当前位置:首页 > 今日动态 > 神经科学
  • 一种基于物理知识的图注意力网络,结合稀疏时间块选择技术,用于飞机液压系统故障诊断

    针对飞机液压系统故障诊断中拓扑无关和长时序计算负担的问题,提出拓扑感知块稀疏图注意力网络(TABS-GATNet)。通过构建物理拓扑驱动的多尺度时空图(TAB-Graph),结合全局时空注意力与局部块稀疏选择机制,实现高效的长时序特征提取与故障定位。实验表明,该模型在仿真数据集上达到99.01%诊断准确率,显著优于传统CNN、LSTM和STGCN方法,并通过消融实验验证了稀疏机制和物理拓扑的有效性。

    来源:Aerospace Science and Technology

    时间:2026-03-02

  • 一种结合注意力机制和时空图神经网络的低空紧急事件等级预测模型

    低空安全紧急事件预测模型GSTA-Net通过融合注意力机制与时空图神经网络,构建自适应空间拓扑图并设计门控时空注意力融合机制,有效捕捉动态空间-时间关联特征,显著提升高风险事件检测精度(F1值0.892 vs ASTGCN的0.765),其可视化注意力权重与领域专家分析高度吻合,为智能低空预警系统提供可靠算法支撑。

    来源:Reliability Engineering & System Safety

    时间:2026-03-02

  • 一种无线、无电池的光遗传光刺激贴片,用于肢体康复治疗中的精准神经调节

    基于超声波能量无线传输和光遗传学原理,本研究开发了一种植入式、无电池的光照刺激贴片,通过超声波编码信号精确控制蓝光脉冲发射,实现神经靶向激活与高精度肌肉收缩调控。实验表明该装置在啮齿类模型中可产生0.6-1.37mV肌电信号,驱动关节角度5°-35°可控运动,持续工作1分钟无疲劳衰减,其柔性微型化设计确保长期生物相容性。

    来源:Nano Energy

    时间:2026-03-02

  • 动态图学习在股票预测中整合时间关系的应用

    股票预测中动态图神经网络DyG4TR通过整合DTW测距和领先滞后关系,结合动量效应与多切片架构捕捉时空依赖,在CSI500和NASDAQ100上实现20.98%的回报率提升。

    来源:Expert Systems with Applications

    时间:2026-03-02

  • 多图归纳表示学习用于大规模城轨网络在运营中断下的起讫点需求预测

    城市轨道交通(URT)网络日益庞大,对起讫点(OD)需求进行精准预测是支持规划、调度和车队管理的关键。然而,现有模型难以应对网络结构动态变化、多种时空依赖性混杂以及列车延误/取消等运营不确定性。为此,研究人员开展了一项题为“Multi-Graph Inductive Representation Learning for Large-Scale Urban Rail Demand Prediction under Disruptions”的研究,提出一种名为mGraphSAGE的多图归纳表示学习框架。该模型将每个OD对表示为多个图中的节点,以捕捉不同的时空相关性,并显式纳入运营可靠性信息。实验表明,该模型在哥本哈根URT系统的三个网络规模上均优于基线,RMSE降低高达5%,证明了其在大型及受干扰URT环境下的适用性与鲁棒性。

    来源:Computers & Industrial Engineering

    时间:2026-03-02

  • 利用自编码器正则化实现多维数据的参数化与可逆投影学习

    为解决传统降维方法(如t-SNE和UMAP)普遍不具备参数化和可逆性,限制了其在动态数据集扩展和交互式数据生成中的应用这一难题,本研究深入探索并评估了基于自编码器的三种神经网络架构。研究人员通过引入特定的正则化方法,成功学习了与给定二维投影对齐的潜在空间,不仅能高精度地参数化嵌入新数据点,还能平滑地从投影空间反演出高维样本。结果表明,特别当采用KL散度正则化时,所提方法在保持高质量重构的同时,允许用户灵活控制投影的平滑度,为分类器评估和反事实生成等应用提供了强大的交互式生成模型。

    来源:Computers & Graphics

    时间:2026-03-02

  • 结构地质隐式神经表征中的不确定性量化:基于哈密顿蒙特卡洛的方法

    为了解决基于人工智能的地质建模方法在预测不确定性表征上的关键空白,研究人员将高效的隐式神经表征(INR)地质建模框架GeoINR与基于贝叶斯神经网络(BNN)的哈密顿蒙特卡洛(HMC)采样器相结合。该方法探索了网络参数和观测数据不确定性所导致的完整地质模型实现空间,定量评估了预测地质界面的不确定性。实验在北海无噪声钻孔和加拿大萨斯喀彻温省有噪声测井数据集上均取得良好效果,且在评估无噪声数据认知不确定性方面,相比常用的蒙特卡洛Dropout方法表现出更优的准确性,为地质建模中的AI不确定性量化提供了更准确的新工具。

    来源:Computers & Geosciences

    时间:2026-03-02

  • 综述:用于语义文本相似度的句子表示:系统性综述

    这篇综述系统性回顾了2018年至2025年期间关于生成句子表示以用于语义文本相似性(STS)任务的最新研究。文章通过构建一个分类法来组织该任务,分析了各种方法的模型架构、训练数据集和评估指标,总结了当前最优(SOTA)方法,并提出了针对句子级STS任务选择模型和方法的实用指南,为自然语言处理(NLP)领域的研究和应用提供了全面参考。

    来源:Computer Speech & Language

    时间:2026-03-02

  • 基于综合敏感性分析的阿尔茨海默病模型关键参数识别

    这篇研究通过构建一个包含Aβ单体、Aβ寡聚体、tau蛋白、神经原纤维缠结、小胶质细胞和细胞因子相互作用的数学模型,对阿尔茨海默病(AD)动力学进行了局部和全局敏感性分析,旨在识别驱动疾病进展的关键生物参数,为理解AD的复杂病理机制和潜在干预靶点提供了量化依据。

    来源:Communications in Nonlinear Science and Numerical Simulation

    时间:2026-03-02

  • APW-PINN:基于自适应分段加权损失策略增强PINN求解偏微分方程的鲁棒性与精度

    本文提出一种基于概率建模的自适应分段加权物理信息神经网络(APW-PINN),旨在解决传统物理信息神经网络(PINN)在多约束训练中面临的梯度失衡、收敛不稳及对噪声敏感等问题。该策略通过Smooth L1损失统一高斯与拉普拉斯分布的负对数似然,构建了一个可随训练学习噪声尺度参数的自适应损失函数。理论分析表明,该方法可在不同误差尺度下提供自适应且有界的梯度权重,有效平衡多损失项间的梯度,并抑制由高频结构或噪声扰动引起的优化振荡。数值实验在多种典型偏微分方程(PDE)(包括Boussinesq方程、Helmholtz方程和Klein-Gordon方程)上验证了其在收敛效率、求解精度和噪声鲁棒性上的显著优势。

    来源:Communications in Nonlinear Science and Numerical Simulation

    时间:2026-03-02


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