生物通官微陪你抓住生命科技跳动的脉搏
采用归零神经网络和超扭转滑模控制的四桥式有源变换器的鲁棒控制
本文提出了一种基于超扭转滑模控制(STSMC)和归零神经网络(ZNN)的鲁棒高效控制框架,用于四端活性桥(QAB)转换器。外部循环的STSMC用于调节端口电压并生成具有有限时间收敛性和强鲁棒性的校正功率参考值,以应对负载干扰、参数不确定性和测量噪声。为了解决QAB拓扑结构固有的多
来源:IEEE Open Journal of Industry Applications
时间:2026-05-25
AI4DSE:利用动态图神经网络和大型语言模型优化高级综合设计空间探索
摘要 AI摘要
来源:ACM Transactions on Design Automation of Electronic Systems
突触传递晶体管的保持特性取决于负载电阻的位置,这与长期可塑性有关
摘要:突触传递晶体管(SPT)将突触薄膜晶体管(Syn-TFT)与负载电阻器(RL)集成在一起,通过抑制瞬态脉冲电流,实现了亚阈值区域的低功耗神经形态运算。然而,RL在亚阈值运算中对保持特性的影响尚未明确。在这里,我们通过比较传统的SPT和倒置SPT(i-SPT)来定量研究这一
来源:IEEE Transactions on Electron Devices
一种融合多尺度图注意力机制的能源–通信网络协同优化模型
电力输送与通信服务之间的紧耦合正成为现代信息物理系统(Cyber–Physical System)基础设施的标志性特征,然而现有的优化与学习方法通常在两个层级上独立运行,因而无法在时变运行条件下利用其跨域依赖关系。研究人员将能源–通信协同优化表述为统一的图学习
来源:Alexandria Engineering Journal
光学增强技术辅助级联神经网络在氢燃料极端燃烧流场重构中的应用
燃烧流动动力学的精确感知与预测是确保超燃冲压发动机(scramjet)在复杂工况下可靠运行的关键因素。传统深度学习技术在超声速燃烧流场重构中往往忽略关键的光学雾化效应,导致重构流场的视觉质量较差。该研究在Ma=3.0条件下,针对氢喷注压力为2 MPa、3 MP
来源:Aerospace Science and Technology
基于动量因子的余弦退火调度器用于番茄植株病害分类
植物病害分类对于通过及时、准确的诊断提高农业生产力至关重要。本研究探讨了利用四种卷积神经网络(Convolutional Neural Network, CNN)架构进行番茄叶部病害分类的深度学习方法:InceptionResNetV2、VGG16、ResNe
来源:Ain Shams Engineering Journal
面向可解释气动优化与知识提取的物理增强神经符号框架
数据驱动的气动形状优化常面临几何保真度与物理可解释性之间的矛盾。本研究提出一种面向无人机(UAV)翼型多点设计的神经符号框架。该框架将翼型表面表征为拓扑图,并将局部曲率与单位法向量等微分几何先验显式嵌入节点特征中。由此构建的物理增强图神经网络(Phys-GNN
Based on the paper document provided, I will now analyze and answer the four questions in sequence. Neural-Network-Based Aerodynamic Modeling and Fixed-Time Neuro-Adaptive Control of a Novel "Diamond-Wing" Morphing Aircraft 基于神经网络的气动建模与新型"菱形翼"变形飞行器的固定时间神经自适应控制
针对具有强非线性、构型相关气动特性及外部扰动的新型"菱形翼"变形飞行器,研究人员开展气动建模与姿态控制研究。该变形飞行器采用可变后掠菱形翼布局,后掠角为35°,超声速来流条件下翼型呈菱形截面,具有随变形过程连续变化的几何构型,导致气动参数呈现显著的非线性及高阶
面向双Wiebe燃烧模型实时标定的物理信息课程学习:一种深度强化学习方法
双Wiebe燃烧模型的精确标定是实现下一代数字孪生与自适应排放控制所需的缸压重构误差低于4%的前提,但该问题本质上是病态的:多个参数组合可产生热力学等效的压力曲线,导致传统优化器在整个运行工况范围内产生物理不一致的标定图谱。遗传算法作为当前工业标准,每个工况点
来源:Energy Conversion and Management-X
CKDP-PINNFed:融合上下文K-匿名与差分隐私的物理信息联邦学习双层隐私框架用于可解释众包道路异常检测
研究人员提出CKDP-PINNFed,一种双层隐私保护联邦学习框架,以解决基于智能手机的众包道路状况监测中的隐私障碍。原始传感器数据会暴露精确位置、速度违规及行为模式,导致用户因监视、重识别及被当局或保险公司滥用的风险而不愿参与。现有联邦学习(FL)方法仅保护
来源:Green Energy and Intelligent Transportation
知名企业招聘: