太阳能无线电通量以及地磁指数是太阳能活动的重要指标及其效果。耀斑和地磁风暴等极端太阳能事件可能对低地轨道中的卫星的空间环境产生负面影响。因此，预测这些空间天气指数在太空运营和科学方面具有重要意义。在这项研究中，我们提出了一种基于长期短期内存神经网络的模型，以了解时间序列数据的分布，以便使用时间序列以及太阳能图像提供空间天气指标的同时多元27天预测数据。我们展示了30-40 \％的根均方误差改进了，而仅包括使用时间序列数据的太阳能图像数据，而单独使用时间序列数据。与训练有素的深神经网络模型相比，诸如持久性和运行平均预测之类的简单基线也将与训练有素的深神经网络模型进行比较。我们还使用模型集合量化我们预测中的不确定性。

原始的“七个图案”阐述了科学计算领域的基本方法的路线图，其中图案是一种捕获计算和数据移动模式的算法方法。我们介绍了“仿真智力的九个主题”，是一种开发和整合的路线图，以合并科学计算，科学模拟和人工智能所必需的基本算法。我们称之为合并模拟智能（SI），短暂。我们认为模拟智能的主题是相互连接的和相互依存的，很像操作系统层中的组件一样。使用这种隐喻，我们探讨了模拟智能操作系统堆栈（Si-Stack）和其中图案的各层的性质：（1）多种物理和多尺度建模; （2）替代建模和仿真; （3）基于仿真的推理; （4）因果建模和推理; （5）基于代理的建模; （6）概率编程; （7）可微分的编程; （8）开放式优化; （9）机器编程。我们相信图案之间的协调努力提供了加速科学发现的巨大机会，从综合生物和气候科学中解决逆问题，指导核能实验，并预测社会经济环境中的紧急行为。我们详细说明了Si-stack的每层，详细说明了最先进的方法，提出了示例以突出挑战和机遇，并倡导具体的方法来推进主题和与其组合的协同作用。推进和整合这些技术可以实现稳健且有效的假设仿真 - 分析类型的科学方法，我们用几种使用案例为人机组合和自动化学介绍。

机器学习（ML）系统的开发和部署可以用现代工具轻松执行，但该过程通常是匆忙和意思是结束的。缺乏勤奋会导致技术债务，范围蠕变和未对准的目标，模型滥用和失败，以及昂贵的后果。另一方面，工程系统遵循明确定义的流程和测试标准，以简化高质量，可靠的结果的开发。极端是航天器系统，其中关键任务措施和鲁棒性在开发过程中根深蒂固。借鉴航天器工程和ML的经验（通过域名通过产品的研究），我们开发了一种经过验证的机器学习开发和部署的系统工程方法。我们的“机器学习技术准备水平”（MLTRL）框架定义了一个原则的过程，以确保强大，可靠和负责的系统，同时为ML工作流程流线型，包括来自传统软件工程的关键区别。 MLTRL甚至更多，MLTRL为跨团队和组织的人们定义了一个人工智能和机器学习技术的人员。在这里，我们描述了通过生产化和部署在医学诊断，消费者计算机视觉，卫星图像和粒子物理学等领域，以通过生产和部署在基本研究中开发ML方法的几个现实世界使用情况的框架和阐明。

太阳能动力学天文台（SDO）是NASA多光谱十年的长达任务，每天都在日常产生来自Sun的观测数据的trabytes，以证明机器学习方法的潜力并铺路未来深空任务计划的方式。特别是，在最近的几项研究中提出了使用图像到图像翻译实际上产生极端超紫罗兰通道的想法，这是一种增强任务较少通道的提高任务的方法，并且由于低下链接而减轻了挑战。深空的速率。本文通过关注四个通道和基于编码器的建筑的排列来研究这种深度学习方法的潜力和局限性，并特别注意太阳表面的形态特征和亮度如何影响神经网络预测。在这项工作中，我们想回答以下问题：可以将通过图像到图像翻译产生的太阳电晕的合成图像用于太阳的科学研究吗？分析强调，神经网络在计数率（像素强度）上产生高质量的图像，通常可以在1％误差范围内跨通道跨通道重现协方差。但是，模型性能在极高的能量事件（如耀斑）的对应关系中大大减少，我们认为原因与此类事件的稀有性有关，这对模型训练构成了挑战。

在本文中，我们介绍了一个单像素的到达方向（DOA）估计技术，利用了曲线图注意网络（GAT）的深度学习框架。使用编码孔径技术实现物理层压缩，探测使用一组时空不连贯模式探测入射在孔径上的远场源的光谱。然后将该信息进行编码并压缩到编码孔径的信道中。编码孔径基于元表面天线设计，并且它用作接收器，展示单通道并替换基于传统的多通道光栅扫描基于DOA估计的解决方案。 GAT网络使得压缩DOA估计框架能够直接从使用编码孔径获取的测量来学习DOA信息。该步骤消除了对额外的重建步骤的需求，并显着简化了处理层以实现DOA估计。我们表明所提出的GAT集成单像素雷达框架即使在相对低的信噪比（SNR）水平下也可以检索高保真DOA信息。

直接到 - 卫星（DTS）通信最近已获得支持全球连接的物联网（IoT）网络的重要性。但是，地球周围密集部署的卫星网络相对较长的距离会导致高路径损失。此外，由于必须部分在物联网设备中进行诸如光束成型，跟踪和均衡之类的高复杂性操作，因此硬件复杂性和对物联网设备的高容量电池的需求都会增加。可重新配置的智能表面（RISS）具有增加能源效率并在传输环境而不是物联网设备上执行复杂的信号处理的潜力。但是，RIS需要级联通道的信息，以更改事件信号的阶段。这项研究将试点信号评估为图形，并将此信息纳入图表网络（GATS），以通过试点信号来跟踪相位关系。提出的基于GAT的通道估计方法研究了DTS IoT网络的性能，以解决不同的RIS配置，以解决具有挑战性的通道估计问题。结果表明，与常规深度学习方法相比，在变化条件下，拟议的GAT均表现出更高的性能，并且在变化的条件下具有更高的鲁棒性，并且计算复杂性较低。此外，根据提议的方法，在通道估计下具有离散和不均匀相移的RIS设计研究了位错误率性能。这项研究的发现之一是，必须在RIS设计期间考虑操作环境的渠道模型和通道估计方法的性能，以尽可能利用性能改进。

将推动下一代通信技术，以陆地网络与含有高空平台站和低地球轨道卫星的MEGA-星座的陆地网络（NTNS）的合作。另一方面，人类已经开始在一条漫长的道路上建立在其他行星上的新栖息地。这认为NTN与NTNS具有深度空间网络（DSN）的合作。在这方面，我们提出了使用可重构的智能表面（RISS）来改善和升级这一合作，因为它们与空间的操作环境的尺寸，重量和电力限制完全匹配。通过针对挑战，用例和公开问题来提出RIS协助非陆地和行星通信的全面框架。此外，通过仿真结果讨论了环境效应下RIS辅助NTN的性能，例如太阳闪烁和卫星阻力。

Derivatives, mostly in the form of gradients and Hessians, are ubiquitous in machine learning. Automatic differentiation (AD), also called algorithmic differentiation or simply "autodiff", is a family of techniques similar to but more general than backpropagation for efficiently and accurately evaluating derivatives of numeric functions expressed as computer programs. AD is a small but established field with applications in areas including computational fluid dynamics, atmospheric sciences, and engineering design optimization. Until very recently, the fields of machine learning and AD have largely been unaware of each other and, in some cases, have independently discovered each other's results. Despite its relevance, general-purpose AD has been missing from the machine learning toolbox, a situation slowly changing with its ongoing adoption under the names "dynamic computational graphs" and "differentiable programming". We survey the intersection of AD and machine learning, cover applications where AD has direct relevance, and address the main implementation techniques. By precisely defining the main differentiation techniques and their interrelationships, we aim to bring clarity to the usage of the terms "autodiff", "automatic differentiation", and "symbolic differentiation" as these are encountered more and more in machine learning settings.