-
人工智能在吸烟与酒精相关癌症诊断与检测中的应用:一项系统性综述
【编辑推荐】吸烟与饮酒是导致胃癌、肝癌、肺癌等癌症的重要风险因素,早期精准诊断面临挑战。本研究系统综述了人工智能(AI)与深度学习(DL)(如卷积神经网络CNN)技术在相关癌症诊断与症状识别中的应用。结果表明,AI方法具有高准确性,并通过可解释AI(XAI)、多模态数据整合等手段提升了诊断透明度与模型泛化能力。该综述为AI驱动癌症精准诊疗提供了重要见解。
来源:ARTIFICIAL INTELLIGENCE REVIEW
时间:2026-04-26
-
硅掺杂氧化锆自整流忆阻器交叉阵列:面向高效神经形态计算的存算一体平台
为解决高密度忆阻器交叉阵列中漏电流大、需外接选通管以及器件波动影响精度的问题,研究人员开展了基于Si掺杂ZrOx的自整流忆阻器(SRRAM)研究。该器件实现了高选择比(106)与长寿命(>2×106次),在32×32阵列中完成了能效MAC运算,并通过不确定性感知学习使手写数字识别准确率达92%,为低功耗类脑芯片提供了可靠突触单元。
来源:Advanced Composites and Hybrid Materials
时间:2026-04-26
-
一种多目标自适应元启发式算法,结合了基于轻量级深度学习的无线充电管理系统,用于电动汽车
动态无线充电电动汽车自适应管理系统研究。提出轻量级深度神经网络(DNN)结合多目标自适应塞巴鸟优化算法(SBOA),优化移动中电动汽车的电磁场强度预测与参数调节,有效降低侧向误差和能量损耗。实验表明系统在RMSE、MAE、成功率等指标上表现优异,解决了传统无线充电动态适配难题。
来源:Journal of Energy Storage
时间:2026-04-26
-
一种用于验证经颅电刺激电场分布的集成电压传感器多层脑体模的制备
本研究为解决经颅电刺激(TES)中电场分布验证模型长期稳定性与测量精度不足的问题,开展了一种集成电压传感器的多层脑体模的制备研究。该体模采用碳纳米管掺杂硅胶模拟头皮、颅骨、脑脊液、灰质和白质的电导率,并在层间嵌入传感器阵列,实现了对TES诱发电压的无支撑、局部化测量。实验与仿真结果在层间电压衰减上呈现高度一致(偏差0.26%–10%),证明了该体模能够用于受控的、层特异性的TES电场评估,为神经刺激研究提供了稳定、可重复的验证平台。
来源:Advances in Materials Science and Engineering
时间:2026-04-26
-
VulGNN:一种高保真度的图神经网络框架,用于可靠地检测智能合约中的漏洞
智能合约漏洞检测研究提出VulGNN-SG框架,通过自动化数据预处理构建高质量数据集,并采用双通道图神经网络模型融合拓扑信息与路径语义,在标准数据集上达到92.69% F1分数,集成版本VulGNN-SG+提升鲁棒性。
来源:Advanced Engineering Informatics
时间:2026-04-26
-
深度学习与计算机视觉在小型住宅空间布局生成及定量评估中的应用
本提出一种结合图神经网络与生成对抗网络的小规模住宅平面图生成与评估框架,从空间开放性、通行效率、功能布局合理性和空间适应性四个维度进行量化评价,实验表明预测结果与居民实际体验高度一致。
来源:Journal of Building Engineering
时间:2026-04-26
-
照明环境的相关色温会影响创造力:一项结合行为学、神经科学和心理学测量方法的2000–20000 K范围研究
创造力受光照色温(CCT)影响呈非线性M-shaped关系,中庸CCT(2000-20000K)激发最高创造力,极端色温显著抑制。通过行为(替代用途任务AUT)、神经(近红外光谱fNIRS检测DLPFC和布罗卡区血氧变化)及心理(舒适、情绪等主观量表)多维度验证,发现85.5%的创造力方差由神经数据解释,情绪是主要中介变量。
来源:Energy Conversion and Management-X
时间:2026-04-26
-
利用机器学习辅助的离子电子检测技术来监测昼夜皮质醇节律,从而对重度抑郁症进行神经内分泌学评估
抑郁症患者的皮质醇昼夜节律振幅显著升高,动态特征结合临床参数和机器学习模型可有效区分患者与对照组。研究开发了一种基于AAO纳米通道的离子晶体平台,通过aptamer分子识别和转录驱动信号放大,实现唾液皮质醇的敏感检测(3.4 pM检测限)及昼夜节律分析,为抑郁症神经内分泌表型标记提供新方法。
来源:TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE
时间:2026-04-26
-
基于部分脉冲放电曲线,为未进行特征分析的退役电动汽车锂离子电池开发一种高效的分层重组方法
退休电动汽车锂离子电池(REV-LIBs)通过部分脉冲测试与二维卷积神经网络实现分级筛选与拓扑优化,分类准确率达96.0%,容量估计误差<3%,内阻误差<5%,组串拓扑优化使容量一致性提升52.9%,并联拓扑优化使内阻一致性提升86.0%。
来源:eTransportation
时间:2026-04-26
-
PhyGNN-LSTM:一种基于物理约束的时空框架,用于实时预测氢气扩散情况
氢气扩散实时预测模型PhyGNN-LSTM通过融合图神经网络、LSTM与PDE残差约束,结合高保真CFD模拟数据训练和独立实验验证,在未知泄漏场景中R²值超0.98,计算效率提升三个数量级。
来源:International Journal of Human-Computer Studies
时间:2026-04-26