• 用于人工突触和量化感知神经网络的平面二硫化钨 - 聚乙烯醇混合忆阻器的光调制突触响应

  ### 摘要要点 - 利用液相剥离的WS₂薄片制备了PVA-WS₂忆阻器。 - 缺陷相关的陷阱态实现了极性场辅助的电荷输运和电导调制。 - 425 nm波长的光照增强了学习-遗忘行为。 - 在120秒425 nm光照条件下，基于残差网络和CIFAR-10数据集的量化感知训练

  来源：Materials Science in Semiconductor Processing

  时间：2026-09-30

• 关于图神经网络在区分可分解图和例外图方面的有效性

  摘要 若图 $G$ 的每条边 $(u,v) \in E(G)$ 的两个端点 $u$ 和 $v$ 具有不同的度数，则称该图为局部不规则图。局部不规则边着色问题是一个图分解问题，其目标是对图的边进行着色，使得每种颜色所诱导的子图都是局部不规则的。若图 $G$ 可以被边着色使得每

  来源：The ANZIAM Journal

  时间：2026-09-30

• 基于混合量子-经典神经网络的脑磁共振成像分类

  •混合量子-经典神经网络提升脑肿瘤分类性能。•双旋转角编码增强量子特征映射与表征能力。•全量子比特纠缠增强分类任务中的耦合与泛化能力。引言脑肿瘤是最致命且最复杂神经系统疾病之一，需要准确及时的诊断以制定有效的治疗计划。在此背景下，磁共振成像（MRI）因其高软组织分辨率 [1]

  来源：Digital Signal Processing

  时间：2026-09-30

• 使用物理引导神经网络检测网联自动驾驶车辆的伪造车道变更行为

  •本研究提出了一种基于物理引导的框架，用于检测网络攻击下的异常换道决策。 •该框架将换道预测与基于一致性检测的伪造行为识别相结合。 •博弈论模型与LSTM相结合，用于实现基于物理引导的换道预测。 •累积概率偏差使伪造换道行为的检测成为可能。 •该框架在FDI和DoS攻击下均表

  来源：TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES

  时间：2026-09-30

• 基于解析非线性流形联合优化的物理信息神经网络特征跟踪：边界层应用

  摘要 物理信息神经网络（PINNs）在应用于具有奇异摄动的粘性守恒律时，可能会面临收敛困难，尤其是在解发展出薄边界层、且配点数量有限并均匀分布的情况下。为缓解这些困难，我们提出了一种特征跟踪PINN（FT-PINN）框架，其中神经网络定义在固定的参考域上，并与一个解析的、参

  来源：Computer Physics Communications

  时间：2026-09-30

• 用于量子化学的可迁移神经网络量子态方法

  # 摘要 我们提出了QiankunNet1.2，一种可迁移的神经网络量子态（NNQS）方法，用于求解量子化学中的多电子薛定谔方程。在QiankunNet1.0的基础上，QiankunNet1.2解决了其前身的关键局限性：在不同分子系统之间迁移学习效果差的问题。我们引入了两项

  来源：Computer Physics Communications

  时间：2026-09-30

• 物理信息神经网络与外部求解器的耦合

  摘要 本工作旨在直接在物理信息神经网络（Physics Informed Neural Network, PINN）中引入物理损失项，利用任意离散化前向求解器从控制方程中获得的数值残差。PINN与外部前向求解器耦合的主要困难在于：神经网络无法直接访问控制方程的离散形式（如有

  来源：Computer Physics Communications

  时间：2026-09-30

• CRNN：基于深度神经网络的RFID信号端到端碰撞恢复

  摘要多标签碰撞降低了射频识别（RFID）系统的效率，而现有的恢复方法通常需要昂贵的多天线硬件或复杂的信号分析。为此，本文提出了一种基于深度学习的碰撞恢复神经网络（CRNN），使用单天线直接分离和恢复碰撞信号。CRNN的主要优势在于其端到端处理能力。它结合卷积层和循环层，从原始

  来源：Computer Networks

  时间：2026-09-30

• SupCL-GNN：基于图神经网络的有监督对比学习用于增强加密流量分类

  摘要随着人们对保持在线活动安全和隐私的关注度提高，网络流量加密的使用显著增加。虽然这增强了用户的网络安全，但加密技术的发展也给加密流量分类带来了新挑战。当前基于深度学习的加密流量分类方法通常直接学习统计特征或原始字节信息的表示，忽略了在不同变换或干扰下保持稳定且与数据语义直接

  来源：Computer Networks

  时间：2026-09-30

• SR-CGCNN：晶体图神经网络中用于材料性质预测的共享循环卷积

  • SR-CGCNN在多个消息传递步骤中重用同一个卷积模块。 • 与标准CGCNN-3相比，卷积参数减少了65.5%。 • 在形成能和带隙预测方面，准确率保持接近。 • JARVIS-DFT在独立数据集上证实了准确性与参数之间的权衡关系。 引言 晶体结构天然地可以用图来表

  来源：Computational Materials Science

  时间：2026-09-30

知名企业招聘：