• 结合不确定性量化的半监督贝叶斯学习用于有限标注数据下锂离子电池的可靠健康状态估计

  •提出了一种半监督贝叶斯方法用于锂离子电池SOH（健康状态）估计。•量化了随机不确定性和认知不确定性，以实现可靠的SOH估计。•通过利用未标记数据的方差正则化减少认知不确定性。•进行了四个实验案例来验证所提方法。 **1. 引言** 锂离子电池因其高能量密度、长循环寿命、

  来源：Computers & Chemical Engineering

  时间：2026-10-14

• 超越成对相互作用：高阶网络上协同演化传播的准确预测

  摘要 许多共进化传播过程涉及高阶相互作用，然而通过两两配对表示对其进行近似的后果仍缺乏足够深入的理解。在此，我们揭示了两两配对图神经网络在单纯复形上进行节点级单步条件转移概率预测时的独特预测失效模式。注意力图神经网络（Att-GNN）的预测值与真实转移概率之间的偏差模式，在

  来源：Communications in Nonlinear Science and Numerical Simulation

  时间：2026-10-14

• 基于核磁共振导出冻结状态信息的数据稀缺条件下冻土无侧限抗压强度物理引导神经网络预测

  • 开发了一种基于NMR信息的物理引导神经网络，用于预测冻土的单轴抗压强度。 • 在数据极度匮乏的条件下，物理引导基线模型提供了主要的性能提升。 • PGNN在留出源样本的验证中达到了R² = 0.926 ± 0.010。 • 将温度与冻结状态信息耦合，成功捕捉了单轴抗压强度

  来源：Cold Regions Science and Technology

  时间：2026-10-14

• 基于 GNSS 无线电掩星湿廓线反演的物理信息深度学习用于短期降水预测

  • GNSS无线电掩星廓线被用于短期降水预报。• 物理信息神经网络将大气约束嵌入学习过程。• 分析了2010年至2022年间超过32,000个COSMIC观测数据。• 物理引导的学习提高了预报技巧、校准和鲁棒性。 **引言** 短期天气预报在保障社会免受快速演变的灾害性天

  来源：Journal of Atmospheric and Solar-Terrestrial Physics

  时间：2026-10-14

• 基于硬件衍生可接纳性界限的DRAM-PIM深度神经网络行缓冲稳定调度

  摘要 基于DRAM的存内处理（PIM）通过减少数据移动来改善深度神经网络（DNN）推理，但性能仍受限于具有存储体组织和行缓冲器的DRAM。即使是最优复用的、SRAM可行的映射方案，当循环遍历和地址映射反复替换已打开的行时，也可能演变为停顿主导的状态。我们提出了一种DRAM访

  来源：Journal of Systems Architecture

  时间：2026-10-14

• 时空反演非局域复三分量mKdV方程的黎曼-希尔伯特问题与RST-PINN方法

  ## 主要贡献 - 通过Riemann-Hilbert方法求解了反时空非局域三分量mKdV方程。 - 获得了显式精确的N孤子解和典型的非线性波结构。 - 提出了一种基于反时空对称信息的PINN（RST-PINN），用于非局域孤子学习。 - 本工作将可积系统技术与对称性驱动的

  来源：Wave Motion

  时间：2026-10-14

• Adaptive Physics Informed Neural Networks in the Kraenkel–Manna–Merle System （适用于Kraenkel–Manna–Merle系统的自适应物理信息神经网络）

  •针对Kraenkel-Manna-Merle系统的半监督PINNs框架。•将基于残差的自适应细化策略（RAR-G）集成到PINNs中以增强收敛性。•与传统的PINNs相比，能够更高保真地预测多阶孤子和平稳态正电子的相干结构。•与解析广义Darboux变换解高度一致。 引言 近

  来源：Wave Motion

  时间：2026-10-14

• POSIT-FMA-CNN：面向 RISC-V 边缘处理器高效 CNN 加速的自定义指令设计与评估

  摘要：边缘平台上的卷积神经网络（CNN）对轻量级和高性能硬件提出了需求。本文提出了基于 Posit 的融合乘累加单元 POSIT-FMA-CONV，这是一套采用 Posit (8, 0) 数制系统的自定义 RISC-V 指令集。所提出的架构通过将卷积、通道累加、偏置加法、非线

  来源：IEEE Transactions on Very Large Scale Integration (VLSI) Systems

  时间：2026-10-14

• 用于电力电网级联故障预测的物理信息驱动的图神经跳跃常微分方程

  摘要：电网中的级联故障对基础设施可靠性构成严重威胁，然而其实时进展预测至今仍是一个未解决的挑战。基于物理的模拟器在每个场景下需要大量计算资源，而现有的图神经网络方法将级联故障视为静态分类任务，且极少验证其物理信息驱动模块是否真正具有物理意义。本文提出了物理信息驱动的图神经跳跃

  来源：IEEE Transactions on Power Systems

  时间：2026-10-14

• 数据分析与优化在一维密度泛函理论中用于交换-相关势模型的构建

  摘要：密度泛函理论（DFT）作为研究多电子系统电子结构的强大工具，在材料科学及相关领域得到了广泛应用。然而，交换相关（XC）泛函中固有的近似性一直限制着DFT计算的准确性。幸运的是，机器学习（ML）的快速发展为应对这一挑战提供了新的途径。在这项工作中，我们提出了一个基于数据分析和

  来源：IEEE Transactions on Emerging Topics in Computational Intelligence

  时间：2026-10-14

知名企业招聘：