• ANKRD1維持顱頜面骨髓間充質(zhì)干細胞的神經(jīng)源性微環(huán)境并抵御認知衰老

  隨著老齡化加劇，認知功能衰退成為日益嚴峻的公共衛(wèi)生挑戰(zhàn)。顱頜面骨髓間充質(zhì)干細胞（BMSCs）因其獨特的神經(jīng)嵴來源背景，被證實保留神經(jīng)源性潛能。研究人員圍繞ANKRD1在維持BMSCs神經(jīng)源性儲備中的作用展開研究。研究發(fā)現(xiàn)，ANKRD1通過直接結(jié)合并維持SOX2、NESTIN等關(guān)鍵神經(jīng)基因的超增強子（SEs）活性，來維持染色質(zhì)開放結(jié)構(gòu)和神經(jīng)潛能。在動物實驗中，神經(jīng)元靶向遞送ANKRD1可有效逆轉(zhuǎn)老年小鼠的空間記憶缺陷。該研究首次揭示了ANKRD1作為連接發(fā)育譜系記憶與成年神經(jīng)認知可塑性的關(guān)鍵調(diào)節(jié)因子，為基于內(nèi)源性干細胞調(diào)控的神經(jīng)退行性疾病治療策略提供了新的理論依據(jù)和潛在干預(yù)靶點。

  來源：International Journal of Oral Science

  時間：2026-03-02

• 利用硬件非理想特性構(gòu)建在ACIM上的魯棒低精度集成系統(tǒng)

  器件變異在模擬計算內(nèi)存（ACIM）系統(tǒng)中的利用策略。研究通過在ACIM芯片上部署兩個4位深度神經(jīng)網(wǎng)絡(luò)副本，結(jié)合軟投票機制提升預(yù)測可靠性。實驗表明，當器件變異系數(shù)σ≥0.10時，4位集合模型性能超越8位單模型基準，最高提升1.28pp。硬件評估顯示，采用SRAM架構(gòu)的ACIM系統(tǒng)，雙副本方案面積縮減9%，但延遲增加30%，能耗上升2.1%。研究證實該機制在不同存儲器技術(shù)（RRAM/FeFET）下的有效性，揭示了器件變異與計算性能的動態(tài)平衡關(guān)系。

  來源：IEEE Transactions on Very Large Scale Integration (VLSI) Systems

  時間：2026-03-02

• 一種適用于智能邊緣設(shè)備的45.2微瓦實時ASL手勢識別系統(tǒng)，該系統(tǒng)采用分層自相似二進制神經(jīng)網(wǎng)絡(luò)實現(xiàn)

  提出了一種適用于智能邊緣設(shè)備的超低功耗實時高精度手語識別系統(tǒng)LRASL，通過六階段先進手部區(qū)域分割引擎AHRSE將輸入壓縮至32×32二進制手勢，并采用硬件共享的分層自相似二進制神經(jīng)網(wǎng)絡(luò)引擎HSBNNE，有效解決相似手勢識別難題，在28nm CMOS下實現(xiàn)45.2μW功耗和33.3ms延遲。

  來源：IEEE Transactions on Very Large Scale Integration (VLSI) Systems

  時間：2026-03-02

• 面向不平衡SCADA數(shù)據(jù)的風機故障診斷：基于多變量時序時空特征提取的MCNN-LSTM方法

  針對風電SCADA數(shù)據(jù)不平衡導(dǎo)致少數(shù)故障診斷準確率下降的難題，研究人員開展了基于多變量時序時空特征提取的故障診斷方法研究。他們提出了融合空間拓撲與時間演化的集成多變量時序表示法，構(gòu)建了層次化MCNN-LSTM模型提取時空融合特征，并設(shè)計了改進的加權(quán)交叉熵損失函數(shù)。結(jié)果表明，該方法在真實數(shù)據(jù)集上取得了優(yōu)異的綜合性能，為提升風機運行可靠性提供了有效方案。

  來源：Journal of Modern Power Systems and Clean Energy

  時間：2026-03-02

• 多圖歸納表示學習用于大規(guī)模城軌網(wǎng)絡(luò)在運營中斷下的起訖點需求預(yù)測

  城市軌道交通(URT)網(wǎng)絡(luò)日益龐大，對起訖點(OD)需求進行精準預(yù)測是支持規(guī)劃、調(diào)度和車隊管理的關(guān)鍵。然而，現(xiàn)有模型難以應(yīng)對網(wǎng)絡(luò)結(jié)構(gòu)動態(tài)變化、多種時空依賴性混雜以及列車延誤/取消等運營不確定性。為此，研究人員開展了一項題為“Multi-Graph Inductive Representation Learning for Large-Scale Urban Rail Demand Prediction under Disruptions”的研究，提出一種名為mGraphSAGE的多圖歸納表示學習框架。該模型將每個OD對表示為多個圖中的節(jié)點，以捕捉不同的時空相關(guān)性，并顯式納入運營可靠性信息。實驗表明，該模型在哥本哈根URT系統(tǒng)的三個網(wǎng)絡(luò)規(guī)模上均優(yōu)于基線，RMSE降低高達5%，證明了其在大型及受干擾URT環(huán)境下的適用性與魯棒性。

  來源：Computers & Industrial Engineering

  時間：2026-03-02

• 利用自編碼器正則化實現(xiàn)多維數(shù)據(jù)的參數(shù)化與可逆投影學習

  為解決傳統(tǒng)降維方法（如t-SNE和UMAP）普遍不具備參數(shù)化和可逆性，限制了其在動態(tài)數(shù)據(jù)集擴展和交互式數(shù)據(jù)生成中的應(yīng)用這一難題，本研究深入探索并評估了基于自編碼器的三種神經(jīng)網(wǎng)絡(luò)架構(gòu)。研究人員通過引入特定的正則化方法，成功學習了與給定二維投影對齊的潛在空間，不僅能高精度地參數(shù)化嵌入新數(shù)據(jù)點，還能平滑地從投影空間反演出高維樣本。結(jié)果表明，特別當采用KL散度正則化時，所提方法在保持高質(zhì)量重構(gòu)的同時，允許用戶靈活控制投影的平滑度，為分類器評估和反事實生成等應(yīng)用提供了強大的交互式生成模型。

  來源：Computers & Graphics

  時間：2026-03-02

• 結(jié)構(gòu)地質(zhì)隱式神經(jīng)表征中的不確定性量化：基于哈密頓蒙特卡洛的方法

  為了解決基于人工智能的地質(zhì)建模方法在預(yù)測不確定性表征上的關(guān)鍵空白，研究人員將高效的隱式神經(jīng)表征（INR）地質(zhì)建模框架GeoINR與基于貝葉斯神經(jīng)網(wǎng)絡(luò)（BNN）的哈密頓蒙特卡洛（HMC）采樣器相結(jié)合。該方法探索了網(wǎng)絡(luò)參數(shù)和觀測數(shù)據(jù)不確定性所導(dǎo)致的完整地質(zhì)模型實現(xiàn)空間，定量評估了預(yù)測地質(zhì)界面的不確定性。實驗在北海無噪聲鉆孔和加拿大薩斯喀徹溫省有噪聲測井數(shù)據(jù)集上均取得良好效果，且在評估無噪聲數(shù)據(jù)認知不確定性方面，相比常用的蒙特卡洛Dropout方法表現(xiàn)出更優(yōu)的準確性，為地質(zhì)建模中的AI不確定性量化提供了更準確的新工具。

  來源：Computers & Geosciences

  時間：2026-03-02

• 用于從眼底圖像中檢測青光眼的Shuffle Fuzzy Attention網(wǎng)絡(luò)

  青光眼檢測方法采用ShuffleFA-Net模型，結(jié)合Shuffle Attention Network、Taylor級數(shù)與ANFIS系統(tǒng)，通過ROI提取、CLAHE增強、SimpleCNN-UNet分割及HOS等特征分析，在K=8時實現(xiàn)94.0%準確率。

  來源：Computers and Electrical Engineering

  時間：2026-03-02

• 基于圖神經(jīng)網(wǎng)絡(luò)模型對山區(qū)非平穩(wěn)風速預(yù)測和風場重建的研究

  針對山岳地形中非平穩(wěn)風場預(yù)測與建模的挑戰(zhàn)，本文提出雙階段框架：WindDynGNN采用改進MPBB-NMF和HA-GCN提升預(yù)測精度，MPTA-WindNet引入Navier-Stokes散度約束實現(xiàn)物理一致性建模。實驗表明，相比傳統(tǒng)方法，MAE降低19.9%-34.7%，RMSE降低24.7%-40.0%，驗證了模型的有效性。

  來源：Computers and Electrical Engineering

  時間：2026-03-02

• 綜述：用于語義文本相似度的句子表示：系統(tǒng)性綜述

  這篇綜述系統(tǒng)性回顧了2018年至2025年期間關(guān)于生成句子表示以用于語義文本相似性（STS）任務(wù)的最新研究。文章通過構(gòu)建一個分類法來組織該任務(wù)，分析了各種方法的模型架構(gòu)、訓練數(shù)據(jù)集和評估指標，總結(jié)了當前最優(yōu)（SOTA）方法，并提出了針對句子級STS任務(wù)選擇模型和方法的實用指南，為自然語言處理（NLP）領(lǐng)域的研究和應(yīng)用提供了全面參考。

  來源：Computer Speech & Language

  時間：2026-03-02

• 通過使用預(yù)訓練的語言模型進行文本生成來改進神經(jīng)網(wǎng)絡(luò)自然語言模型（NNLMs）

  文本生成增強數(shù)據(jù)提升輕量級語音識別模型

  來源：Computer Speech & Language

  時間：2026-03-02

• 基于綜合敏感性分析的阿爾茨海默病模型關(guān)鍵參數(shù)識別

  這篇研究通過構(gòu)建一個包含Aβ單體、Aβ寡聚體、tau蛋白、神經(jīng)原纖維纏結(jié)、小膠質(zhì)細胞和細胞因子相互作用的數(shù)學模型，對阿爾茨海默病（AD）動力學進行了局部和全局敏感性分析，旨在識別驅(qū)動疾病進展的關(guān)鍵生物參數(shù)，為理解AD的復(fù)雜病理機制和潛在干預(yù)靶點提供了量化依據(jù)。

  來源：Communications in Nonlinear Science and Numerical Simulation

  時間：2026-03-02

• APW-PINN：基于自適應(yīng)分段加權(quán)損失策略增強PINN求解偏微分方程的魯棒性與精度

  本文提出一種基于概率建模的自適應(yīng)分段加權(quán)物理信息神經(jīng)網(wǎng)絡(luò)（APW-PINN），旨在解決傳統(tǒng)物理信息神經(jīng)網(wǎng)絡(luò)（PINN）在多約束訓練中面臨的梯度失衡、收斂不穩(wěn)及對噪聲敏感等問題。該策略通過Smooth L1損失統(tǒng)一高斯與拉普拉斯分布的負對數(shù)似然，構(gòu)建了一個可隨訓練學習噪聲尺度參數(shù)的自適應(yīng)損失函數(shù)。理論分析表明，該方法可在不同誤差尺度下提供自適應(yīng)且有界的梯度權(quán)重，有效平衡多損失項間的梯度，并抑制由高頻結(jié)構(gòu)或噪聲擾動引起的優(yōu)化振蕩。數(shù)值實驗在多種典型偏微分方程（PDE）（包括Boussinesq方程、Helmholtz方程和Klein-Gordon方程）上驗證了其在收斂效率、求解精度和噪聲魯棒性上的顯著優(yōu)勢。

  來源：Communications in Nonlinear Science and Numerical Simulation

  時間：2026-03-02

• 用于骨修復(fù)的3D打印仿生納米復(fù)合支架：促進間充質(zhì)干細胞成骨-成神經(jīng)分化的潛力

  本研究致力于解決大尺寸骨缺損修復(fù)中，同時促進骨再生與相關(guān)神經(jīng)再生的難題。研究人員受天然骨結(jié)構(gòu)和功能的啟發(fā)，通過3D打印技術(shù)，成功構(gòu)建了一種分區(qū)仿生納米復(fù)合支架，其中心多孔區(qū)負載天然來源的羥基磷灰石（HA）以促進骨重建，外圍致密區(qū)負載氧化石墨烯錨定超順磁性氧化鐵納米顆粒（GO@SPION）以增強力學性能并誘導(dǎo)神經(jīng)發(fā)生。體外實驗證明，該支架具有優(yōu)異的細胞相容性，并能有效促進脂肪來源間充質(zhì)干細胞（AdMSCs）的成骨與成神經(jīng)分化，為骨組織工程提供了兼具結(jié)構(gòu)和功能仿生的新策略。

  來源：Chemical Engineering Journal Advances

  時間：2026-03-02

• 研究具有二階憶阻式突觸的自反饋神經(jīng)元中出現(xiàn)的放電模式多樣性特征

  第二階本地活性憶阻器（SOLAM）及其在HR神經(jīng)元模型中的應(yīng)用，通過小信號分析和局部活動理論揭示其非易失性與負微分電阻特性，構(gòu)建SOMAHR模型并發(fā)現(xiàn)其在外部刺激下可生成頻率依賴的多scroll混沌吸引子，驗證電路可行性并揭示復(fù)雜神經(jīng)動態(tài)機制。

  來源：Chaos, Solitons & Fractals

  時間：2026-03-02

• 基于神經(jīng)網(wǎng)絡(luò)與遺傳算法的多熱源異形冷板分區(qū)結(jié)構(gòu)優(yōu)化研究 中文標題

  針對多熱源電子設(shè)備非均勻熱流密度導(dǎo)致溫度不均、傳統(tǒng)全局優(yōu)化方法難以兼顧局部熱約束與全局流阻的難題，本文研究者耦合人工神經(jīng)網(wǎng)絡(luò)（ANN）與非支配排序遺傳算法（NSGA-II），對直翅片與混合翅片（直翅片+針翅）冷板進行了獨立分區(qū)參數(shù)優(yōu)化。研究成功實現(xiàn)了最小流阻與綜合性能平衡的優(yōu)化設(shè)計，在滿足各組件差異化溫度限值下，顯著降低了流動阻力（最高達52.9%），提升了溫度均勻性，為多熱源精密熱管理提供了可擴展的設(shè)計框架。該成果發(fā)表于《Case Studies in Thermal Engineering》。

  來源：Case Studies in Thermal Engineering

  時間：2026-03-02

• 基于人工智能的紡織廢料在石膏中回收性能預(yù)測與優(yōu)化：機器學習與元啟發(fā)式方法

  本文針對建筑行業(yè)對高性能、可持續(xù)材料的需求，提出了一種整合工業(yè)紡織廢料（TW）的自流平石膏復(fù)合材料開發(fā)新策略。研究團隊通過實驗表征與計算模型（DNN-IGWO-CV、GA）相結(jié)合的混合方法，系統(tǒng)評估了TW含量與W/P比對石膏流變、力學、耐久及熱學性能的影響。結(jié)果表明，低劑量TW（0.25-1 wt%）的摻入可顯著提升復(fù)合材料力學強度與隔熱性能，但會降低其工作性，揭示了性能間的權(quán)衡關(guān)系。該研究不僅為紡織廢料的資源化利用提供了創(chuàng)新路徑，也為數(shù)據(jù)驅(qū)動的可持續(xù)建筑材料設(shè)計與優(yōu)化提供了方法論支持。

  來源：Case Studies in Construction Materials

  時間：2026-03-02

• 卷積神經(jīng)網(wǎng)絡(luò)作為二維系統(tǒng)的表示與分析 中文標題

  本刊特邀推薦：卷積神經(jīng)網(wǎng)絡(luò)(CNN)的性能分析常受限于高維結(jié)構(gòu)帶來的計算復(fù)雜度。為解決CNN的魯棒性評估難題，研究團隊開創(chuàng)性地提出將其視為二維Lur'e系統(tǒng)進行分析。通過將卷積層實現(xiàn)為二維線性系統(tǒng)的狀態(tài)空間形式，并利用魯棒控制理論中的耗散性和積分二次約束(IQC)工具，該工作建立了一套基于二維系統(tǒng)理論估計CNN Lipschitz常數(shù)的半定規(guī)劃(SDP)框架。此項研究發(fā)表于《Automatica》，首次建立了二維系統(tǒng)理論與CNN分析的橋梁，為評估CNN對抗擾動的穩(wěn)健性提供了比現(xiàn)有方法更具可擴展性的新途徑。

  來源：Automatica

  時間：2026-03-02

• 隨機自適應(yīng)優(yōu)化方法的末點迭代與幾乎必然收斂統(tǒng)一理論框架

  本文提出一種名為“AdaFamily”的通用理論分析框架，為一系列非凸場景下的隨機自適應(yīng)優(yōu)化算法（如帶有有界自適應(yīng)步長的隨機動量法和有界梯度的隨機Adam法）建立了末點迭代與幾乎必然收斂的保證。該框架不依賴于算法更新方向與有效步長的具體形式，旨在彌合理論分析與實際應(yīng)用之間的差距，為深度學習領(lǐng)域的優(yōu)化算法設(shè)計提供了新的理論見解。

  來源：Artificial Intelligence

  時間：2026-03-02

• 基于混合深度學習網(wǎng)絡(luò)的全巖心圖像縫合線自動識別研究

  為解決碳酸鹽巖儲層中縫合線(Stylolites)與裂縫等結(jié)構(gòu)-成巖特征人工識別耗時、主觀性強的問題，本研究采用創(chuàng)新的混合深度學習框架，將YOLOv5目標檢測與ResNeXt-50圖像分類相結(jié)合，實現(xiàn)了對全巖心圖像中五大類地質(zhì)特征（縫合線、裂縫、水平/垂直巖心塞、完整巖石）的自動識別與分類，最終模型在未見數(shù)據(jù)上分類準確率達92%。該工作為地下流體（如H2、CO2、天然氣）流動模擬提供了精準的地質(zhì)特征數(shù)據(jù)支撐，推動了巖心分析向自動化、智能化轉(zhuǎn)型。

  來源：Applied Computing and Geosciences

  時間：2026-03-02

知名企業(yè)招聘：