We apply Physics Informed Neural Networks (PINNs) to the problem of wildfire fire-front modelling. The PINN is an approach that integrates a differential equation into the optimisation loss function of a neural network to guide the neural network to learn the physics of a problem. We apply the PINN to the level-set equation, which is a Hamilton-Jacobi partial differential equation that models a fire-front with the zero-level set. This results in a PINN that simulates a fire-front as it propagates through a spatio-temporal domain. We demonstrate the agility of the PINN to learn physical properties of a fire under extreme changes in external conditions (such as wind) and show that this approach encourages continuity of the PINN's solution across time. Furthermore, we demonstrate how data assimilation and uncertainty quantification can be incorporated into the PINN in the wildfire context. This is significant contribution to wildfire modelling as the level-set method -- which is a standard solver to the level-set equation -- does not naturally provide this capability.

野火传播的计算模拟通常在各种条件下（例如地形，燃料类型，天气）采用经验分布计算。条件下的小扰动通常会导致火灾传播（例如速度和方向）的显着变化，因此需要进行计算昂贵的大型模拟以量化不确定性。模型仿真寻求使用机器学习的物理模型的替代表示，旨在提供更有效和/或简化的替代模型。我们提出了一个专用时空神经网络，用于模型仿真，能够捕获火灾传播模型的复杂行为。所提出的方法可以在基于神经网络的方法通常具有挑战性的空间和时间分辨率上进行近似预测。此外，由于新的数据增强方法，即使使用小型训练集，提出的方法也是可靠的。经验实验表明，模拟和模拟的火山之间的良好一致性，平均Jaccard得分为0.76。

Deep supervised models have an unprecedented capacity to absorb large quantities of training data. Hence, training on multiple datasets becomes a method of choice towards strong generalization in usual scenes and graceful performance degradation in edge cases. Unfortunately, different datasets often have incompatible labels. For instance, the Cityscapes road class subsumes all driving surfaces, while Vistas defines separate classes for road markings, manholes etc. Furthermore, many datasets have overlapping labels. For instance, pickups are labeled as trucks in VIPER, cars in Vistas, and vans in ADE20k. We address this challenge by considering labels as unions of universal visual concepts. This allows seamless and principled learning on multi-domain dataset collections without requiring any relabeling effort. Our method achieves competitive within-dataset and cross-dataset generalization, as well as ability to learn visual concepts which are not separately labeled in any of the training datasets. Experiments reveal competitive or state-of-the-art performance on two multi-domain dataset collections and on the WildDash 2 benchmark.

Multilevel Stein variational gradient descent is a method for particle-based variational inference that leverages hierarchies of approximations of target distributions with varying costs and fidelity to computationally speed up inference. This work provides a cost complexity analysis of multilevel Stein variational gradient descent that applies under milder conditions than previous results, especially in discrete-in-time regimes and beyond the limited settings where Stein variational gradient descent achieves exponentially fast convergence. The analysis shows that the convergence rate of Stein variational gradient descent enters only as a constant factor for the cost complexity of the multilevel version, which means that the costs of the multilevel version scale independently of the convergence rate of Stein variational gradient descent on a single level. Numerical experiments with Bayesian inverse problems of inferring discretized basal sliding coefficient fields of the Arolla glacier ice demonstrate that multilevel Stein variational gradient descent achieves orders of magnitude speedups compared to its single-level version.

人工智能的最新发展提高了其在很大程度上自主和协作背景下创建艺术的能力。在这两种情况下，AI旨在模仿，结合和扩展现有的艺术风格，并可以改变创造性实践。在我们正在进行的研究中，我们从可持续性和道德角度研究了这种创意-AI。这两个主要重点领域是了解涉及创意-AI的艺术过程中的环境可持续性方面（材料，实践），以及与谁参与创建过程（权力，作者身份，所有权）有关的道德问题。本文概述了我们在这两个方向上正在进行的研究。我们将介绍我们的跨学科方法，该方法结合了访谈，讲习班，在线人种志和能源测量，以解决我们的研究问题：艺术家社区当前如何使用Creative-AI，以及艺术家想象的未来应用？当AI应用于创建艺术时，它将如何影响经济和环境？而且，如何回答这些问题指导创意ai的知识产权制度的要求？

快速，可靠地找到准确的逆运动学（IK）解决方案仍然是机器人操纵的挑战性问题。现有的数值求解器广泛适用，但依赖于本地搜索技术来管理高度非关键目标函数。最近，基于学习的方法已显示出有望作为生成快速准确的IK结果的一种手段。可以轻松地将学习的求解器与端到端系统中的其他学习算法集成在一起。但是，基于学习的方法具有致命的脚跟：每个感兴趣的机器人都需要一个专门的模型，必须从头开始训练。为了解决这一关键缺点，我们研究了一种新颖的距离几何机器人表示，并与图形结构相结合，使我们能够利用图形神经网络（GNNS）的灵活性。我们使用这种方法来训练第一个学到的生成图形逆运动学（GGIK）求解器，它至关重要的是，“机器人 - 敏捷” - 单个模型能够为各种不同的机器人提供IK解决方案。此外，GGIK的生成性质使求解器可以同时生产大量不同的解决方案，并与最小的额外计算时间同行，使其适用于诸如基于采样的运动计划之类的应用。最后，GGIK可以通过提供可靠的初始化来补充本地IK求解器。这些优势以及使用与任务相关的先验并通过新数据不断改进的能力表明，GGIK有可能成为灵活的，基于学习的机器人操作系统的关键组成部分。

可解释的人工智能（XAI）越来越多地用于分析神经网络的行为。概念激活使用人解剖概念来解释神经网络行为。这项研究旨在评估回归概念激活的可行性，以解释多模式体积数据的检测和分类。概念验证证明是在前列腺发射断层扫描/计算机断层扫描（PET/CT）成像的转移性前列腺癌患者中证明的。多模式的体积概念激活用于提供全球和局部解释。敏感性为80％，为每位患者的假阳性为1.78。全球解释表明，检测集中在CT上的解剖位置和PET上的检测信心。当地的解释显示出有望有助于区分真实积极因素和误报。因此，这项研究证明了使用回归概念激活来解释多模式体积数据的检测和分类的可行性。

多个数据集上的培训语义细分模型引起了对计算机视觉社区的最新兴趣。这种兴趣是由昂贵的注释和渴望在多个视觉领域熟练的愿望激发的。但是，已建立的数据集具有相互不相容的标签，这些标签破坏了野生中原则上的推断。我们通过迭代数据集集成自动构建通用分类法来解决这个问题。我们的方法检测数据集特异性标签之间的子集 - 苏佩特关系，并通过将超级类作为部分标签来支持子类liogits的学习。我们介绍了有关标准数据集收集的实验，并证明了相对于先前工作的竞争性概括性表现。

生命的起源被神秘笼罩着，几乎没有生存线索，被进化竞争所掩盖。先前的评论涉及自上而下和自下而上的合成生物学的互补方法，以增强我们对生活系统的理解。在这里，我们指出这些领域之间的协同作用，尤其是自下而上的合成生物学和生命研究起源之间。我们探讨了与拥挤的细胞，其新陈代谢以及生长和分裂周期以及如何开始合并这些努力的人造细胞隔室取得的最新进展。尽管当前生活的复杂性是其最引人注目的特征之一，但人生的基本特征都不需要它，而且它们从一开始就不太可能出现因此而变得复杂。当前的研究不是通过恢复一个真正的起源而恢复真正的起源，而是通过挑出一组基本组成部分可能产生的复杂性和进化而融合了最小生命的出现。

我们提出了一种几何多级优化方法，该方法平滑地包含了框约束。给定一个受限的优化问题，我们考虑了具有不同离散水平的模型的层次结构。更精细的型号准确但计算昂贵，而更粗的型号则不太准确，但计算便宜。在良好级别上工作时，多级优化将基于搜索方向计算搜索方向，该模型会加快良好级别的更新。此外，利用层次结构引起的几何形状保留了更新的可行性。特别是，我们的方法扩展了多移民方法的经典组成部分，例如限制和延长延长我们约束的riemannian结构。