Latest Entries »

群集动力学

群集动力学是研究群集运动的动力学理论,是一门横跨生物学、物理学和控制科学的新型交叉科学。群集运动最明显的特点是群体中的个体在运动过程中趋于同步。1995年,Tamás Vicsek等人把每个参与群集运动的个体看作独立的自我驱动的粒子,并提出了一个经典的数学模型来描述群集运动。由于该模型的简单性和首创性,它已经成为群集动力学中最基本的模型。但是这个模型并不十分完善,也并不能描述所有系统的群集运动问题。

中科大汪秉宏的研究团队以Vicsek模型为基础,在三个方向上进行改进:(1)为了过滤外界的噪音,引入记忆机制,即每个粒子记录当前时刻的运动方向,并为下一时刻的运动方向提供依据。这样,系统就能在噪音一定的情况下大大提高运动的一致性。(2)为了完全避免粒子的碰撞,根据粒子与其他粒子的最小距离来限制粒子的速率。但是限制速率会导致粒子间的凝聚,进一步减小粒子间的距离,进而形成正反馈效应。最终,粒子的平均速率很低,且很难达到速率的一致。因此,他们提出了两个改进的模型:一是引入排斥力,加大粒子间的安全距离,避免由于距离限制而引发的凝聚;二是动态地把全空间分区,使得每个粒子在不同区域内运动,由于这时粒子的活动区域增大,从而减弱了对于速率的限制。这两个改进的模型异曲同工,都可以在避免碰撞的基础上实现粒子的高速同步运动。(3)研究连续系统的群集运动。通过使用Euler坐标,研究每一区域内粒子的密度和流入流出的粒子数目,进而得以数值模拟超高密度下群体的同步运动。

针对Vicsek模型缺少对收敛时间的深入讨论。他们研究了零温度下Vicsek模型收敛时间受何种因素的影响,并进一步提出可变速率的群集运动模型,给出一个新的粒子运动协议,该协议下系统收敛时间明显快于Vicsek模型。为了避免碰撞,限制每一时刻的速率,并相应地提出保守模型。又为了克服保守模型中存在的凝聚现象,引入排斥力克服凝聚,提出排斥模型。这一模型最终可使所有粒子达到高速同步运动。

Advertisements

Windows 7禁止QQ自动更新

Win7下每次启动QQ都会跳出UAC警告窗口,很烦。

1、禁止用户目录下的相关程序
找到C:\Users\yourname\AppData\Local\Temp\目录下的selfupdate.exe文件,将该文件的安全属性设置成拒绝所有。
找到C:\Users\yourname\AppData\Roaming\Tencent\QQ\AuTemp\目录下一个奇怪的数字和字母组成的目录,在里面的10097目录下有个auclt.exe文件,找到后将该文件的安全属性设置成拒绝所有。

2、禁止安装目录中的更新程序
在QQ的安装目录中,找到bin\auclt.exe将该文件的安全属性设置成拒绝所有。

这样,烦人的警告消息就没有了。

云端数字工作时代已来临!

云端数字工作时代已来临,虚拟劳动力将以最适度的工资承接任何因特网世界的工作。
一月初美国劳工部宣布,2009年12月美国失业率保持在10.0%;根据行政院主计处统计,台湾98年平均失业率为5.85%、全年平均失业人数63万9千人,双双创下历年新高纪录。于就业困难的时代,人力外包(outsourcing)或者云端数字工作(cloud labour)可能将是新的就业方式。
在家里只要一部能上网的计算机,加上部分专长,即可在家里或任何可以上网的地方工作,在适合个人的作息时间上计算机以案件计酬方式工作,云端工作的时代已蔚然成形。
理论上只要会使用计算机,在家接工作就可算云端工作者,不过其技术专业程度有天壤之别,收入差异也很大。最简单的工作如按着鼠标键不停的click输入,或复杂到替美国太空总署提计划书都是云端工作。
例如Amazon公司将其群众外包(crowdsourcing) 式的征人按件计酬工作称之为人端运算(Amazon’s Mechanical Turk),Mechanical Turk是18世纪末所发明的一个自动下棋机械,棋盘下的箱子里其实躲藏着一位棋手;Amazon公司取其名,意谓着Amazon以任何可行方式代完成委托者所提交的工作,而委托者无庸去管谁履行了工作,对委托者而言,工作的运作方式是隐密不可见的。
过程很简单,Mechanical Turk需求者(即委托工作者)提交一份Human Intelligence Task (HIT),Amazon公司将其公告,征求志愿者低价解决。待解决的问题通常是无法藉助计算机,而需要靠人力解决的繁琐小工作。例如Channel Intelligence公司请人看商品外型照片来判定其Category Tree的属性,如一个手提包包在型录类别是属于Office?Home?Pets?还是Sports等等,找出其最是当的属性,工作不难,不过薪资很低,每件计酬0.02美金。委托者所费不多,Amazon公司赚佣金,第三世界的一位无法谋得正职者则透过计算机网络挣得微薄酬劳。
Hurricane Katrina公司则对云端工作提供酬劳较大的中介,例如在其网站键入“有限元素分析”,即可找到15位工程专家等着进行非常专业的工程计算机辅助分析工作,薪资从每小时10到30元美金,工程师来自意大利、 苏俄、罗马尼亚、印度、瑞士、巴基斯坦、南非等,待价而沽。
云端工作中介中的顶级服务当属IdeaBounty 与 InnoCentive ,InnoCentive.com成立于2001年,专攻化学与生物,企业界与InnoCentive合作,将代解决的技术问题公布在InnoCentive 网页,征求云端服务。例如最近的一项挑战题目是征求防止玉米受虫害的最新解决方案,只要提出确实有效的书面建议,获得青睐即可得到2万美金的酬劳。或者你愿意协助印度湿地地区人们,设计一种新的雨水收集储存槽,容量需达六千公升,当地人们须负担得起系统制造成本,技术上需要克服高(地下)水位、洪水、不均匀沉降(differential settlement)、酸性土壤等。美国太空总署也提出一些题目待高手解决,例如如何设计可长期储放的太空食物包,兼顾体积、重量与回收处理限制,食物包要提供极佳的防水性、防氧化,让食物质量能保持3-5年。NASA另外一个题目拟以2万元美金,征求在零重力环境操作的有氧与阻力运动设备的机构设计概念。
云端工作也许是种趋势,市场存在的条件包含高效率且可靠的因特网设施环境、足够的各类专业与通晓英语的人力资源以及类似消保法规的云端工作者利益保护制度。
参考来源:
NesScientist: Innovation: The relentless rise of the digital worker
相关连结:
innocentive.com
Amazon Mechanical Turk
CrowdFlower

以前在做海洋生物科研活动时,往往需要把采集的样本带回实验室进行分析研究。最近有一种利用水下机器人的海洋生物测试实验室出现,随着潜水员进入海底,可以进行物种检测和DNA分析等实验室功能。相关信息:Underwater robot automates ocean testing

NASA正在研究卫星修复机器人商用的可能性。从目前来看,许许多多的卫星是由于在其他电子器件或系统错误发生之前由于燃料用完而报废,而这是完全可以修复的。相关信息参见:NASA grooming satellite repair-bots

加州理工学院将硅奈米线(silicon microwires)应用在太阳能电池上,发现可以吸收射入阳光85%的光谱,效率与传统式硅晶圆相当,不过仅需前者1%的硅材料。论文发表于2月14日的Nature Materials。
加州理工学院研究生Michael Kelzenberg等研究人员将硅奈米线装在聚二甲基硅氧烷(Polydimethylsiloxane, PDMS)平板上,垂直的硅奈米线能有效率的吸收从任意角度射入的阳光,不过正午垂直入射的阳光无法照到够大面积的硅奈米线,所以研究人员在硅奈米线表面加上氧化铝奈米颗粒,反射与散射阳光。
Kelzenberg的实验结果尚未进入太阳能电池的实际制造阶段,参予研究的加州理工学院化学家Nate Lewis认为硅奈米线证明能吸收足够的阳光,应能成为太阳能电池的候选材料。
IBM利用铜、锌、锡、硒与硫等组合材料,制造了薄膜式太阳能电池,可以将9.6%的入射阳光转为电力。IBM材料科学家David Mitzi 2月8日于Advanced Materials发表其研究成果,他们将CIGS(Cu(In,Ga)Se2)薄膜电池内的铟以锌与锡取代,借着硫与硒材料比例的变化,Mitzi团队可以将kesterite(Cu2ZnSnS4)太阳能电池效率提升到40%,Mitzi认为增加硫成分确实可以增加电池的开路电压(open-circuit voltage)。
IBM并无生产其所研发kesterite太阳能电池的计划,兴趣放在专利授权。Mitzi认为无论是硅奈米线与kesterite太阳能电池都应可以制成各式的弹性组件,包含可以编织成织物。目前Dow Chemical与Global Solar都利用CIGS薄膜电池制造太阳能屋瓦(solar roof shingle)以产生电力。
参考来源:
Scientific American: Photovoltaic Breakthroughs Brighten Outlook for Cheap Solar
相关连结:
High-Efficiency Solar Cell with Earth-Abundant Liquid-Processed Absorber
Enhanced absorption and carrier collection in Si wire arrays for photovoltaic applications

协助科学家用于研究宇宙建构、检视人体纤细构造、监控气象变迁的网格运算(grid computing),将能进入家用或办公室计算机执行运算。
挪威奥斯陆大学物理学家Farid Ould-Saada 领导一群研究人员努力扩充网格资源(grid resources)的易使用性,欧盟赞助此项称之为KnowARC的研究计划,计划终极目标是让所有的人都能应用网格计算性能,就如同分享网络上的讯息一般。
Farid Ould-Saada解释,网格运算能让使用者进入分散全球的各种不同运算机器,使用其计算资源,对科学界而言是无价之宝。不过由于在网络软件安装与配置、进入网格网络、获得允许使用资源上的复杂性,使得大部分的商业世界与普罗大众不得其门而入。
为了将网格运算普及化,KnowARC计划研究人员着手改善现有的Advanced Resource Connector (ARC)中间件(middleware或称为中间件),ARC原来由北欧网格合作(NorduGrid)计划内的一些北欧研究机构所研发,设计用来提供不同计算系统、架构与平台间的可互操作性,新版的ARC软件正应用于整个欧洲以建立网格网络。该软件刚被European Grid Initiative Design Study (EGI_DS)挑选,作为稳定与持续的欧洲超级网格基础建设方案的三项关键中间件之一。
与UNICORE、gLite并列EGI_DS青睐对象,Ould-Saada相信ARC由于易于安装与使用,最具潜力能广泛应用于新领域。Ould-Saada特别指出Nordugrid中间件ARC在处理LHC对撞实验庞大数据的宝贵贡献。
就前瞻性而言,KnowARC主管期望网格与ARC中间件持续演进,他以网格运算与云端运算(cloud computing)的合并整合举例,于其中数据储存与计算资源都是分布式的,他希望数年之后,能容易的从远程进入资源与储存设备。
参考来源:ScienceDaily: Grid Computing for the Masses
相关连结:KnowARC

数量庞大的量测数据进行分析与后处理时,因为噪声、外在环境干扰、设备问题等等,经常包含许多错误数据,工程师必须正确且有效率的去除错误数据,并分析传感器是否失效;一套创新的运算技术能协助解决上述问题。
美国National Center for Atmospheric Research (NCAR) 与University of Colorado at Boulder (CU)研究人员研发了上述称之为智能型异常侦测运算法(Intelligent Outlier Detection Algorithm. IODA) 的专利技术,论文发表于二月份的Journal of Atmospheric and Oceanic Technology。
IODA系依据统计学、图形理论、图像处理与判定树发展,并以MATLAB程序撰写而成;此专家系统可使用于敏感的复杂技术系统,例如人造卫星、气象设备、发电厂、雷达、太空探测或各式监测量测系统等。基本上,只要是藉由传感器量测所得之时域(time domain)物理量,数量过于庞大,无法以人工方式检视筛选(译者的旧经验是先把量测物理量时域图画出,分析数据不合理的地方,再进入数据数据库删除不正常的数据,或写个小程序分析数据变化率是否合理,很不科学吧!),或者传感器故障的后果很严重时,都适用IODA处理。
在量测数据发生错误读数或其他由失效传感器所引起的问题时,IODA能协助警告仪具设备操作者;仪具传感器一旦故障,并开始传递谬误的数据时,IODA即能辨识问题并且将谬误数据隔离。
一般而言,系统需要辨识出坏数据时,需要佐以多重传感器(利用其他正常传感器读数辨识出坏的传感器读数;所以在做物理量监测时,一定要有备份传感器),或以能表现所量测物理量特性的运算逻辑,在数据突然变化时,依据运算结果辨识出问题(例如你在监测高铁桥梁结构,以应变计长期量测桥梁结构的应变量时,依据工程经验,所计算出的应力值不应超过待量测材料的降服强度);所以应用工程师所写的运算逻辑只适用于某种型态的时域物理量,无法遍及其他的物理量。而IODA能将进来的读数与通用失效模式进行比较,以图像处理方式进行运算,因此能广泛的应用于各种物理量监测。
论文详见“An Algorithm for Classification and Outlier Detection of Time-Series Data”, Journal of Atmospheric and Oceanic Technology,Volume 27, Issue 1 (January 2010)

参考来源:Innovative technique can spot errors in key technological systems

相关连接:An Algorithm for Classification and Outlier Detection of Time-Series Data

第六感的惊人潜力

MIT的印度籍学生Pranav Mistry发明的感觉未来这项应用非常值得关注。

youtube视频地址:http://www.youtube.com/watch?v=mzKmGTVmqJs
youku视频地址:http://v.youku.com/v_show/id_XMTQxNzY2MDUy.html

在这项技术里面,通过摄像头感知人的肢体动作来操纵数字设备,数字设备通过投影来显示操纵的结果和界面。

机器人系统的学习技术

下面是摘自IEEE机器人学习技术委员会(IEEE Technical Committe On Robot Learning)的一段话:

Learning techniques are increasingly being used in todays’ complex robotic system. Robots are expected to deal with a large variety of tasks, using their high-dimensional and complex bodies, to interact with objects and humans in an intuitive and friendly way. In this new setting, not all relevant information is available at design time, thus self-experimentation and learning by interacting with the physical and social world is very important to acquire knowledge.

A major obstacle, in high and complex sensorimotor space, is that learning can become extremely slow or even impossible without adequate exploration strategies. To solve this problem, two main approaches are now converging. Active learning, from statistical learning theory, where the learner actively chooses experiments in order to collect highly informative examples, and where expected information gain can be evaluated with either theoretically optimal criteria or various computationally efficient heuristics. The second approach, intrinsically motivated exploration, from developmental psychology and recently operationalized in the developmental robotics community, aims at building robots capable of open-ended cumulative learning through task-independent efficient exploration of their sensorimotor space and to refine our understanding of how children learn and develop.

Although similar in some aspects, these two approaches differ in some of the underlying assumptions. Active learning implicitly assumes that samples with high uncertainty are the most informative and focuses on single tasks. On the contrary, Intrinsic motivation has been identified by psychologists as an innate incentive that pushes organisms to spontaneously explore activities or situations for the sole reason that they have a certain degree of novelty, challenge or surprise, hence the term curiosity-driven learning sometimes used.