• 用于随机椭圆偏微分方程约束最优控制的张量神经网络

  •开发了一种用于结构化随机椭圆最优控制的 TNN 框架。 •近似状态和缩放伴随变量；控制量通过代数方法获得。 •连续残差给出了显式 L² 界，且无未知稳定常数。 •涉及多达 35 个联合变量的结构化测试达到了低于 5×10⁻³ 的相对 L² 误差。 引言 受椭圆偏微分方程约

  来源：Mathematics and Computers in Simulation

  时间：2026-10-01

• 一种自整流忆阻器在 LIF 神经元电路构建与混沌时间序列预测中的创新应用

  •通过CeOx/SrTiOx异质界面工程实现了自整流忆阻器。•该器件具有可调电导动力学特性，能够模拟多种突触行为。•通过本征积分和弛豫特性构建了基于忆阻器的LIF神经元。•该忆阻器实现了SNN手写数字识别和RC框架功能。引言脉冲神经网络（SNN）作为第三代人工神经网络，凭借其

  来源：Materials Today Physics

  时间：2026-10-01

• BE-IMC：基于位交织8T SRAM的AI边缘设备存内计算宏单元

  摘要 忆内计算（IMC）是一种新的范式，旨在提高人工智能（AI）边缘设备的能效和吞吐量。本文提出了一种基于8T SRAM的共享传输门位交织忆内计算宏单元（BE-IMC），用于实现高效的忆内计算。所提出的BE-IMC宏单元采用共享传输门写入方案，结合位交织结构，解决了半选择问题

  来源：Microprocessors and Microsystems

  时间：2026-10-01

• PhyRL-PINN：基于强化学习引导参数调度的全船尺度自适应物理信息船舶侧滑估计方法

  •PhyRL-PINN 将降阶物理模型与强化学习引导的调度相结合。 •六个 2 秒端点更新重建了窗口内完成的轨迹。 •全尺度验证涵盖了 59 次航行和 163,379 个同步样本。 •与 TimeMixer 相比，RMSE 降低了 78%；与 MMAE 相比降低了 60%。

  来源：Ocean Engineering

  时间：2026-10-01

• FM-Dehaze：面向无配对图像去雾的非均匀雾退化细粒度建模

  摘要 在雾霾大气条件下拍摄的图像通常表现出显著的对比度降低和细节丢失，这严重损害了户外视觉系统的感知性能。为解决这一挑战，本文致力于解决在复杂场景中建模空间非均匀雾霾分布与维持全局一致性之间的根本难点平衡。我们提出了一种针对非均匀雾霾退化的细粒度建模图像去雾方法。首先，在特征

  来源：Optics & Laser Technology

  时间：2026-10-01

• 通过深度学习实现双脉冲布里渊光时域分析中布里渊频移的准确测定

  摘要本文提出并演示了一种卷积神经网络（CNN），用于克服双脉冲布里渊光时域分析仪（DP-BOTDA）系统所测布里渊增益谱（BGS）中畸变峰带来的不利影响，从而实现布里渊频移（BFS）的精确提取，并通过使用时间间隔短于声子寿命的两组脉冲序列，达到亚米级的空间分辨率（SR）。我们

  来源：Optics & Laser Technology

  时间：2026-10-01

• 聚乳酸在体内及模拟体外条件下的机械耐久性与降解：加速测试与寿命预测建模综述

  - "三重鸿沟"（Triple Gap）将无应力、加载和体内PLA测试域分隔开来。 - 差距因子要求在比较域之间使用同一设备并采用匹配的终点指标。 - 热加速仅在降解机理保持不变时才有效。 - 机械加载会改变PLA降解并使失效模式发生偏移。 - 提出了一种耦合水解-结晶物理信

  来源：Polymer Degradation and Stability

  时间：2026-10-01

• 利用深度神经网络建模的混合太阳能热电站的全厂动态优化

  •为HSTPP中的多个聚光器开发了基于深度神经网络（DNN）的动态模型。 •神经网络（NN）模型实现了高精度，并显著减少了计算时间。 •NN模型与基于第一原理的整个工厂平衡模型（plant-first-principles balance-of-plant model）相

  来源：Renewable Energy

  时间：2026-10-01

• ReViS：基于冗余先验聚合的闭环可逆视频隐写术

  摘要现有的基于可逆神经网络（INNs）的视频隐写方法在正向隐藏过程中存在严重的冗余先验信息丢失问题。在反向提取时依赖无引导的高斯采样破坏了网络的双射性，导致时空不一致性、时间漂移现象，以及在隐写分析和主动信道失真（例如视频压缩）面前表现脆弱。为克服这些挑战，我们提出了可逆视频

  来源：Journal of Information Security and Applications

  时间：2026-10-01

• 面向稀疏数据高保真重建的物理增强残差学习框架

  •提出一种物理增强的残差学习框架，用于POD基准场校正。•在插值边界条件下，重建误差从2.69%降低至1.02%。•先验物理正则化减少了局部非物理校正。•减少了由CFD导出的POD基函数固有的重建偏差。•使用17个传感器的PERL方法（0.57%误差）优于使用45个传感器的P

  来源：International Communications in Heat and Mass Transfer

  时间：2026-10-01

知名企业招聘：