当前位置:首页 > 今日动态 > 神经科学
  • 通过量子计算增强神经网络的对抗鲁棒性

    量子机器学习模型对抗攻击鲁棒性研究,提出量子-经典混合神经网络架构Hybrid QCNN和Hybrid QWideResNet,通过量子叠加和纠缠特性增强模型抗攻击能力,在MNIST、CIFAR-10等数据集上验证对FGSM、PGD等攻击的鲁棒性提升。

    来源:Future Generation Computer Systems

    时间:2026-04-25

  • 基于无人机物联网的云计算技术,用于提升城市环境中的异构通信效果

    可靠通信对智能城市应用至关重要,但现有UAV与云融合框架难以应对动态城市中的异构通信复杂性。本文提出基于IoUT的云计算框架,通过整合UAV的动态部署与云的弹性资源,优化多目标函数(降低延迟和能耗,提升覆盖与可靠性),结合随机优化与机器学习算法解决动态环境下的资源分配难题,并通过射线追踪和图神经网络验证模型在复杂城市场景中的有效性,显著提升通信可靠性和系统效率。

    来源:Future Generation Computer Systems

    时间:2026-04-25

  • 被偷的薯条比“正义”还要“辣”:揭秘这种隐秘的盗窃行为如何提升了食物的美味

    本研究通过实验验证“偷来的食物更美味”的民间说法,120名参与者对比合法拥有、赠与、低风险和高风险窃取四种情境下法式薯条的味觉愉悦度。结果显示高风险窃取薯条评分最高,较合法情境提升39.3%,且道德情绪(如愧疚感)与愉悦度呈正相关,但风险情境中愧疚感不再单独预测愉悦度。研究揭示了心理抗拒、情绪归因和预期效应对感官体验的影响机制。

    来源:Food Quality and Preference

    时间:2026-04-25

  • 基于数据驱动的各向异性塑性研究:利用输入凸神经网络与等效塑性功模型

    基于等效塑性功的输入凸神经网络平面应力各向同性塑性建模框架研究提出一种结合等效塑性功(EPW)映射和输入凸神经网络(ICNN)的数据驱动平面应力各向同性塑性框架,通过合成数据训练和SPSA调优确保凸性,提升数值稳定性,并在缺口AZ31B镁合金拉伸实验中验证了模型的有效性。

    来源:Extreme Mechanics Letters

    时间:2026-04-25

  • Astro-SReC:用于超分辨率太阳观测无损压缩的注意力增强神经网络

    现代观测仪器生成的超分辨率太阳数据需要专用压缩方法,本文提出Astro-SReC框架,通过双注意力机制捕捉多尺度特征,稀疏低秩分解分离背景与纹理,SUGAR激活保留梯度流,在1911×1911像素太阳图像上实现5.46%压缩率提升,比特率优于LC-FDNet 57.54%。框架在自然图像数据集上亦表现优异。

    来源:Expert Systems with Applications

    时间:2026-04-25

  • 绘制友谊的图谱:社交网络认知的基础与起源

    人类通过神经和认知机制导航社交网络,涉及观察学习、社交推理及信息整合策略。研究探讨了友谊形成因素、信息不足时的认知启发式应用、个体差异(神经认知、性别、人格)及进化发展起源,指出社交网络导航依赖通用认知能力与社会特化适应的协同作用。

    来源:Evolution and Human Behavior

    时间:2026-04-25

  • 基于神经网络的工业机器人工具中心点自适应调整

    在基于熔化极气体保护焊(GMAW)的电弧增材制造(WAAM)中,焊丝弯曲和导电嘴磨损会导致焊丝偏离预设的工具中心点(TCP),严重影响大型构件的尺寸精度。为解决此难题,研究人员开展了一项利用多层感知机(MLP)神经网络模型预测和补偿焊丝偏离的前沿研究。通过构建计算机视觉(CV)测量与有限元分析(FEA)模拟相结合的数据集,并开发了一个包含三个独立神经网络模型的预测系统,该研究实现了对TCP的实时、预测性补偿,平均绝对误差(MAE)低至0.088毫米,显著提升了WAAM工艺的精度和稳定性。

    来源:Advances in Industrial and Manufacturing Engineering

    时间:2026-04-25

  • 基于涡度-速度物理特性的神经网络,用于对欠采样速度测量数据进行时空超分辨率处理

    粒子图像测速(PIV)数据超分辨率重建中,传统方法因依赖未测量的压力场导致约束不足。本研究提出基于涡量传输方程的VVPINN方法,通过消除压力项直接约束速度场及其导数,在层流多圆柱尾迹、二维泰勒-格林涡旋和双圆柱实验中验证,VVPINN显著降低涡量和剪切误差约10%-30%,压力梯度误差更小,时空谱分析显示物理更合理。

    来源:Journal of Fluid Mechanics

    时间:2026-04-25

  • 变分数字孪生(VDT):面向能源系统实时感知与不确定度感知的轻量化贝叶斯框架

    为解决能源领域数字孪生(DT)缺乏实时更新、不确定度量化(UQ)及双向同步的难题,研究人员提出变分数字孪生(VDT)框架。该研究通过引入贝叶斯输出层与变分推理,在GPU上实现秒级更新,显著提升了CHF预测(R²≈0.98)、可再生能源与核电站瞬态工况的预测精度与鲁棒性,为工业级DT提供了可扩展的数学基础。

    来源:Energy and AI

    时间:2026-04-25

  • 用于甲烷吸附预测的物理信息神经网络:跨气体迁移学习、物理约束下的集成崩溃与蒙特卡洛Dropout不确定性量化

    为解决跨越不同煤阶准确预测甲烷吸附量这一关键挑战,研究人员开展了一项结合物理信息神经网络(PINN)、跨气体迁移学习和贝叶斯不确定性量化(UQ)的前沿研究。通过从氢吸附任务迁移知识,并系统比较五种UQ方法,该研究显著提升了预测精度与训练效率,并发现蒙特卡洛Dropout是物理约束框架下表现最佳的UQ策略,为地质材料的可靠建模提供了高效且可解释的数据驱动新范式。

    来源:Energy and AI

    时间:2026-04-25


高级人才招聘专区
最新招聘信息:

知名企业招聘:

    • 国外动态
    • 国内进展
    • 医药/产业
    • 生态环保
    • 科普/健康