• 双模式MOSCAP硅微环谐振器用于节能模拟光学计算

  硅微环谐振器已成为光学神经网络（ONNs）的关键构建模块；然而，实现低电压运行对于可扩展光子硬件仍是一个关键挑战。在此，研究人员展示了一种亚伏特硅微环谐振器，其采用金属-氧化物-半导体电容器（MOSCAP）结构，并由高迁移率透明导电氧化物（HMTCO）作为栅极

  来源：ACS Photonics

  时间：2026-08-14

• 基于数据驱动的非线性模型预测控制（NMPC）用于空分装置（ASU）

  在本研究中，研究人员使用了一种基于数据驱动预测模型的非线性模型预测控制（NMPC）框架来控制空分装置（ASU）。该框架集成到工业自动化平台中，无论底层控制系统供应商如何，都能提供实时控制。该方法是一种可扩展的解决方案，利用自动化训练框架，在模型训练方面只需最小

  来源：ACS Omega

  时间：2026-08-14

• 基于端到端架构的多通道气相色谱-质谱（GC-MS）智能油源对比

  传统的油源对比方法依赖于少量生物标志化合物参数，阻碍了充分利用GC-MS全扫描数据中蕴含的丰富地球化学信息，且在区分地球化学指纹高度相似烃源岩时面临严峻挑战。为突破该局限，研究人员开发了基于端到端架构的智能油源对比技术，构建了从GC-MS原始文件解码、数据预处

  来源：Petroleum Science

  时间：2026-08-14

• 基于物理信息神经算子的车-桥相互作用系统动力响应预测

  本文提出了一种物理信息神经算子框架，称为物理信息神经算子-车-桥相互作用（PINO-VBI），用于高效预测车-桥相互作用（VBI）系统的动力响应。数值验证聚焦于受控低速VBI工况，车辆速度范围为4至8 m/s。该模型将分支傅里叶神经算子（BFNO）与物理信息损

  来源：KSCE Journal of Civil Engineering

  时间：2026-08-14

• 用于长时程课堂话语分析的神经符号教学对齐（NSPA）：通过反事实偏好优化缓解方言偏差

  课堂话语的自动化分析传统上依赖于判别式Transformer架构（如RoBERTa）对孤立话语进行分类，这种方法内在难以应对长时程依赖，并且对非标准美国英语方言使用者表现出显著的算法偏差。现成模型往往无法与教学框架（如对话式教学和资产本位教学法）对齐。为解决这

  来源：Computers and Education: Artificial Intelligence

  时间：2026-08-14

• 水库–库区漂浮光伏–制氢系统的图神经预测控制：建模与树莓派验证

  来自漂浮光伏(FPV)系统的制氢作为分散式低碳能源生成的一种有前景方案正受到越来越多的关注，尤其在太阳能潜力高且土地有限地区。研究人员针对与水库相关、概念性布置于摩洛哥得土安Martil坝的太阳能–氢能系统，研究了一种预测协调策略。所提控制框架基于图神经预测控

  来源：Energy Conversion and Management-X

  时间：2026-08-14

• 儿童感觉超敏的行为与神经相关性：特异性及可复现性研究

  目的：感觉超敏（Sensory Over-Responsivity, SOR）以对通常无害刺激的强烈负性反应为特征，被视为孤独症谱系障碍（Autism Spectrum Disorder, ASD）的症状之一，但其总体儿童患病率达15-20%，且累及多数常见精

  来源：JOURNAL OF THE AMERICAN ACADEMY OF CHILD AND ADOLESCENT PSYCHIATRY

  时间：2026-08-14

• 支持自闭症儿童问候游戏的可穿戴数字化增强面具：一项初步研究

  研究人员提出MaskMe，一种数字化增强可穿戴面具系统，其将基于身份的游戏、协作交互与共享视觉反馈相结合。研究人员设计了协作式问候游戏，通过灵活且低压力的社交互动，支持自闭症儿童的舒适且具游戏性的参与。一项为期两个月的实地研究包含四次游戏环节，涉及15名自闭症

  来源：International Journal of Human-Computer Studies

  时间：2026-08-14

• 医学影像分析中用于脑肿瘤分类的多尺度注意力与高效卷积框架

  从磁共振成像（MRI）中准确进行脑肿瘤分类可支持诊断决策，但可靠的评估要求严格的数据泄露控制与透明的计算基准。本研究提出了并行多尺度网络（Parallel Multi-Scale Network, PMS-Net），一种用于四类脑MRI分类（胶质瘤、脑膜瘤、垂

  来源：Healthcare Analytics

  时间：2026-08-14

• NeMoCo：面向超微结构三维神经科学形态的自监督对比学习框架

  体积电子显微镜(EM)目前能够实现神经组织纳米级分辨率的二维切片堆叠重建为三维结构，为超越单纯连接组学的定量、形态驱动神经科学打开了大门。先前研究依赖手工描述符与经典机器学习进行形态分析，而近期三维形状理解深度学习进展提供了直接从几何数据学习鲁棒、任务特定表示

  来源：Graphical Models

  时间：2026-08-14

知名企业招聘：