• 深度学习驱动的富铈(Ni–Fe–Co–Ce)Ox析氧反应催化剂异常检测与特征发现

  开发高性能析氧反应(OER)催化剂对能源转换至关重要。然而，从海量高通量实验数据集中筛选稀有优质材料仍具挑战，传统机器学习模型常将这些最优数据点误判为噪声。研究人员提出一种深度学习驱动的异常检测框架以解决该局限。该方法将原子级描述符与卷积神经网络(CNN)结合

  来源：RSC Advances

  时间：2026-05-22

• 一种高度泛化的智能故障诊断方法，该方法采用双通道自适应缩放卷积神经网络和模态谱阵列映射技术

  周圆圆|张先坤|刘永斌|王航|江国胜|沈刚摘要人工智能技术在旋转机械的智能故障诊断中发挥着关键作用。这类机械产生的振动信号由于受到强烈干扰而具有明显的噪声和时变特性，这限制了传统卷积神经网络从这些含噪、非平稳的时间序列信号中有效提取特征的能力。为了解决这一挑战，提出了一种新的方法

  来源：Expert Systems with Applications

  时间：2026-05-22

• 卓越的感知能力是自闭症认知的独特特征

  Jade Davies|Jana Brinkert|Brian Irvine|Freya Elise|Emily K. Farran|Elizabeth Milne|Gaia Scerif|Anna Remington•我们比较了自闭症患者、注意力缺陷多动障碍（ADHD）患者、听

  来源：Acta Psychologica

  时间：2026-05-22

• 基于物理信息图神经网络的3D城市风模拟的自动化生成与替代建模：一个两阶段框架

  李思浩|梁扬泽|陈光耀|赵旭|伊万·布拉托耶夫|弗兰克·佩措尔德•人工智能生成的3D城市布局能够快速评估风场情况。•基于物理原理的图神经网络（GNN）可以预测3D风压和风速。•为人工智能生成的布局提供自动化的计算流体动力学（CFD）建模与求解流程。•T形采样方式在保持空间精度的同

  来源：ADVANCED ENGINEERING INFORMATICS

  时间：2026-05-22

• 数字群组治疗：生物医学电路与系统的跨学科挑战与机遇

  数字群组治疗（Digital Group Therapy, DGT）将临床导向的群组心理治疗与连续多模态感知、边缘人工智能（Edge AI）分析以及在线交互平台相融合。本文综合了在IEEE CASS数字群组治疗研讨会上呈现的五个研究视角：群组过程的神经动力学建

  来源：IEEE Circuits and Systems Magazine

  时间：2026-05-22

• [3H]MCL-524的特性表征：一种强效多巴胺D2high受体激动剂

  多巴胺D2high受体是多巴胺D2受体的功能性高亲和力状态，研究显示其在神经疾病背景下表达上调。研究人员此前合成了特异性D2受体激动剂——阿朴啡衍生物[3H]MCL-524，初步数据表明其放射性氟标记形式[18F]MCL-524可特异性结合D2受体的激活态D2

  来源：ACS Omega

  时间：2026-05-22

• PolyT-GNN：用于数据驱动发现高温双向形状记忆聚合物的图神经网络框架

  双向形状记忆聚合物（2W-SMPs)（Two-way Shape Memory Polymers）是一类能够在循环热刺激下实现可逆致动的智能材料，在航空航天、地热能源、自修复、生物医学及软体机器人等领域具有广阔应用前景。然而，新型2W-SMPs的发现仍受限于大

  来源：ACS Applied Materials & Interfaces

  时间：2026-05-22

• 面向锂离子电池健康状态估计的物理信息统一网络：兼具鲁棒性与可解释性

  准确可靠的锂离子电池健康状态（State of Health, SOH）估计是电池管理系统（Battery Management Systems, BMSs）的核心需求，直接影响安全性、寿命预测与能量效率。尽管数据驱动模型在精度上表现良好，但其实际应用常受限于

  来源：Energy

  时间：2026-05-22

• 基于Hessian引导形态学特征学习与深度神经网络的岩石CT图像矿物分割增强

  岩石计算机断层扫描（computed tomography，CT）图像中的精确矿物分割对于地质解释与数值模拟至关重要，然而传统深度学习模型在处理复杂、低对比度矿物边界以及形态学感知不足的问题时常表现受限。研究人员提出了一种Hessian引导的形态感知分割框架，

  来源：Journal of Rock Mechanics and Geotechnical Engineering

  时间：2026-05-22

• 结合卫星被动微波与光学观测的基于Transformer深度学习模型的蒸散发增强型逐日反演

  蒸散发（Evapotranspiration，ET）是影响地球水文循环与能量平衡的关键组分。尽管将深度学习模型与多源遥感数据集成，代表了端到端定量反演ET的一种前沿方法，但同时由卫星多通道被动微波和光学观测共同驱动的逐日尺度深度学习模型仍鲜有研究。该研究提出了

  来源：ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING

  时间：2026-05-22

知名企业招聘：