• SensaScale: 一种基于资源敏感性的深度神经网络训练任务截止期限感知调度器

  摘要深度神经网络（DNN）在计算机视觉和自然语言处理等领域的大规模部署，使得DNN训练成为现代云数据中心的主导型工作负载。现有的调度框架通常按照GPU分配比例来配置辅助资源——尤其是CPU和内存。然而，DNN工作负载对辅助资源的敏感度存在显著差异，导致频繁的截止时间违规。为解

  来源：Future Generation Computer Systems

  时间：2026-10-04

• 具有脉冲动力学时间协同优化的分布式神经形态计算

  # 摘要 神经形态处理器和事件驱动传感器能够实现全天候感知，然而在其异构边缘设备上训练其计算基本模块——脉冲神经网络（SNNs）——受到带宽、时延和能耗的制约。本文研究了在计算和通信均由稀疏脉冲事件驱动的连续时间SNN训练的系统问题。基于先前开发的精确事件驱动单设备学习器（

  来源：Future Generation Computer Systems

  时间：2026-10-04

• 一种具有抑制硝基自由基阴离子生成能力的CuII-异烟肼复合物实现氧化还原调控与生物分子靶向

  •Secnidazole 的 CuII 单体配合物 [Cu(Secnz)2Cl2] 产生较少的硝基自由基阴离子。•硝基自由基阴离子是细胞毒性所必需的，但与神经毒性副作用有关。•生成的还原自由基/分子物种被允许与核酸碱基和 DNA 相互作用。•金黄色葡萄球菌和铜绿假单胞菌被用作

  来源：Inorganic Chemistry Communications

  时间：2026-10-04

• 一种复杂阴影场景下光伏全局最大功率点跟踪的新型解耦识别与跟踪框架

  •分层算法利用传感器精简的物理交互估算全局最大功率点（GMPP）区域。 •分布式物理信息神经网络（PINNs）无需辐照度或温度传感器即可估算模块电压。 •引导式蚕蛹群优化（GSSA）防止陷入局部最大功率点（LMPP），实现快速收敛。 •鲁棒自适应积分回溯滑模控制（RAIBSM

  来源：Advanced Engineering Informatics

  时间：2026-10-04

• 利用嵌入热物理性质的条件傅里叶神经算子，实现连续铸造过程中瞬态温度场的实时预测

  •CFNO-TP 用于学习连续铸造过程中瞬态温度场的演变。•将热物理属性和过程状态嵌入到 FNO 中。•张量化的有限差分求解器生成了 270 万个场样本。•实现了对长期温度场演变的高精度预测。引言连续铸造是一种关键的热制造工艺，其中熔融金属通过受控的热量提取转化为固体坯料。在这个

  来源：International Journal of Heat and Mass Transfer

  时间：2026-10-04

• 一种用于预测嵌入多孔板中的延伸平板之间带抽吸/注入热粘性流动的 PINN 框架

  **摘要** 物理信息神经网络（PINNs）是一个强大的框架，通过将控制物理理论与含噪或不充分的数据相结合，为复杂的工程难题提供了解决方案。本研究利用PINNs预测具有吸气和吹气作用、嵌入多孔板中的延伸平板之间的热粘性流。PINNs通过将有损函数网络中的物理限制纳入其中，优化

  来源：International Communications in Heat and Mass Transfer

  时间：2026-10-04

• 基于可解释1D-CNN与高光谱成像的南果梨早期压缩损伤检测

  摘要南国梨的早期压伤难以通过目视检查发现。然而，它对其储存质量和商业价值有显著影响。为了解决这一问题，本研究开发了一种结合定量压缩实验和高光谱成像（HSI）技术的方法，用于检测和可视化南国梨的早期压伤。在压缩后24小时，采集了400–1000 nm光谱范围内健康梨和压伤梨的高

  来源：Journal of Food Measurement and Characterization

  时间：2026-10-04

• 基于多通道卷积神经网络和同源分析的结构状态识别

  摘要传统的基于深度学习的结构状态识别方法通常建立在闭集假设之上，这限制了它们在结构健康监测中处理未见结构状态的能力。为了解决这一局限性，本文提出了一种基于同源性分析的卷积神经网络结构状态识别框架，将传统的多分类任务重新表述为多通道状态一致性学习问题。首先从时域振动响应中提取归

  来源：Structures

  时间：2026-10-04

• 模块化引导的物理信息异构图神经网络用于潮流预测

  摘要 高比例可再生能源接入和动态拓扑变化对快速、准确且具有拓扑适应性的潮流（PF）预测提出了迫切需求。传统迭代潮流计算方法计算开销大，且在重复场景评估或拓扑变化下可能面临收敛困难。纯数据驱动模型往往无法捕捉拓扑异质性和物理约束，从而限制了其泛化能力和物理一致性。本研究提出P

  来源：Sustainable Energy, Grids and Networks

  时间：2026-10-04

• 公平图学习需要表达力：从谱视角重新思考公平性

  摘要AI摘要要查看此AI生成的摘要，您需要拥有高级访问权限。了解更多登录摘要摘要图神经网络（GNNs）已取得显著成功，但容易编码和放大社会偏见。当前公平图学习研究主要聚焦于通过输入数据预处理、训练优化或模型架构修改来开发专门的去偏技术，其假设是GNN骨干网络是一个可替换的组件

  来源：ACM Transactions on Knowledge Discovery from Data

  时间：2026-10-04

知名企业招聘：