• 用于带杆件荷载的平面框架结构线性静力分析的机械约束图神经网络

  摘要

  来源：Buildings

  时间：2026-06-26

• 基于仿真训练深度学习的纳米颗粒组装体快速逆GISAXS分析

  纳米结构材料，特别是通过纳米颗粒沉积或自组装在薄膜表面形成的材料，因其优异的物理和化学性质而对众多先进应用至关重要。掠入射小角X射线散射（GISAXS）已成为表征这些纳米结构形态的 indispensable 技术，可提供表面及薄膜内部电子密度分布的详细见解。

  来源：Photon Science

  时间：2026-06-26

• 通过光谱学与电生理学特征的互相关增强神经毒性检测的灵敏度

  利用电生理学读数进行神经毒性检测在感知化学诱导的神经元离子通道变化方面存在局限。因此，对神经元生化环境的辅助性了解可能揭示隐藏的神经毒性机制。本研究整合了通过拉曼光谱（Raman spectroscopy）的光谱学读数和通过微电极阵列（microelectro

  来源：ACS Omega

  时间：2026-06-26

• SafePowerGraph：面向电力潮流与最优电力潮流安全可扩展图神经网络的安全感知基准框架

  电力系统运行需要在持续扰动下高效地求解电力潮流（Power Flow, PF）与最优电力潮流（Optimal Power Flow, OPF）问题。现有面向电力系统图神经网络（Graph Neural Network, GNN）的基准测试忽视了安全约束与真实故

  来源：Energy and AI

  时间：2026-06-26

• 基于运行时间感知的液态神经网络用于需求响应型暖通空调控制中的直接粗间隔室内温度预测

  准确且灵活的室内温度预测对于优化供暖、通风与空调（HVAC）系统运行、降低能耗以及参与需求响应（Demand Response, DR）项目至关重要。当连续的5分钟测量数据和重复的短间隔推理可用时，细分辨率预测可以通过后聚合得到，该策略是强大的准确性基线。本研

  来源：ENERGY CONVERSION AND MANAGEMENT

  时间：2026-06-26

• Hush hush：利用联邦学习（Federated Learning）实现神经网络索赔建模的隐私性、秘密性与分布式协同——讨论

  本文为一篇讨论性论文（Discussion Paper），针对Dylan Liew、Małgorzata Śmietanka、Harry Loh、Michelle Chen及Scott Hand所提交的关于将联邦学习（Federated Learning, F

  来源：British Actuarial Journal

  时间：2026-06-26

• 忆阻交叉开关阵列中基于电流域加法的signed int8权重量化与ADC映射方案

  摘要：研究人员提出一种适用于基于ReRAM(Resistive Random Access Memory，阻变随机存取存储器，又称忆阻器)的忆阻交叉开关阵列(memristor crossbar array)神经网络加速器中signed int8权重的量化与映

  来源：Journal of Low Power Electronics and Applications

  时间：2026-06-26

• 面向累犯预测的公平性感知与可解释模型

  累犯预测正日益嵌入刑事司法决策过程之中，然而大多数已部署系统仍然缺乏透明性，并且已被证明会对某些人口统计群体表现出歧视性行为。本文提出了一种面向公平性且具可解释性的累犯预测框架，并将其应用于来自保加利亚、希腊和葡萄牙的3个真实世界数据集。该分类框架的核心依赖于

  来源：Algorithms

  时间：2026-06-26

• Guichardet–Fock空间上Bogoliubov变换下的Wick乘积（Wick Products Under Bogoliubov Transformations on Guichardet–Fock Space）

  摘要：上市公司的财务预警机制对于维护资本市场稳定及防范系统性金融风险具有重要的战略价值。本研究提出一种基于改进白鲸优化算法（Enhanced Beluga Whale Optimization, EBWO）与BP神经网络（Back Propagation Ne

  来源：Mathematics

  时间：2026-06-26

• 时间知觉中的预测加工(Predictive Processing)：亚秒(sub-second)范围内的预测误差最小化(Prediction Error Minimization)评估

  预测加工(Predictive Processing, PP)理论提出预测误差最小化(Prediction Error Minimization, PEM)是知觉、学习和行为的支配性原则，但鲜有研究在时间知觉中直接检验此假设。研究人员将预测误差最小化操作化为内

  来源：COGNITIVE, AFFECTIVE & BEHAVIORAL NEUROSCIENCE

  时间：2026-06-26

知名企业招聘：