• 基于AI-RNN方法的含辐射–耗散效应的Eyring-Powell混合与三元纳米流体生物对流流动研究

  在本研究中，研究人员提出了一种基于人工智能的递归神经网络（AI-RNN，Artificial Intelligence based Recurrent Neural Network）方法，用以研究具辐射–黏性耗散效应下含Eyring-Powell三元纳米流体（

  来源：Alexandria Engineering Journal

  时间：2026-07-06

• 基于原型条件化生成对抗网络分层时空编码的网络流量异常检测

  当前网络流量异常检测系统无法可靠识别罕见的零日漏洞利用和权限提升攻击，原因在于少数类样本的极度稀缺导致模型无法为上述类别习得连贯的决策边界。为弥合这一差距，研究人员提出PRISM（Prototype-guided Representation with Imb

  来源：Alexandria Engineering Journal

  时间：2026-07-06

• 在边缘SoC上实现环绕视图生成与语义分割的流式集成

  摘要：将环绕视图生成与深度神经网络推理集成到同一个边缘系统级芯片中面临诸多挑战，因为环绕视图处理流程需要大量的外部内存传输，而人工智能推理又需要数据在芯片间频繁移动，这导致了严重的内存带宽瓶颈。本文提出了一种基于数据流的流式架构，可将环绕视图生成与DNN推理整合为单一处理流程。该

  来源：IEEE Access

  时间：2026-07-06

• 混合型SNN：基于CMOS 8T SRAM的脉冲神经网络加速器，采用混合漏电积分触发神经元结构，以实现更高的能效和容错能力

  摘要：脉冲神经网络作为一种在人工智能领域极具前景的技术范式，能够有效模拟生物神经系统的动态行为。这类网络模型通常采用确定性漏积分-放电神经元或随机性漏积分-放电神经元，这两种神经元类型均为实现特定性能目标而设计。确定性漏积分-放电神经元通过降低脉冲产生的频率来提升能效，而随机性漏

  来源：IEEE Access

  时间：2026-07-06

• A4O-攻击：针对单个样本的后门攻击的所有触发条件

  摘要：后门攻击是对深度神经网络构成的重大威胁。然而，目前研究的大多数攻击都只使用一种触发机制，因为现有的后门防御方法往往假设触发因素会以统一的方式出现。在本文中，我们指出这种简单的假设可能会留下漏洞，让更复杂的后门攻击得以突破。我们设计了一种新的后门攻击机制，该机制结合了多种类型

  来源：IEEE Access

  时间：2026-07-06

• PowerMG：基于多粒度图神经网络信息的HLS FPGA早期动态功耗估计

  准确的现场可编程门阵列（FPGA）动态功耗估计 inherently 耗时，通常需要在面向功耗的优化循环中进行迭代评估，显著延长了设计周期。现有的基于图神经网络（GNN）的功耗估计方法主要依赖于以节点为中心（node-centric）的GNN架构，且需要寄存器

  来源：Chinese Journal of Electronics

  时间：2026-07-06

• 面向AI-Agent通信网络中mURLLC的考虑导频污染轻量化混合量子-经典卷积神经网络(HQCNN)算法

  摘要：人工智能Agent通信网络（AI-Agent Communication Networks, ACNs）已成为未来第六代（6G）通信系统的关键场景，其中自主Agent需在无小区（Cell-Free）架构下通过实时协作实现海量超高可靠低时延通信（massi

  来源：Chinese Journal of Electronics

  时间：2026-07-06

• 基于对称分量相角特征再设计与核SHAP(Kernel SHAP)分析的三相逆变器IGBT老化诊断改进方法

  摘要：本研究提出一种基于改进人工神经网络（Artificial Neural Network, ANN）的框架，用于诊断三相逆变器系统中绝缘栅双极型晶体管（Insulated Gate Bipolar Transistor, IGBT）模块的老化状态并预测剩余

  来源：IEEE Access

  时间：2026-07-06

• MSAF-Net：MQ-RBF插值中形状参数的自适应预测模型

  多重二次曲面径向基函数（MQ-RBF）因其高插值精度和广泛适用性，被广泛应用于散点数据插值及其他领域。然而，其插值性能高度依赖于形状参数的选择，而传统方法包括试错法和优化算法往往存在计算复杂度高、鲁棒性有限和适应性差等问题。基于径向基函数（RBF）插值误差理论

  来源：IEEE Access

  时间：2026-07-06

• 特征-数据协同反演：一种用于浅地表弹性全波形反演(EFWI)的孪生卷积神经网络(Siamese CNN)方法

  弹性全波形反演（Elastic Full-Waveform Inversion，EFWI）是实现高分辨率地下参数（包括纵波速度VP、横波速度VS及密度ρ）成像的重要工具，但其在浅地表勘探中受强非线性、对初始模型极度敏感及特定参数（尤其是密度）低灵敏度等问题制约

  来源：Artificial Intelligence in Geosciences

  时间：2026-07-06

知名企业招聘：