• 通过Koopman动力学学习神经疾病的脑网络状态

  •基于Koopman约束的脉冲神经网络实现了可解释的大脑动力学建模。•结合域适应的表型引导多模态图提升了分类性能。•疾病模式出现在局部Koopman模态中，而非全局动力学中。引言神经发育障碍，如注意缺陷多动障碍（ADHD）和孤独症谱系障碍（ASD），会对认知和行为发展产生长期

  来源：Pattern Recognition

  时间：2026-09-30

• 癌症基因组学中的图神经网络：将数学运算映射为生物学洞见

  摘要 癌症基因组学数据的关系性和多模态特性，由TCGA和CPTAC等大型联盟生成，带来了重大的建模挑战。图神经网络（GNNs）天然适合应对这种复杂性，但它们的广泛应用往往受到对其数学基础感知不透明以及将模型操作转化为生物学含义的困难的阻碍。在此，我们对2018年至2025年

  来源：Journal of Computational Science

  时间：2026-09-30

• 斋月禁食对老年人呼吸肌少症及神经肌肉接头健康血浆标志物的影响

  摘要目的斋月期间禁食会影响身体表现和与年龄相关的肌肉衰退（即肌少症）。然而，禁食对呼吸肌少症和神经肌肉接头（NMJ）退化的相关影响尚不清楚。方法我们招募了老年人——男性（年龄 = 60.4 ± 3.6 岁，n = 53）和女性（年龄 = 62.6 ± 2.9 岁，n = 48

  来源：European Journal of Applied Physiology

  时间：2026-09-30

• 基于田口优化与混合人工神经网络的日本地震动强度指标预测

  - 开发了一种面向日本的地震加速度预测模型，采用田口优化方法对多输出人工神经网络（ANN）进行优化，能够预测多种地震动强度指标（IMs）。 - 田口优化方法仅通过25次实验即高效地识别出接近最优的ANN超参数。 - 混合效应模型实现了较低的残差变异性，并支持部分非遍历性公式的

  来源：Soil Dynamics and Earthquake Engineering

  时间：2026-09-30

• 面向人机交互智能设备的压电与铁电薄膜研究最新进展

  摘要：人机交互与协作（HMI）是工业5.0革命的核心组成部分，该革命旨在构建一个节能、可持续且更环保的社会。融合智能的人机交互设备在生物医药、工业、消费电子及其他领域发挥着至关重要的作用，这些设备由多种功能材料以体相、厚膜和薄膜等形式构建而成。在众多材料中，压电材料（即机械能

  来源：Materials Today Physics

  时间：2026-09-30

• 用于人工突触和量化感知神经网络的平面二硫化钨 - 聚乙烯醇混合忆阻器的光调制突触响应

  ### 摘要要点 - 利用液相剥离的WS₂薄片制备了PVA-WS₂忆阻器。 - 缺陷相关的陷阱态实现了极性场辅助的电荷输运和电导调制。 - 425 nm波长的光照增强了学习-遗忘行为。 - 在120秒425 nm光照条件下，基于残差网络和CIFAR-10数据集的量化感知训练

  来源：Materials Science in Semiconductor Processing

  时间：2026-09-30

• 关于图神经网络在区分可分解图和例外图方面的有效性

  摘要 若图 $G$ 的每条边 $(u,v) \in E(G)$ 的两个端点 $u$ 和 $v$ 具有不同的度数，则称该图为局部不规则图。局部不规则边着色问题是一个图分解问题，其目标是对图的边进行着色，使得每种颜色所诱导的子图都是局部不规则的。若图 $G$ 可以被边着色使得每

  来源：The ANZIAM Journal

  时间：2026-09-30

• 基于混合量子-经典神经网络的脑磁共振成像分类

  •混合量子-经典神经网络提升脑肿瘤分类性能。•双旋转角编码增强量子特征映射与表征能力。•全量子比特纠缠增强分类任务中的耦合与泛化能力。引言脑肿瘤是最致命且最复杂神经系统疾病之一，需要准确及时的诊断以制定有效的治疗计划。在此背景下，磁共振成像（MRI）因其高软组织分辨率 [1]

  来源：Digital Signal Processing

  时间：2026-09-30

• 使用物理引导神经网络检测网联自动驾驶车辆的伪造车道变更行为

  •本研究提出了一种基于物理引导的框架，用于检测网络攻击下的异常换道决策。 •该框架将换道预测与基于一致性检测的伪造行为识别相结合。 •博弈论模型与LSTM相结合，用于实现基于物理引导的换道预测。 •累积概率偏差使伪造换道行为的检测成为可能。 •该框架在FDI和DoS攻击下均表

  来源：TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES

  时间：2026-09-30

• 基于解析非线性流形联合优化的物理信息神经网络特征跟踪：边界层应用

  摘要 物理信息神经网络（PINNs）在应用于具有奇异摄动的粘性守恒律时，可能会面临收敛困难，尤其是在解发展出薄边界层、且配点数量有限并均匀分布的情况下。为缓解这些困难，我们提出了一种特征跟踪PINN（FT-PINN）框架，其中神经网络定义在固定的参考域上，并与一个解析的、参

  来源：Computer Physics Communications

  时间：2026-09-30

知名企业招聘：