bóng đá tỷ lệ cá cược hình dạng tích chập trắc địa: bóng đá tỷ lệ cá cược nhanh các hình dạng phức tạp

Ví dụ ban đầu về bóng đá tỷ lệ cá cược hình dạng tích chập trắc địa

bóng đá tỷ lệ cá cược hình dạng có nghĩa là gì?Sơ đồ bên dưới là một ví dụ đơn giản về bóng đá tỷ lệ cá cược khí động học bóng đá tỷ lệ cá cược hình dạng tích chập trắc địa có nghĩa là thay đổi hình dạng của một hình nhất định bằng thuật toán không được lập trình rõ ràng Đúng hơn là sử dụng các kỹ thuật học sâu,Thuật toán là mục tiêu nhất định(Ví dụ: Giảm thiểu sức cản không khí),Nhận được từ kết quả học tập dựa trên dữ liệu thử nghiệm và dữ liệu CFD, không phải từ phần mềm bên ngoàiXác minh bằng mô phỏngMặc dù hình dạng đơn giản nhưng ví dụ này minh họa hoàn hảo quá trình dữ liệu huấn luyện và kiểm tra từ bộ dữ liệu động lực học chất lỏng tính toán hiện có tạo ra hình dạng thuôn lý tưởng từ bề mặt hình cầu mà không cần sự can thiệp của con người

Các nhà nghiên cứu từ EPFL (Lausanne, Thụy Sĩ) và Neural Concept đã đề xuất một loại mạng lưới thần kinh tích chập sâu mới có thể tính toán hiệu quả các tích chập trên bề mặt trắc địa được mô tả bằng lưới
Phòng thí nghiệm Thị giác Máy tính tại EPFL (Lausanne, Thụy Sĩ) và Neural Concept đã tích cực nghiên cứu trong lĩnh vực ứng dụng bóng đá tỷ lệ cá cược hình dạng tích chập trắc địa ngay từ những giai đoạn đầu Kết quả tiêu biểu của công việc này là bài thuyết trình tại Hội nghị Học máy Quốc tế lần thứ 35 được tổ chức tại Stockholm từ ngày 10 đến ngày 15 tháng 7 năm 2018

Đây là một ví dụ rất sớm về việc áp dụng phương pháp học sâu để bóng đá tỷ lệ cá cược hình dạng khí động học Nó hầu như không được các kỹ sư nói chung biết đến cho đến năm 2012 và các ứng dụng ban đầu chỉ giới hạn ở các ứng dụng "Euclide" tương đối đơn giản như nhận dạng hình ảnh 2D và nhận dạng văn bản/giọng nói
Họ đã đào tạo mạng lưới thần kinh tích chập trắc địa (GCNN) để dự đoán các chỉ số hiệu suất khí động học quan tâm (ví dụ: CX, lực kéo, lực nâng) Sau đó, chúng tôi đã sử dụng mô hình dự đoán GCNN này làm mô hình thay thế hộp đen khả vi để ánh xạ thiết kế hình dạng tới hàm mục tiêu Bằng cách sử dụng công nghệ thị giác máy tính và bóng đá tỷ lệ cá cược đầu vào hình dạng cho mô hình thay thế này bằng phương pháp dựa trên độ dốc, chúng tôi đã đề xuất một phương pháp bóng đá tỷ lệ cá cược mới không phụ thuộc vào tham số và có thể xem xét linh hoạt các ràng buộc hình dạng bổ sung
Xác thực thử nghiệm trong các vấn đề bóng đá tỷ lệ cá cược hình dạng khí động học 2D và 3D cho thấy rằng có thể thực hiện bóng đá tỷ lệ cá cược trong không gian tham số lớn nơi các phương pháp truyền thống không thành công

So sánh chu trình thiết kế sản phẩm truyền thống và dựa trên AI

Đầu tiên, chúng tôi sẽ giới thiệu các phương pháp điển hình trong chu trình thiết kế sản phẩm truyền thống Sau đó, chúng tôi so sánh các phương pháp này với quy trình làm việc được đề xuất để bóng đá tỷ lệ cá cược hình dạng bằng kỹ thuật thị giác máy tính

Chu trình thiết kế sản phẩm truyền thống

Chu trình thiết kế sản phẩm truyền thống là một quy trình lặp đi lặp lại để phát triển sản phẩm từ ý tưởng đến sản phẩm cuối cùng Quá trình này bao gồm ba giai đoạn: thiết kế ban đầu (1), mô phỏng (2) để xác minh hành vi của hình dạng từ góc độ kỹ thuật nhằm đảm bảo nó đáp ứng các yêu cầu chức năng và thiết kế lại lặp đi lặp lại (3) cho đến khi đáp ứng các yêu cầu chức năng Ba giai đoạn được giải thích chi tiết dưới đây

Giai đoạn 1: Thiết kế hình dạng

Đây là giai đoạn đầu của chu trình thiết kế sản phẩm, trong đó nhà thiết kế sản phẩm tạo ra thiết kế mang tính khái niệm cho sản phẩm Trực quan hóa sản phẩm của bạn bằng nhiều công cụ khác nhau, bao gồm phần mềm phác thảo, phần mềm thiết kế có sự hỗ trợ của máy tính (CAD) và các công cụ tạo mô hình 3D Ngoài ra, CAS (Tạo kiểu có sự hỗ trợ của máy tính hoặc Thiết kế công nghiệp có sự hỗ trợ của máy tính), một phương pháp tương tự như thị giác máy tính, được sử dụng sớm trong giai đoạn lên ý tưởng

Chu trình thiết kế dựa trên hàm mục tiêu và học sâu: Quy trình bóng đá tỷ lệ cá cược hình dạng

Hàm mục tiêu và chu trình thiết kế dựa trên học sâu là một cách tiếp cận mới để thiết kế sản phẩm tận dụng các kỹ thuật bóng đá tỷ lệ cá cược nâng cao và thuật toán học máy Quy trình bóng đá tỷ lệ cá cược làKết hợp phương pháp thiết kế truyền thống với công nghệ tiên tiếnlà một quá trìnhTạo các sản phẩm có tính ứng dụng và bóng đá tỷ lệ cá cược caoBước đầu tiên trong quy trình làHàm mục tiêu (OF)

Hàm mục tiêu (OF)

OF là công thức thể hiện một cách toán học mục tiêu thiết kế của sản phẩm Nói chung, mục đích là đạt được giá trị tối đa hoặc tối thiểu của một hoặc nhiều biến 'x' Ngoài ra, việc giữ giá trị của biến x ở một mức X nhất định có nghĩa là giảm thiểu sự khác biệt giữa x và X Ví dụ, OF của thiết kế ô tô có thể bao gồm tối đa hóa hiệu quả sử dụng nhiên liệu trong khi giảm thiểu trọng lượng
Hàm mục tiêu là nền tảng của quá trình thiết kếHướng dẫn quy trình bóng đá tỷ lệ cá cược Sau khi xác định được OF, bước tiếp theo là bóng đá tỷ lệ cá cược hình dạng sản phẩm bằng thuật toán học sâu

Giới thiệu phương pháp học sâu trong quy trình

Các thuật toán học sâu (ví dụ: mạng nơ-ron tích chập và học có giám sát) được điều chỉnh từ các phương pháp thị giác máy tính Các thuật toán này phân tích và bóng đá tỷ lệ cá cược hình dạng sản phẩm dựa trên OF Các thuật toán này có thể nhanh chóng đánh giá hàng triệu phương án thiết kế khác nhau và xác định hình dạng tối ưu cho sản phẩm của bạn

Kết hợp mô phỏng vào quy trình

Quy trình bóng đá tỷ lệ cá cược cũng bao gồm một bước để mô phỏng hình dạng được bóng đá tỷ lệ cá cược và đánh giá hiệu suất của nó Bước này rất cần thiết để đảm bảo sản phẩm đáp ứng mọi yêu cầu thiết kế và thông số kỹ thuật Bước mô phỏng cũng giúp xác định các vấn đề thiết kế tiềm ẩn và thực hiện các điều chỉnh cần thiết

Nơi diễn ra thiết kế: Shape space (không gian thiết kế)

Tất cả các thao tác được mô tả trong bài viết này sẽ được thực hiện ở đâu? Đây là một lĩnh vực rất quan trọng trong các quy trình công nghiệp ở thượng nguồn sản xuất và phân phối Đầu tiên, chúng tôi sẽ mô tả một kịch bản trước sự ra đời của các công nghệ tiên tiến như AI và mạng nơ-ron tích chập

Lời hứa của Công nghiệp 40 là các vật thể vật lý (sản phẩm và máy móc tạo ra chúng) sẽ có một bản sao vật lý được thể hiện bằng kỹ thuật số Làm cách nào để đảm bảo rằng sản phẩm hoặc máy móc đáp ứng các yêu cầu (mục tiêu và ràng buộc)? Ví dụ, hiệu quả, mạnh mẽ, bền bỉ và bền vững Bộ phận thiết kế sản phẩm của nhà sản xuất sử dụng các công cụ kỹ thuật số như CAD (để tạo mô hình hình dạng) và CAE (để kiểm tra trạng thái hình dạng) để tìm ra giải pháp tối ưu hoặc tương đối tốt nhất Các nhà thiết kế di chuyển trong một "không gian thiết kế" để khám phá các biến thể thiết kế có thể được tạo ra từ các mục tiêu và ràng buộc nhất định

Không gian thiết kế là một khái niệm toán học đề cập đến tập hợp tất cả các thiết kế có thể được tạo ra từ một tập hợp các tham số thiết kế nhất định
Ví dụ: trong bóng đá tỷ lệ cá cược hình dạng cánh trong khí động học, không gian thiết kế được xác định là tập hợp tất cả các hình dạng cánh có thể được tạo từ các tham số thiết kế như sải cánh, độ dài dây cung và hình dạng cánh máy bay Các kỹ sư sử dụng mô phỏng động lực học chất lỏng tính toán (CFD) để khám phá không gian hình dạng và xác định hình dạng cánh máy bay mang lại hiệu suất tối ưu trong điều kiện hạn chế (ví dụ: tỷ lệ lực nâng trên lực, góc dừng, hệ số nâng tối đa, vv)

Trong bóng đá tỷ lệ cá cược hình dạng ô tô, có một không gian hình dạng cho gương chiếu hậu và một không gian hình dạng cho các tấm tiết kiệm nhiên liệu, mỗi loại đều có những ràng buộc và mục tiêu rất cụ thể Ví dụ, không gian hình dạng của cánh lướt gió có ít hạn chế về âm thanh hơn so với gương chiếu hậu Mặt khác, gương có ít hạn chế hơn về lực ép xuống
Các kỹ sư có thể sử dụng các kỹ thuật toán học như thuật toán bóng đá tỷ lệ cá cược để tìm kiếm trong không gian thiết kế và tìm ra các thiết kế tối ưu

Phương pháp và định nghĩa - Phương pháp học sâu mới là gì? bóng đá tỷ lệ cá cược không có tham số hình dạng

Ở đây, chúng tôi bắt đầu với các khái niệm cơ bản và giải thích cách học sâu có thể tăng tốc độ tính toán và cung cấp các giải pháp thay thế gần như thời gian thực cho các phương pháp tính toán cực kỳ chuyên sâu

Học có giám sát - giải thích cơ bản

Hãy tưởng tượng rằng bạn, với tư cách là một chuyên gia về AI, được gọi đến trường học dành cho trẻ em để giải thích ``việc bố và mẹ làm'' Một lời giải thích ngây thơ có thể như thế này:
"Học có giám sát là một cách để máy tính học bằng cách hiển thị nhiều ví dụ Nó tương tự như việc giáo viên bắt bạn giải nhiều bài toán rồi kiểm tra câu trả lời của bạn xem chúng có đúng hay không Phương pháp này cho phép bạn tự học cách giải các bài toán tương tự Học sâu có giám sát cũng tương tự, nhưng thay vì các bài toán, bạn cho máy tính xem nhiều ví dụ (ví dụ: hình ảnh chó và mèo) Sử dụng các ví dụ này để học cách nhận biết các hình ảnh động vật mới Điều tương tự cũng có thể làm được cho các đồ vật khác như ô tô, xe tải, xe tải và xe đạp

Học sâu có giám sát - giải thích chi tiết hơn

Sau phần giải thích đơn giản, chúng ta hãy xem bản chất của nó bằng ngôn ngữ toán học

Trong phần trước, bạn đã học cách sử dụng tập dữ liệu để huấn luyện mạng nơ-ron sâu phù hợp với đầu vào và đầu ra
Do đó, đối với các thuật toán deep learning,Mục tiêu tìm hàm f=f_θ(x) kết nối đầu vào x và đầu ra fQuá trình huấn luyện giảm thiểu hàm mất mát L(y,f_θ(x)) để đo sự khác biệt giữa đầu ra thực y với đầu vào x và đầu ra dự đoán của mạng f=f_θ(x)

Chính thức

$ Lấy x làm đầu vào
à Gọi y là đầu ra thực tương ứng
$ Xác định đầu ra dự đoán f_θ(x) của mạng nơ-ron được tham số hóa bởi θ

Hàm mất mátL(y,f_θ(x)) được xác định để đo lường sự khác biệt giữa kết quả đầu ra được dự đoán và kết quả thực tế Mục tiêu huấn luyện là huấn luyện mạng lưới thần kinh để giảm thiểu giá trị kỳ vọng của hàm mất mát trên toàn bộ tập dữ liệu huấn luyệnLà tìm tham số θtức là:

θ^ = argmin_θ (1/n) * Σ_i=1

Trong đó n là số lượng mẫu trong tập dữ liệu huấn luyện

Sau khi mạng nơ-ron được huấn luyện và các thông số θ của nó được bóng đá tỷ lệ cá cược, mạng sẽ được kiểm tra Sau khi thử nghiệm, dự đoán có thể được đưa ra trên dữ liệu đầu vào mới, chưa được nhìn thấy Dự đoán được thực hiện bằng cách truyền dữ liệu đầu vào qua mạng thần kinh đã được huấn luyện, mạng này tạo ra đầu ra dựa trên ánh xạ đã học Đây là một "mô hình dự đoán"
Để đánh giá độ chính xác dự đoán của một mô hình, hãy so sánh mô hình đó với kết quả đầu ra thực tế đã cho trong giai đoạn thử nghiệm Học có giám sát sử dụng tập huấn luyện và tập kiểm tra để đánh giá hiệu suất mô hình của bạn

$ Tập huấn luyện sử dụng tất cả kiến thức về các phần có thể truy cập được của tập dữ liệu để huấn luyện mô hình dự đoán

rent Bộ kiểm tra đánh giá hiệu suất của mô hình đã đào tạo trên dữ liệu chưa được nhìn thấy mà chỉ con người mới có thể truy cập được

Tỷ lệ dữ liệu được phân bổ cho tập huấn luyện và tập kiểm tra phụ thuộc vào kích thước của tập dữ liệu và ứng dụng cụ thể Tuy nhiên, có những hướng dẫn chung về tỷ lệ phần trăm dữ liệu được phân bổ cho mỗi bộ

rent Một kỹ thuật phổ biến là phân bổ 80% dữ liệu cho tập huấn luyện và 20% cho tập kiểm tra Đây là điểm khởi đầu tốt cho nhiều ứng dụng Điều này là do nó cung cấp tập huấn luyện đủ lớn để mô hình tìm hiểu các mẫu cơ bản trong dữ liệu, đồng thời đảm bảo tập kiểm tra đủ lớn để đánh giá hiệu suất của mô hình

rent Một cách tiếp cận khác là phân chia cân bằng hơn, phân bổ 70% cho tập huấn luyện và 30% cho tập kiểm tra Điều này hữu ích khi tập dữ liệu nhỏ và mô hình được cho là sẽ nhạy cảm với kích thước của tập huấn luyện

Trong quá trình đào tạo,Tránh trang bị quá nhiềuĐiều đó quan trọng Trang bị quá mức trong huấn luyện mạng nơron đề cập đến tình trạng trong đó một mô hình hoạt động quá tốt trên dữ liệu huấn luyện và không thể khái quát hóa thành dữ liệu mới, chưa được nhìn thấy Một cách xảy ra quá khớp là khi một mô hình được huấn luyện trên một tập dữ liệu nhỏ, khớp quá mức với nhiễu trong dữ liệu và không nắm bắt được các mẫu cơ bản Có nhiều kỹ thuật để tránh trang bị quá mức Các kỹ thuật chính quy hóa như L1 và L2 là ví dụ

•L1(chuẩn hóa lasso) bao gồm một thuật ngữ tỷ lệ với giá trị tuyệt đối của trọng lượng Điều này khiến một số trọng số tiến gần đến 0 và bị loại khỏi mô hình Điều này hữu ích cho việc lựa chọn tính năng, giúp bạn xác định các tính năng quan trọng nhất cho dự đoán mô hình của bạn

• L2(chuẩn hóa đường vân) bao gồm một số hạng tỷ lệ với bình phương trọng số Điều này sẽ thu nhỏ tất cả các trọng số nhưng không nhất thiết phải đưa chúng về gần 0 Điều này cải thiện độ ổn định của mô hình và giảm việc trang bị quá mức

Các kỹ thuật khác bao gồm dừng sớm, bỏ học và tất nhiên là sử dụng nhiều dữ liệu hơn

Phương pháp và định nghĩa - Mạng nơ-ron tích chập là gì?

"Convolutional" có nghĩa là "tích chập" và CNN là viết tắt của "mạng nơ ron tích chập" Mạng nơ-ron tích chập là các thuật toán được sử dụng rộng rãi để xử lý dữ liệu giống hình ảnh, chẳng hạn như nhận dạng hình ảnh và xử lý ngôn ngữ tự nhiên Hoạt động tích chập được sử dụng để trích xuất các tính năng từ dữ liệu đầu vào Đối với hình ảnh, tích chập được sử dụng để xác định các mẫu và đặc điểm như cạnh, kết cấu và hình dạng

Mạng nơ ron tích chập có nhiều dữ liệu đầu vàoBộ lọc tích chậpMỗi bộ lọc thực hiện một phép toán tích chập trên dữ liệu Các bộ lọc này được đào tạo để nhận ra các đặc điểm cụ thể trong dữ liệu đầu vào Khi dữ liệu đi qua các lớp bộ lọc, các đặc điểm phức tạp hơn sẽ được trích xuất Quá trình này làTrích xuất tính năng

Các đặc điểm được trích xuất được trích xuất từ nhiều lớp nơ-ron nhân tạo (Lớp được kết nối đầy đủ) và phân loại dữ liệu đầu vào Lớp nơ ron cuối cùng được sử dụng để tạo ra đầu ra cuối cùng của mô hình Như được hiển thị trong hình ảnh bên dưới, khối Atrous Geo Combo là một khối xây dựng cụ thể được sử dụng trong các mô hình học sâu kết hợp các kỹ thuật "Atrous Convolution" và "Geodesic Convolution" Tích chập Atrous là một kỹ thuật để mở rộng trường tiếp nhận của bộ lọc trong mạng nơ ron tích chập mà không làm tăng số lượng tham số

Các kỹ thuật này tìm hiểu các tính năng từ dữ liệu đầu vào bất biến đối với các phép biến đổi hình học và nắm bắt thông tin đa tỷ lệ trong dữ liệu đầu vào

Phương pháp và định nghĩa - trắc địa Mạng nơ-ron tích chập là gì?

CNN thông thường được thiết kế để xử lý dữ liệu được xác định trong không gian Euclide, chẳng hạn như hình ảnh và văn bản Tuy nhiên, một số dữ liệu như hình dạng 3D được xác định trên các đa tạp phi Euclide Mạng nơ ron tích chập trắc địa được thiết kế để xử lý dữ liệu đó bằng cách kết hợp thông tin hình học của dữ liệu đầu vào vào mạng Thông tin hình học của dữ liệu đầu vào được tích hợp vào mạng lưới thần kinh bằng cách thực hiện thao tác tích chập dọc theo đường cong trắc địa trên đa tạp của dữ liệu đầu vào Điều này cho phép các mạng nơ ron tích chập tính đến cấu trúc hình học vốn có của dữ liệu, làm cho nó trở thành cấu trúc phù hợp để xử lý dữ liệu được xác định trên các đa tạp phi Euclide

Tại sao CCN tốt hơn mạng nơ ron nhân tạo

Mạng nơ ron nhân tạo được kết nối đầy đủ (FC-ANN) và mạng nơ ron tích chập (CNN) là các mạng có kiến trúc và chức năng khác nhau

| FC-ANN là mạng nơ-ron tiếp nối trong đó các nơ-ron ở mỗi lớp được kết nối với tất cả các nơ-ron ở lớp tiếp theo FC-ANN được sử dụng rộng rãi cho các nhiệm vụ như phân loại và hồi quy, đồng thời có thể được đào tạo để nhận dạng các mẫu trong dữ liệu đầu vào

→ CNN, mặt khác, được thiết kế đặc biệt cho nhiệm vụ nhận dạng hình ảnh Sử dụng lớp bộ lọc tích chập di chuyển qua hình ảnh để trích xuất các đặc điểm ở các vị trí không gian khác nhau Các bộ lọc được đào tạo để nhận dạng các đặc điểm cụ thể trong hình ảnh, chẳng hạn như các cạnh, họa tiết và hình dạng CNN cũng sử dụng các lớp tổng hợp để giảm kích thước không gian của đầu vào và giảm số lượng tham số trong mạng Trong phần kết thúc của bài viết này, chúng tôi cung cấp thêm chi tiết về hiệu suất tính toán

Việc kết hợp proxy của kết quả CFD hoặc FEA với CAD là một loại quy trình nhận dạng hình ảnh, giúp hiểu rõ tại sao CNN là giải pháp tiêu chuẩn ngành chứ không phải FC-ANN

Hình dạng thay đổi như thế nào?

RBF là kỹ thuật nội suy hoặc xấp xỉ một hàm từ một tập hợp các điểm dữ liệu Cho một tập hợp các điểm dữ liệu (x₁, y₁), (x₂, y₂), ,(xₙ, yₙ) và một tập hợp các điểm kiểm soát (c₁, c₂), ,(cₘ, cₙ), RBF tính toán một hàm f(x) phù hợp với các điểm dữ liệu bằng cách giảm thiểu bài toán bóng đá tỷ lệ cá cược (OF) sau: Gần đúng:

f(x) = Σᵢ wᵢ * φ(||x-cᵢ||)

Trong đó Σᵢ là tổng từ 1 đến N, wᵢ là trọng số, cᵢ là điểm kiểm soát, φ(||x-cᵢ||) là hàm cơ sở xuyên tâm (RBF) và ||x-cᵢ|| là khoảng cách Euclide giữa x và cᵢ

Trong biến dạng hình học, các điểm điều khiển được sử dụng để xác định hình dạng của hình học và RBF nội suy hình dạng giữa các điểm điều khiển Trọng lượng được bóng đá tỷ lệ cá cược để tạo ra sự chuyển tiếp mượt mà giữa các hình dạng khác nhau, dẫn đến những thay đổi hình học mượt mà, liên tục

Điểm chuẩn thuật toán AI - Phương pháp Kriging

Kriging là một phương pháp hữu ích trong các hoạt động khai thác mỏ và thăm dò dầu khí Phương pháp này được đặt theo tên của Daniel Krige, một kỹ sư khai thác mỏ và nhà thống kê người Nam Phi đã làm việc từ năm 1917 đến năm 2013 (ngay sau buổi bình minh của kỷ nguyên học sâu) Tác phẩm nổi tiếng nhất của Krige là “Phương pháp thống kê cho một số vấn đề định giá mỏ cơ bản ở Witwatersrand” (toàn văn có trong phần phụ lục) Kriging là phương pháp ước tính giá trị của một biến tại một điểm dựa trên các giá trị đo được tại các điểm lân cận Kriging sử dụng các mô hình thống kê để dự đoán giá trị của một biến tại một điểm dựa trên các giá trị của nó tại các điểm lân cận

Công dụng của Kriging

Kriging là kỹ thuật nội suy tuyến tính giúp giảm thiểu sai số bình phương trung bình của ước tính Nó dựa trên các quá trình ngẫu nhiên (mô hình toán học) mô tả hành vi của các biến trong không gian và thời gian Giả định chính của Kriging là các biến quan tâm là sự thể hiện của một quá trình ngẫu nhiên dừng được đặc trưng bởi một hàm gọi là "variogram" Variogram là một hiệp phương sai Về mặt thực tế, nó mô tả mức độ phụ thuộc không gian giữa hai điểm trong một trường Chúng ta sẽ tìm hiểu sâu hơn về các chi tiết toán học trong các phần sau Nếu bạn muốn hiểu Kriging khác với CNN như thế nào, vui lòng bỏ qua phần tiếp theo và xem 4 lý do cơ bản khiến Kriging không hoạt động giống CNN

Toán học của Kriging

Ước tính của Kriging về biến z tại một điểm không quan sát được z₀ được đưa ra bởi:

z₀ = Σᵢ(wᵢ * zᵢ)

Σᵢ là tổng của i và trọng số wi được xác định bằng nghiệm của hệ phương trình (j là tổng của j);

Σⱼ (wᵢ * C(zᵢ, zⱼ)) = C(z₀, zⱼ)

$ C(zᵢ,zⱼ) biểu thị hiệp phương sai của các quan sát zᵢ và zj tại vị trí i và j
$ C(z₀,zⱼ) biểu thị hiệp phương sai giữa vị trí chưa được lấy mẫu z₀ và quan sát thứ j zⱼ

4 lý do khiến Kriging không hoạt động như CNN

Mặc dù Kriging có hiệu suất tuyệt vời trong nhiều ứng dụng thực tế như phát triển khai thác mỏ và thăm dò dầu khí, nhưng nó có một số nhược điểm so với mạng thần kinh tích chập (GCNN) (trắc địa) để thiết kế sản phẩm trong các ngành như ô tô, hàng không vũ trụ, điện tử, máy móc, đóng tàu và thiết bị y tế

1. Phức tạp hơn:Kriging yêu cầu nguồn lực tính toán đáng kể để ước tính các hàm đột biến, xác định trọng số và đưa ra dự đoán Mặt khác, CCN là một mô hình dựa trên mạng thần kinh có thể được đào tạo và sử dụng để dự đoán với ít tài nguyên tính toán hơn

2. Thiếu linh hoạt:Kriging dựa trên giả định rằng quá trình cơ bản là dừng (và đẳng hướng) - điều này có thể không phải lúc nào cũng đúng! Mặt khác, CCN không yêu cầu giả định về các quy trình cơ bản và có thể áp dụng cho nhiều vấn đề và loại dữ liệu Vì thế có thể nói CNN đa năng hơn

3. Khả năng xử lý phi tuyến thấp:Kriging là kỹ thuật nội suy tuyến tính và không phù hợp để xử lý các mối quan hệ phi tuyến tính trong dữ liệu Mặt khác, CNN là một mạng lưới thần kinh nên nó có thể mô hình hóa các mối quan hệ phi tuyến tính Đây là lợi thế chính của CNN so với Kriging

4. Khả năng xử lý tập dữ liệu lớn thấp:Kriging tương đối khó xử lý các tập dữ liệu lớn do độ phức tạp tính toán và những hạn chế của phương pháp Mặt khác, GCNN phù hợp nhất với các bộ dữ liệu quy mô lớn và có thể được đào tạo trên dữ liệu nhiều chiều

Kriging được triển khai như thế nào trong khí động học ô tô?

Để đảm bảo tính công bằng, chúng tôi sẽ giải thích cách giải quyết các vấn đề khí động học bằng Kriging Như đã trình bày trong phần trước, Kriging có những hạn chế về tính phi tuyến và dữ liệu nhiều chiều và có thể không phải là cách tốt nhất để tái tạo mô hình khí động học của một chiếc ô tô! Do đó, điều quan trọng là phải xem xét các phương pháp khác có thể xử lý dữ liệu phi tuyến và dữ liệu nhiều chiều, chẳng hạn như CCN và mô hình học máy Việc triển khai Kriging trong khí động học ô tô yêu cầu các bước sau:

1. Thu thập dữ liệu:Bước đầu tiên là thu thập dữ liệu về các biến quan tâm, chẳng hạn như lực cản không khí và hệ số cản, tại các vị trí khác nhau trên bề mặt ô tô Dữ liệu này có thể được thu thập thông qua thử nghiệm trong hầm gió và mô phỏng động lực học chất lỏng tính toán (CFD)

2. Ước tính phương sai:Dựa trên dữ liệu được thu thập ở bước trước, giờ đây chúng tôi sẽ ước tính variogram Variograms mô tả cấu trúc tương quan không gian của các biến quan tâm Các kỹ thuật chụp ảnh đa phương thực nghiệm như bán biến đổi và phép đo đa biến Kriging có thể được sử dụng cho việc này

3. Nội suy dữ liệu:Sử dụng phương pháp variogram ước tính ở phần trước, Kriging nội suy các biến quan tâm tại các vị trí không được đo trên bề mặt ô tô Trọng số của mỗi mẫu được tính bằng cách giải phương trình variogram ước tính và hệ phương trình

4. Dự đoán:Với dữ liệu nội suy, Kriging có thể dự đoán các biến quan tâm tại bất kỳ điểm nào trên bề mặt ô tô Những dự đoán này giúp bạn bóng đá tỷ lệ cá cược tính khí động học của ô tô và giảm lực cản và lực cản

Cuối cùng, điều quan trọng là phải xác minh dự đoán của Kriging bằng cách so sánh chúng với dữ liệu đo được Điều này có thể được thực hiện bằng cách so sánh với các thí nghiệm trong hầm gió hoặc kết quả CFD ở cùng một vị trí

Điểm chuẩn thuật toán bóng đá tỷ lệ cá cược hình dạng

Chúng ta sẽ xem xét và so sánh ba phương pháp đã được triển khai trong bóng đá tỷ lệ cá cược và vẫn phổ biến cho đến ngày nay Điều này cho phép điểm chuẩn của các thuật toán bóng đá tỷ lệ cá cược

Thuật toán di truyền (GA)

GA là một phương pháp rộng rãi và tương đối dễ thực hiện, sử dụng thuật toán di truyền (một kỹ thuật bóng đá tỷ lệ cá cược lấy cảm hứng từ chọn lọc tự nhiên) để bóng đá tỷ lệ cá cược hình dạng GA tạo ra một tập hợp các giải pháp ứng cử viên và đánh giá mức độ phù hợp của chúng dựa trên chức năng thích hợp Các thao tác di truyền (ví dụ: "lai" hoặc "đột biến") sau đó được áp dụng lặp đi lặp lại Điều này cho phép người dân phát triển theo hướng giải pháp tốt hơn

GA vượt trội trong việc tìm kiếm giải pháp toàn cầu trong không gian tìm kiếm lớn và phức tạp Tuy nhiên, GA có xu hướng tốn kém về mặt tính toán, đặc biệt đối với các bài toán có nhiều chiều Hơn nữa, GA rất nhạy cảm với việc lựa chọn quần thể ban đầu và lựa chọn toán tử di truyền, điều này có thể ảnh hưởng đến chất lượng của giải pháp cuối cùng

vi phân điểm nối

Vi phân liền kề là một kỹ thuật để tính toán hiệu quả độ dốc của hàm bóng đá tỷ lệ cá cược (OF) Độ dốc được tính toán cho các biến thiết kế Phương pháp liên kết dựa trên ý tưởng giải phương trình liên kết liên quan đến phương trình dương ban đầu Phép vi phân phụ thuộc rất hiệu quả trong các bài toán bóng đá tỷ lệ cá cược quy mô lớn Nó có thể xử lý cả vấn đề tuyến tính và phi tuyến
Tuy nhiên, vi phân khớp đòi hỏi khả năng giải các phương trình khớp Điều này tốn kém về mặt tính toán và có thể gặp khó khăn khi xử lý các ràng buộc và các hàm không khả vi
Phương pháp kết hợp được sử dụng trong phân tích số để giải phương trình vi phân từng phần (PDE) Nó dựa trên ý tưởng đưa ra một phương trình nối liên quan đến phương trình chiều dương ban đầu Phương trình tiếp giáp là một PDE thu được bằng cách hoán vị phương trình ban đầu và đảo ngược hướng theo thời gian hoặc không gian

Một ví dụ về phương pháp liên kết là phương trình nhiệt mô tả sự phân bố nhiệt trong vật rắn Phương trình "tiến" (không gian vật lý) của phương trình nhiệt được biểu thị dưới dạng: ∂u/∂t = α∇ 2u, trong đó: u là sự phân bố nhiệt độ trong không gian và thời gian, t là thời gian và α là độ khuếch tán nhiệt của vật rắn Các toán tử được định nghĩa như sau: ∂/∂t là đạo hàm theo thời gian, ∇ là ký hiệu đạo hàm không gian (độ dốc) và ∇ ² là toán tử Laplace
Đối với những người không quen với việc truyền nhiệt, phương trình này rất trực quan và dễ hiểu Ví dụ, một vật thể có hệ số khuếch tán α lớn sẽ nóng lên nhanh hơn (∂u/∂t lớn hơn) so với vật thể có hệ số khuếch tán α nhỏ hơn (Lưu ý: Tất cả các điều kiện khác đều giống nhau!) Sau đó, để rút ra phương trình nghịch đảo, chúng ta lấy chuyển vị của phương trình thuận và đảo ngược hướng của thời gian: ∂u*/∂t* = -α∇ 2u*, trong đó: u* là biến nghịch đảo và t* là thời gian nghịch đảo

bóng đá tỷ lệ cá cược Bayes bằng mô hình thay thế

bóng đá tỷ lệ cá cược Bayes là kỹ thuật sử dụng mô hình xác suất để dự đoán hiệu suất của các giải pháp đề xuất và hướng dẫn tìm kiếm đến các khu vực có triển vọng trong không gian thiết kế Mô hình thay thế xấp xỉ hàm mục tiêu và giảm số lượng đánh giá hàm cần thiết để hội tụ đến giải pháp tối ưu Cách tiếp cận này đặc biệt hữu ích khi việc đánh giá hàm mục tiêu tốn kém Tuy nhiên, nó có thể tốn kém về mặt tính toán đối với các vấn đề nhiều chiều Nó cũng nhạy cảm với việc lựa chọn mô hình thay thế, điều này có thể ảnh hưởng đến chất lượng của giải pháp cuối cùng

Thông tin bổ sung dành cho những người không quen với lý thuyết xác suất: "Bayesian" đề cập đến việc sử dụng lý thuyết xác suất Bayesian trong quá trình bóng đá tỷ lệ cá cược trong "bóng đá tỷ lệ cá cược Bayesian" Trong lý thuyết xác suất Bayes, xác suất được biểu thị dưới dạng phân bố xác suất thay vì các giá trị đơn lẻ Điều này cho phép đưa kiến ​​thức trước đó và sự không chắc chắn vào phân tích Trong bóng đá tỷ lệ cá cược Bayes, hàm mục tiêu cần bóng đá tỷ lệ cá cược được coi là một biến ngẫu nhiên có phân bố xác suất Phân phối này được cập nhật mỗi khi dữ liệu mới được thu thập và thuật toán bóng đá tỷ lệ cá cược sử dụng thông tin này để hướng dẫn tìm kiếm giải pháp tối ưu

Nghiên cứu điển hình: Hồ sơ NACA và cách bóng đá tỷ lệ cá cược nó

Đối với những người chưa quen với kỹ thuật hàng không, chúng tôi sẽ giải thích hồ sơ NACA

Các cánh máy bay NACA được xác định bằng mã số gồm bốn chữ số thể hiện hình dạng của cánh máy bay

$ Số đầu tiên biểu thị độ cong (độ cong của bề mặt cánh máy bay)
$ Số thứ hai biểu thị vị trí có độ cong cực đại
$ Số thứ ba và thứ tư thể hiện sự phân bổ độ dày của cánh máy bay

Một điểm thú vị từ góc độ học sâu là sự tồn tại của tập dữ liệu tính toán CFD hồ sơ NACA Các bộ dữ liệu này chứa kết quả mô phỏng dòng chảy xung quanh cánh máy bay NACA ở các góc tấn khác nhau, số Reynolds và số Mach Nó có thể bao gồm các dữ liệu như hệ số nâng, hệ số cản, phân bổ áp suất, tốc độ dòng chảy, vv
Một số tập dữ liệu được cung cấp công khai Ví dụ: NASA đã xây dựng bộ dữ liệu tính toán CFD cho cánh máy bay NACA, bao gồm các kết quả mô phỏng dòng chất lỏng xung quanh cánh máy bay NACA ở các góc tấn khác nhau và số Reynolds

Thay đổi hình dạng trong lưới lớn

Nếu số đỉnh biểu thị hình dạng lớn thì các phương pháp truyền thống có thể tốn kém về mặt tính toán Vì vậy, cần phải biểu diễn các tham số tiềm ẩn của hình dạng
Đối với cấu hình NACA, có tham số ngành tiêu chuẩn Trong ví dụ ở hình bên dưới, chúng ta muốn tăng hệ số lực nâng Cl khi chúng ta di chuyển từ trái sang phải trong hình bên dưới, đồng thời tăng mô men nghiêng Cm khi chúng ta di chuyển từ trên xuống dưới trong hình trên

Nghiên cứu điển hình: Tàu cánh ngầm và sự bóng đá tỷ lệ cá cược của nó

Tàu cánh ngầm là một cấu trúc giống cánh gắn vào thân tàu, được thiết kế để nâng thân tàu lên trên mặt nước Điều này rất quan trọng ở tốc độ cao

Câu hỏi kết thúc: Học sâu có tăng tốc độ tính toán không? Và bằng cách nào?

Chúng tôi đã xác nhận rằng mạng lưới thần kinh có thể được huấn luyện để đưa ra các giải pháp gần đúng cho các vấn đề về khí động học Ngoài ra, việc sử dụng giải pháp trắc địa dựa trên CNN như NC Shape có khả năng thay thế hoàn toàn toàn bộ quy trình từ đọc CAD đến đầu ra CAE

Giai đoạn huấn luyện của mạng nơ-ron có thể tốn kém về mặt tính toán, nhưng sau khi được huấn luyện, mạng nơ-ron có thể đưa ra dự đoán tương đối nhanh chóng Sau khi được đào tạo, nó có thể dự đoán các giải pháp (áp suất, vận tốc và các trường khác) nhanh hơn nhiều so với mô phỏng CFD truyền thống Ví dụ: mô phỏng mất 3 giờ trên 32 lõi CPU có thể được tăng tốc lên 0,3 giây trên một lõi đơn Khoản đầu tư cần thiết để đào tạo mạng có thể mất khoảng 6-8 giờ trên GPU chuyên dụng

Ký hiệu "Big O" (Lưu ý: Nội dung sau đây là suy đoán của tác giả và không dựa trên nghiên cứu sâu):

• Động lực học chất lỏng tính toán(CFD) mô phỏngĐộ phức tạp về thời gian làThường dùng ký hiệu O lớnO(n³) trở lêntrong đó n là số điểm lưới hoặc ô được sử dụng trong mô phỏng Điều này là do mô phỏng CFD thường giải các phương trình vi phân từng phần (PDE) trên lưới, vốn đòi hỏi tính toán chuyên sâu
• Đào tạo mạng lưới thần kinhđược đo bằng số lần lặp (kỷ nguyên) cần thiết để huấn luyện mạng và thời gian thực hiện mỗi lần lặp Độ phức tạp tính toán của mỗi lần lặp phụ thuộc vào số lượng tham số trong mạng, điều này liên quan đến các yếu tố như số lớp và số lượng nơ-ron trong mỗi lớp Độ phức tạp tính toán để huấn luyện mô hình deep learning là O(n)

• CNNlà do bộ lọc và vòng bể bơiĐạt được sự cải thiện về tốc độ so với mạng thần kinh truyền thống

• Bộ lọc làMột công nghệ trích xuất các đặc điểm từ hình ảnh đầu vào Bộ lọc thường là một ma trận nhỏ di chuyển trên hình ảnh, thực hiện tích số chấm của ma trận với một mảng hình ảnh cục bộ tại mỗi vị trí Kết quả tích số chấm làm giảm số lượng tham số trong mạng Nó cũng có thể giảm kích thước không gian của đầu vào, điều này có khả năng làm giảm độ phức tạp về thời gian của mạng

• Bể bơi làĐây là kỹ thuật nhằm giảm kích thước không gian của đầu vào trong CNN Thường được áp dụng sau một lớp chập, nó lấy mẫu xuống hình ảnh đầu vào và trích xuất giá trị tối đa hoặc trung bình của một cửa sổ pixel nhỏ Quá trình này làm giảm số lượng tham số mạng và giảm kích thước không gian của đầu vào, điều này một lần nữa làm giảm độ phức tạp về thời gian của mạng

• Độ phức tạp về thời gian chạy của mạng nơron được huấn luyện (tức là sau khi huấn luyện) làO(log n) Điều này là do bước lan truyền tiến để đưa ra dự đoán bao gồm một chuỗi thao tác (chẳng hạn như kích hoạt) có thể được thực hiện song song và tương đối nhanh Thời gian thực hiện của các mạng thần kinh dựa trên GCNN hiện đại có thể nói là theo thứ tự thời gian thực (0,02 giây đến 1 giây) (đối với hầu hết các trường hợp sử dụng Khái niệm thần kinh)

Thang thời gian giữa lần chạy cuối cùng và giá trị thực (CFD) của mô hình được đào tạo dựa trên CNN trắc địa Minh họa: Anthony Massobrio

Tóm tắt

Chúng tôi đã cho thấy cách tiếp cận lấy cảm hứng từ thị giác máy tính có thể cải thiện hiệu quả và thúc đẩy bóng đá tỷ lệ cá cược trong các bộ phận thiết kế sản phẩm bằng cách tăng cường khả năng dự đoán lực cản và áp suất Chúng tôi cũng xem xét các kỹ thuật truyền thống như Kriging và giá trị gia tăng mà mạng nơ ron tích chập mang lại Cụ thể hơn, chúng tôi đã trình bày cách hoạt động của mạng tích chập trắc địa và cách chúng có thể hỗ trợ bóng đá tỷ lệ cá cược hình dạng tích chập trong các trường hợp 2D và 3D Chúng tôi đã ước tính tốc độ thực thi của mạng thần kinh được đào tạo, tận dụng các phương pháp dựa trên độ dốc (cả huấn luyện mạng thần kinh và bóng đá tỷ lệ cá cược hình dạng) và chứng minh tính khả thi của các vòng bóng đá tỷ lệ cá cược nhanh tận dụng đặc tính khả vi phân Là hệ thống xử lý thông tin thần kinh dựa trên dữ liệu, có thể bắt đầu từ hình dạng ban đầu và tìm ra các hình dạng khả thi trong nhiều không gian hình dạng, bao gồm cả các hình dạng chưa từng thấy trước đây Phương pháp mô hình thay thế mới này là mô hình thay thế cho CAE và khi kết hợp với các phương pháp dựa trên độ dốc sẽ cung cấp một giải pháp vòng kín hoàn chỉnh có khả năng quản lý các dạng hình học phức tạp tùy ý

Triển vọng tương lai

Tôi muốn nhấn mạnh ít nhất bốn hướng như một sự "tiến hóa" của những gì tôi đã thể hiện cho đến nay

1. Tích hợp:Tích hợp chặt chẽ hơn với các định dạng CAD (ví dụ: tệp gốc)

2. Mô hình được đào tạo trước:Cung cấp các mô hình được đào tạo trước cho các ứng dụng cụ thể cho các tổ chức có quá trình xây dựng tập dữ liệu chưa đủ hoàn thiện hoặc những tổ chức muốn tận dụng công nghệ CFD CAE trong khi tránh phải đầu tư ban đầu

3. Hợp nhất dữ liệu:Tập trung nhiều cấp độ CFD, cơ học rắn và dữ liệu điện từ, bao gồm cấp công nghiệp, cấp R&D chính xác và dữ liệu thử nghiệm

4. Ước tính độ không đảm bảo:Khi thay đổi hình dạng, mô hình dự đoán có thể đi vào vùng chưa được khám phá của không gian hình dạng Thay vì tiếp tục đưa ra dự đoán, sẽ rất hữu ích khi ước tính độ tin cậy của dự đoán, tham chiếu sự thật cơ bản để có được các dự đoán bổ sung khi cần và hiệu chỉnh mô hình dự đoán trong các vùng không gian thiết kế mới

Những điểm trên không nằm trong kế hoạch của Neural Concept Tất cả đều có thể được triển khai và việc triển khai chúng tùy thuộc vào trường hợp kinh doanh của người dùng

Ví dụ:
1. Tích hợp CAD-PLM, Kỹ thuật sản phẩmMột chủ đề được bộ đặc biệt quan tâm

2. Mô hình được đào tạo trước bóng đá tỷ lệ cá cược kích thước tập dữ liệu huấn luyệnĐây có thể là một trường hợp thú vị cho các công ty cần nó

3. Hợp nhất dữ liệu là nhiều nguồn dữ liệuVí dụ: người quản lý quản lý cơ sở thử nghiệm hầm gió có thể muốn sử dụng cả dữ liệu thử nghiệm hầm gió trong 40 năm và dữ liệu CFD trong 20 năm

4. Ước tính độ không đảm bảo là dự đoán đáng tin cậy trong quá trình bóng đá tỷ lệ cá cượcđiều quan trọng cần nhận ra 32308_32339|

Phụ lục

Bộ giải CFD XFoil

XFoil là bộ giải động lực học chất lỏng (CFD) tính toán chuyên phân tích các cánh máy bay, là hình dạng mặt cắt ngang của cánh và cánh XFoil là bộ giải phương pháp bảng hai chiều, dùng để phân tích dòng chảy xung quanh cánh máy bay bằng cách chia bề mặt của cánh máy bay thành các tấm phẳng nhỏ và giải các phương trình dòng chảy trong mỗi bảng XFoil sử dụng phương trình Navier-Stokes để mô hình hóa chất lỏng xung quanh cánh máy bay Phương trình này là một tập hợp các phương trình mô tả hành vi của dòng chất lỏng Các phương trình Navier-Stokes được giải theo nhiều cách khác nhau, bao gồm phương pháp bảng (mô hình hóa dòng chảy dưới dạng một loạt các tấm phẳng) và phương pháp mạng xoáy (mô hình hóa dòng chảy dưới dạng một loạt các dòng xoáy) XFoil được biết đến với khả năng dự đoán chính xác hiệu suất khí động học của cánh máy bay (độ nâng, lực kéo, đặc điểm chết máy, vv) trong nhiều điều kiện, bao gồm dòng chảy cận âm và siêu âm, các góc tấn công khác nhau và số Reynolds khác nhau XFoil cũng có thể phân tích hiệu suất của các cánh máy bay hiện có và thiết kế các cánh máy bay mới với các đặc tính hiệu suất cụ thể

Tài liệu tham khảo - Tài liệu cơ bản về gCCN và bóng đá tỷ lệ cá cược

Bài báo sau đây mang tính đột phá Kể từ khi xuất bản bài báo này, Neural Concept đã giới thiệu nhiều công nghệ mới và tính năng thiết thực cho người dùng NCS!
“bóng đá tỷ lệ cá cược hình dạng tích chập trắc địa” Pierre Baqué, Edoardo Remelli, François Fleuret, Pascal Fua (ref)
Tóm tắt: bóng đá tỷ lệ cá cược hình dạng khí động học có nhiều ứng dụng công nghiệp Tuy nhiên, các phương pháp hiện tại đòi hỏi tính toán chuyên sâu và thực hành kỹ thuật thông thường có xu hướng bị giới hạn ở các thử nghiệm hạn chế về các hình dạng được thiết kế bằng tay hoặc các hình dạng có thể được tham số hóa với một vài bậc tự do Trong nghiên cứu này, chúng tôi đề xuất một phương pháp mới để bóng đá tỷ lệ cá cược nhanh chóng và chính xác các hình dạng phức tạp Với mục đích này, các tác giả huấn luyện một mạng lưới thần kinh tích chập trắc địa mô phỏng một mô phỏng động lực học chất lỏng Chìa khóa cho tính thực tiễn của phương pháp này là ghép lại hình học ban đầu bằng bản đồ polycube Điều này cho phép thực hiện các phép tính trên GPU thay vì CPU Mạng lưới thần kinh bao gồm và xây dựng một hàm mục tiêu có khả năng phân biệt đối với các tham số hình dạng Hàm mục tiêu được bóng đá tỷ lệ cá cược bằng phương pháp dựa trên độ dốc và vượt trội hơn các phương pháp hiện đại từ 5-20% đối với các bài toán tiêu chuẩn Quan trọng hơn, phương pháp này có thể áp dụng cho những trường hợp không thể giải quyết bằng phương pháp truyền thống

Tài liệu tham khảo - Tài liệu cơ bản về Kriging

“Phương pháp thống kê đối với các vấn đề cơ bản trong đánh giá mỏ: Một ví dụ về mỏ Witwatersrand”, Daniel G Krige, Tạp chí của Hiệp hội Hóa học, Luyện kim và Khai thác mỏ Nam Phi 52 (6): 119–139 (Tháng 12 năm 1951)

Giới thiệu về khái niệm thần kinh
Neural Concept phát triển các thuật toán học sâu AI để hỗ trợ kỹ thuật Chúng tôi đã cách mạng hóa cách thức thiết kế sản phẩm của hơn 80 khách hàng bằng cách đẩy nhanh chu trình R&D, nâng cao hiệu suất sản phẩm và giải quyết các thách thức kỹ thuật thế hệ tiếp theo Công ty được thành lập vào năm 2018 tại phòng thí nghiệm AI hàng đầu ở EPFL, Thụy Sĩ Chúng tôi là một nhóm gồm hơn 30 người cam kết thực hiện tầm nhìn của mình về việc biến đổi tương lai của ngành kỹ thuật công nghiệp bằng trí thông minh

• *Tên sản phẩm/dịch vụ, tên công ty, nhãn hiệu logo, vv được liệt kê là nhãn hiệu hoặc nhãn hiệu đã đăng ký của các công ty tương ứng

Giải pháp dự đoán kết quả phân tích bằng deep learning AI Neural Concept Studio

Neural Concept Studio là giải pháp dự đoán kết quả phân tích SaaS dựa trên công nghệ AI deep learning Một mô hình AI được xây dựng từ các hình dạng 3D và kết quả phân tích, đồng thời việc đánh giá hình dạng bằng AI có thể được hoàn thành sớm nhất trong vài mili giây Nó có thể được áp dụng cho các bộ phận có thông số hình dạng và hiện tượng nhất thời khác nhau, đồng thời hỗ trợ việc học chuyển giao