或误导性结论，这凸显了集合多样性的核心作用。空间粒度、时间细节与形式化[[不确定性量化]]的结合，使本研究成为气候导向型风能研究的重大进展，并为弹性[[能源系统]]设计提供了重要工具。 | '''中文摘要'''：准确预测[[气候变化]]下的[[风能]]潜力对长期[[能源规划]]至关重要。尽管先前研究强调了多[[模型集合]]的价值，但往往未能充分捕捉与[[风资源]]可靠性相关的不确定性全谱和时态动态。本文通过整合[[EURO-CORDEX]]倡议的21种高分辨率[[RCM]]-[[GCM]]组合大集合，对[[RCP8.5]]情景下[[欧洲]]未来风能条件进行了迄今最全面的评估。突破均值分析框架，我们引入基于事件的新方法，利用[[ERA5]]衍生的百分位阈值分析持续高低风事件——捕捉影响[[风机]]性能与[[电网]]稳定性的关键运行条件。为确保统计严谨性，采用[[IPCC AR6]]的"C方法"进行稳健性评估，区分[[气候信号]]与[[内部变率]]并量化模型一致性。关键发现表明：基于有限子集合的预测可能导致矛盾或误导性结论，这凸显了集合多样性的核心作用。空间粒度、时间细节与形式化[[不确定性量化]]的结合，使本研究成为气候导向型风能研究的重大进展，并为弹性[[能源系统]]设计提供了重要工具。 | ||
== 摘要 == | |||
* '''原文标题'''：AutoChemSchematic AI: A Closed-Loop, Physics-Aware Agentic Framework for Auto-Generating Chemical Process and Instrumentation Diagrams | |||
* '''中文标题'''：AutoChemSchematic AI：闭环物理感知智能体框架，用于自动生成化工工艺与仪表流程图 | |||
* '''发布日期'''：2025-05-30 13:32:00+00:00 | |||
* '''作者'''：Sakhinana Sagar Srinivas, Shivam Gupta, Venkataramana Runkana | |||
* '''分类'''：cs.LG, cs.AI, cs.IR | |||
*'''原文链接'''：http://arxiv.org/abs/2505.24584v1 | |||
'''中文摘要'''：摘要：尽管[[生成式AI]]的最新进展加速了新型[[化学品]]和[[材料]]的发现，但将这些发现转化为[[工业规模]]生产仍存在关键瓶颈，因为这需要开发全新的[[化学制造]]流程。当前[[AI]]方法无法自动生成[[工艺流程图]]([[PFD]])和[[管道仪表图]]([[PID]])——尽管这些图表对[[化学工艺]]放大至关重要——同时还需遵守[[工程约束]]。我们提出一个闭环、物理感知的框架，用于自动生成工业可行的[[PFD]]和[[PID]]。该框架将面向[[化学工艺]][[QA]]任务训练的[[专业化]][[小型语言模型]]([[SLM]])与[[第一性原理]][[模拟]]相结合，包含三大核心组件：(1)涵盖1,020+种[[化学品]]的[[工艺流]]与[[仪表]]描述的[[分层]][[知识图谱]]；(2)通过[[监督微调]]([[SFT]])、[[直接偏好优化]]([[DPO]])和[[检索增强]][[指令调优]]([[RAIT]])在[[合成数据集]]上微调专业[[SLM]]的[[多阶段]][[训练流程]]；(3)基于[[DWSIM]][[模拟器]]的[[闭环验证]]以确保[[可行性]]。为提升[[运行效率]]与[[模型]][[紧凑性]]，框架整合了[[FlashAttention]]、[[前瞻解码]]、带[[KV缓存]][[量化]]的[[分页注意力]]等高级[[推理]][[优化技术]]，并采用[[启发式]][[重要性]][[指导]]的[[结构化剪枝]]([[宽度]]与[[深度]])以最小[[精度]][[损失]][[压缩]][[模型]]。实验表明，该框架能高保真生成[[模拟器]]验证的[[工艺描述]]，在[[正确性]]上超越[[基线方法]]，并能[[泛化]]至未见[[化学品]]。通过连接[[AI]][[驱动]][[设计]]与[[工业级]][[可行性]]，本工作显著缩短了从[[实验室]][[发现]]到[[工厂]][[部署]]的[[研发周期]]。 | |||
2025年6月2日 (一) 18:18的版本
摘要
- 原文标题：Assessing Future Wind Energy Potential under Climate Change: The Critical Role of Multi-Model Ensembles in Robustness Assessment
- 中文标题：评估气候变化下的未来风能潜力：多模型集成在稳健性评估中的关键作用
- 发布日期：2025-05-30 11:07:18+00:00
- 作者：Andrea Lira-Loarca, Francesco Ferrari, Andrea Mazzino
- 分类：physics.ao-ph
- 原文链接：http://arxiv.org/abs/2505.24463v1
中文摘要：准确预测气候变化下的风能潜力对长期能源规划至关重要。尽管先前研究强调了多模型集合的价值，但往往未能充分捕捉与风资源可靠性相关的不确定性全谱和时态动态。本文通过整合EURO-CORDEX倡议的21种高分辨率RCM-GCM组合大集合，对RCP8.5情景下欧洲未来风能条件进行了迄今最全面的评估。突破均值分析框架，我们引入基于事件的新方法，利用ERA5衍生的百分位阈值分析持续高低风事件——捕捉影响风机性能与电网稳定性的关键运行条件。为确保统计严谨性，采用IPCC AR6的"C方法"进行稳健性评估，区分气候信号与内部变率并量化模型一致性。关键发现表明：基于有限子集合的预测可能导致矛盾或误导性结论，这凸显了集合多样性的核心作用。空间粒度、时间细节与形式化不确定性量化的结合，使本研究成为气候导向型风能研究的重大进展，并为弹性能源系统设计提供了重要工具。
摘要
- 原文标题：AutoChemSchematic AI: A Closed-Loop, Physics-Aware Agentic Framework for Auto-Generating Chemical Process and Instrumentation Diagrams
- 中文标题：AutoChemSchematic AI：闭环物理感知智能体框架，用于自动生成化工工艺与仪表流程图
- 发布日期：2025-05-30 13:32:00+00:00
- 作者：Sakhinana Sagar Srinivas, Shivam Gupta, Venkataramana Runkana
- 分类：cs.LG, cs.AI, cs.IR
- 原文链接：http://arxiv.org/abs/2505.24584v1
中文摘要：摘要：尽管生成式AI的最新进展加速了新型化学品和材料的发现，但将这些发现转化为工业规模生产仍存在关键瓶颈，因为这需要开发全新的化学制造流程。当前AI方法无法自动生成工艺流程图(PFD)和管道仪表图(PID)——尽管这些图表对化学工艺放大至关重要——同时还需遵守工程约束。我们提出一个闭环、物理感知的框架，用于自动生成工业可行的PFD和PID。该框架将面向化学工艺QA任务训练的专业化小型语言模型(SLM)与第一性原理模拟相结合，包含三大核心组件：(1)涵盖1,020+种化学品的工艺流与仪表描述的分层知识图谱；(2)通过监督微调(SFT)、直接偏好优化(DPO)和检索增强指令调优(RAIT)在合成数据集上微调专业SLM的多阶段训练流程；(3)基于DWSIM模拟器的闭环验证以确保可行性。为提升运行效率与模型紧凑性，框架整合了FlashAttention、前瞻解码、带KV缓存量化的分页注意力等高级推理优化技术，并采用启发式重要性指导的结构化剪枝(宽度与深度)以最小精度损失压缩模型。实验表明，该框架能高保真生成模拟器验证的工艺描述，在正确性上超越基线方法，并能泛化至未见化学品。通过连接AI驱动设计与工业级可行性，本工作显著缩短了从实验室发现到工厂部署的研发周期。