• 基于人工智能整合体成分与心率变异性的预测健康指数：慢性非传染性疾病风险的前瞻性评估新工具

  在当代医疗体系面临慢性非传染性疾病（Non-communicable Diseases, NCDs）日益严峻挑战的背景下，传统反应式医疗模式已难以应对心血管疾病、代谢综合征、心理障碍、肿瘤和慢性炎症性疾病带来的全球健康负担。这些疾病不仅导致全球大部分发病率和死亡率，更对医疗资源造成巨大压力。尽管现代医学在疾病治疗方面取得显著进展，但针对健康人群的早期风险预测和预防干预仍存在明显短板。正是在这样的背景下，预测健康（Predictive Health）这一新兴领域应运而生，旨在通过前瞻性健康评估和个性化干预，将医疗重心从疾病治疗转向健康维护。由Dario Boschiero等研究人员在《Hormo

  来源：Hormones-International Journal of Endocrinology and Metabolism

  时间：2025-12-09

• 基于量子相对熵的量子神经网络训练新框架：提升混合态量子信道学习的精度与鲁棒性

  在量子计算与机器学习交叉融合的前沿领域，量子神经网络（Quantum Neural Networks, QNNs）正展现出解决复杂问题的巨大潜力。然而，一个长期存在的挑战是如何有效地训练这些模型，尤其是在处理更为普遍和现实的混合量子态（mixed states）时。传统的训练方法大多依赖于基于保真度（fidelity）的损失函数，这类函数在处理纯态（pure states）时表现出色，但当量子系统的输入和输出是混合态时，其敏感性和可靠性便会大打折扣。混合态通常出现在学习量子信道（quantum channel）的任务中，因为真实的量子信道往往会受到环境噪声和退相干（decoherence）效应

  来源：IEEE Transactions on Quantum Engineering

  时间：2025-12-09

• 基于多任务学习的小样本条件下配电网短期负荷预测增强方法

  随着电力系统智能化发展，短期负荷预测(STLF)已成为保障配电网安全经济运行的核心技术。然而，新建配电变压器往往仅积累数天至一个月的负荷数据，导致基于人工神经网络(ANN)的预测模型面临小样本过拟合的严峻挑战。传统方法在数据增强、迁移学习和集成学习等方面虽取得进展，但尚未充分利用配电网本地区域负荷序列的天然相似性。针对这一瓶颈，清华大学与香港理工大学联合团队在《IEEE Potentials》发表研究，提出了一种创新性的小样本学习解决方案。本研究的关键技术突破在于构建了基于多任务学习(MTL)的小样本学习方法(SSLM)。该方法首先采用序列相似性评估对充足样本条件下的负荷序列进行聚类，识别具有

  来源：IEEE Potentials

  时间：2025-12-09

• 机器学习模型抗辐射可靠性研究：关键变量与粒子无关性分析

  随着人工智能技术的飞速发展，机器学习（ML）模型在图像分类、语义分割等任务中展现出卓越性能，这些模型通常被部署在高效的低成本商用现成品（COTS）硬件加速器上。然而，在自动驾驶、无人机和星载处理等安全关键领域应用这些系统时，其可靠性评估面临巨大挑战。由于ML模型架构多样、配置复杂、输入选择多变，加之加速器硬件架构各异，通过辐射实验穷尽测试所有组合几乎不可能。此外，针对特定模型-加速器组合获得的辐射数据难以推广到其他配置，而辐射设施资源有限、成本高昂，使得全面可靠性表征变得异常困难。正是在这样的背景下，一项发表于《IEEE Transactions on Nuclear Science》的研究应

  来源：IEEE Transactions on Nuclear Science

  时间：2025-12-09

• 面向边缘计算的脉冲神经网络低功耗部署框架及其生态效能研究

  在当前人工智能技术飞速发展的浪潮中，如何将强大的AI模型部署到资源受限的边缘设备上，成为一个亟待解决的难题。尤其是在自动驾驶、环境监测等实时性要求极高的场景中，传统的基于人工神经网络（ANN）的方案往往因为高能耗和高延迟而显得力不从心。这就像是要让一台小型家用电器承担大型服务器的计算任务，显然是不现实的。正是在这样的背景下，神经形态计算（Neuromorphic Computing）作为一种受生物大脑启发的计算范式，为低功耗、低延迟的边缘AI应用带来了新的希望。神经形态计算的核心在于脉冲神经网络（Spiking Neural Network, SNN），它通过模拟生物神经元之间的脉冲信号传递方

  来源：IEEE Networking Letters

  时间：2025-12-09

• 基于微波成像与机器学习的牛油果成熟度无损评估新方法

  牛油果因其营养丰富而广受消费者青睐，但全球每年约有20%的进口牛油果因成熟度不当（如过熟或未熟）被废弃，造成巨大经济损耗和环境压力。传统依赖人工观察颜色或按压硬度的方式不仅效率低下，且难以准确反映果实内部变化。尤其牛油果采摘后仍会持续后熟，其外部特征与内部状态常不匹配，导致供应链中品质控制困难。为解决这一难题，M. Wu、Z. Choffin、L. Kong、H. Lee、S. Sun及Nathan Jeong等研究人员在《IEEE Journal of Microwaves》上发表论文，提出将微波成像技术与深度学习相结合，实现牛油果成熟度的精准、无损分类。为开展研究，团队设计了一套自动化微波

  来源：IEEE Journal of Microwaves

  时间：2025-12-09

• 触觉背心在视野外引导中的注意力辅助：增强人机交互的神经工效学评估

  在工业5.0时代，数字化工厂的复杂环境让操作员的感官系统不堪重负。视觉显示器、听觉警报和多台机器同时争夺着人类有限的认知资源，这种“感官过载”不仅降低工作效率，更埋下安全隐患。传统解决方案往往顾此失彼：视觉警报需要操作员不断切换视线，增加认知负担；嘈杂环境中的听觉提示则容易被淹没。有没有一种方法，能让人“感知”视野外的重要信息，却不必增加眼睛和耳朵的负担？这项发表在《IEEE Transactions on Industrial Informatics》的研究给出了创新答案——一款能像轻拍肩膀一样提供触觉提示的智能背心。研究人员设想，通过开发一种可穿戴的触觉接口，将关键信息通过触觉通道传递给操

  来源：IEEE Transactions on Industrial Informatics

  时间：2025-12-09

• 通过心电图（ECGs）实现可解释且经过外部验证的机器学习方法，用于神经认知诊断

  心电图（ECG）作为传统心血管评估工具，正在被重新审视其在神经认知疾病诊断中的应用潜力。这项研究通过整合多学科数据，首次系统验证了ECG特征在预测痴呆、谵妄及帕金森病等神经认知障碍中的临床价值。研究采用两种独立数据库（MIMIC-IV-ECG和ECG-View II）进行双重验证，覆盖不同地域和人群特征，确保结果的泛化能力。通过XGBoost机器学习模型与SHAP可解释性分析，研究不仅展示了ECG预测神经认知疾病的可行性，更揭示了年龄、心电节律参数及波形轴向度的关键作用。研究基础源于神经心血管系统的生理关联性。临床观察发现，神经退行性疾病常伴随自主神经功能紊乱，而自主神经系统的失衡会直接反映在

  来源：General Psychiatry

  时间：2025-12-09

• 基于SEVIRI红外通道与U-Net深度学习的意大利地区闪电监测新方法

  闪电作为大气不稳定的直接表现形式，不仅是强对流天气的重要指标，更随着全球变暖呈现加剧趋势。这种自然现象对民用防护、电力网络和航空运输等关键领域构成严重威胁，因此精准监测闪电活动对于理解气候变化表现方式和评估潜在影响具有重要意义。传统上，闪电监测主要依赖地面探测网络，但这些系统存在明显局限性——其性能高度依赖于传感器密度，且对云内闪(Intracloud)和云间闪(Cloud-to-Cloud)的检测能力较弱。随着卫星遥感技术的快速发展，特别是欧洲气象卫星开发组织(EUMETSAT)的Meteosat第二代(MSG)卫星搭载的旋转增强可见光和红外成像仪(SEVIRI)提供了丰富数据源，为突破地面

  来源：IEEE Transactions on Geoscience and Remote Sensing

  时间：2025-12-09

• 基于亚阈值操作3D交叉点存储器阵列的低能耗高精度神经网络加速器研究

  随着人工智能（AI）技术在各个领域的快速渗透，特别是大语言模型（LLM）和智能体AI的突破性进展，其对计算能力的需求呈现爆炸式增长。然而，这种增长也引发了人们对AI系统能耗可持续性的深切担忧。在此背景下，存内计算（IMC）作为一种新兴的计算范式，通过直接在存储器内部进行大规模并行的矩阵向量乘法（MVM）运算，显著减少了数据搬运，被视为提升AI计算能效的关键技术之一。非易失性存储器（NVM），如相变存储器（PCM）和阻变存储器（RRAM），因其高集成密度、多级单元操作以及可与后端工艺（BEOL）集成等优势，成为实现高精度IMC的候选技术。然而，这些存储器通常需要较大的读取电流，这不仅导致能量效率

  来源：IEEE Transactions on Electron Devices

  时间：2025-12-09

• 基于信号与噪声矩阵知识的迁移学习增强型人工神经网络（ANN），用于可扩展的小信号和噪声建模，适用于高温电子器件（HEMTs）

  摘要：本文提出了一种基于传统电路模型理论和人工神经网络（ANN）相结合的可扩展小信号及噪声建模方法，用于高电子迁移率晶体管（HEMT）。该方法的主要优势在于通过融入电路知识来提升神经模型的外推能力。该方法采用了一种迁移学习框架，该框架包含源域和目标域的神经网络。大型器件可以被视为由基本单元组成，其性能可以通过从噪声相关矩阵和信号矩阵中推导出的可扩展规则进行预测。所提出的技术对于基于神经网络的微波计算机辅助设计（CAD）以及小信号和噪声的统一建模具有重要意义。通过比较测量值和仿真值来验证模型的准确性，涉及S参数和噪声参数。在2×20 μm、2×40 μm、2×60 μm以及2×100 μm的栅宽

  来源：IEEE Transactions on Electron Devices

  时间：2025-12-09

• 基于物理信息神经网络的SIR流行病模型预测控制框架：联合状态参数估计与闭环优化

  在全球化背景下，传染病的快速传播对公共卫生系统构成了严峻挑战。传统的流行病控制策略往往依赖于精确的数学模型来预测病毒传播路径并制定干预措施。然而，现实世界中我们面临着一个根本性难题：流行病动态系统的关键参数（如病毒传播率）和系统状态（如易感人群比例）难以同时准确获取。这就像试图在迷雾中驾驶一辆看不见仪表盘的汽车——我们既不清楚车辆的当前速度，也不知道发动机的实际性能，却要做出精准的操控决策。现有的流行病控制方法主要分为两类：一类假设所有状态变量均可测量，专注于参数估计；另一类则假设模型参数完全已知，重点进行状态估计。这两种方法在实践中的局限性显而易见，因为真实的流行病监测数据往往只能提供部分、

  来源：IEEE Open Journal of Control Systems

  时间：2025-12-09

• 基于强化学习的可扩展量子网络纠缠路由方案RELiQ

  随着量子计算和量子传感技术的飞速发展，分布式量子计算和联邦量子机器学习等应用日益成熟，量子网络作为支撑这些应用的关键基础设施正受到广泛关注。量子网络的核心任务是通过量子中继器实现远距离节点间的纠缠态分发，但由于量子态不可克隆的特性以及量子操作的概率性，传统网络中的路由方案无法直接适用。更棘手的是，量子链路的保真度会随时间衰减，量子存储器的相干时间有限，加之纠缠交换操作会进一步降低最终纠缠态的保真度，这些因素使得设计高效的纠缠路由策略变得极具挑战性。现有启发式方法往往需要全局网络拓扑信息，但量子链路的动态变化导致全局信息容易过时，反而会误导路由决策。而仅依赖局部信息的方法又难以获得理想性能。为此

  来源：IEEE Transactions on Communications

  时间：2025-12-09

• COTIC：基于多层连续卷积的非均匀事件序列建模新框架

  在当今数据驱动的世界中，从金融交易到医疗记录，从不规则间隔发生的事件中提取有意义的信息已成为一项关键挑战。这类事件序列数据具有显著的非均匀特性——事件间的时间间隔可能从毫秒到数天不等，这使得传统基于固定时间网格的分析工具难以直接应用。更复杂的是，每个事件可能带有类型标记，且后续事件的发生往往受到历史事件的复杂影响。目前，时序点过程（TPP）是建模这类数据的主要理论框架，其中强度函数是核心对象。传统方法如霍克斯过程（Hawkes process）虽然能够捕捉事件间的相互激励作用，但其参数化形式限制了模型表达能力。近年来，深度学习模型为事件序列建模带来了新的可能，包括循环神经网络（RNN）、Tra

  来源：IEEE Access

  时间：2025-12-09

• RATTLE：基于音频指纹识别的铁路列车特征识别边缘计算框架

  在智能铁路系统快速发展的今天，准确识别列车特征对基础设施健康监测至关重要。传统方法主要依赖摄像头和计算机视觉技术，但这些方案存在明显局限：在公共场所部署摄像头引发隐私担忧，硬件成本高昂，且夜间或恶劣天气下识别性能大幅下降。虽然查询静态时刻表或使用激光传感器可作为替代方案，但前者无法应对延误等动态变化，后者则易受天气条件干扰。面对这些挑战，博洛尼亚大学的研究团队独辟蹊径，将目光投向了常被忽视的听觉维度。列车通过时产生的独特声音特征是否能够成为识别的关键？基于这一设想，Leonardo Ciabattini、Alfonso Esposito等研究人员在《IEEE Access》上发表了创新性研究，

  来源：IEEE Access

  时间：2025-12-09

• 基于机器学习和空间优化的城市监控摄像头最优布局策略研究

  在城市犯罪防控领域，监控摄像头的战略部署被视为提升公共安全的重要手段。然而，传统的摄像头安装往往缺乏系统性规划，导致监控范围重叠和盲区并存的问题日益突出。这种无序布局不仅造成资源浪费，更削弱了犯罪预防的实际效果。韩国统计厅数据显示，1990年至2010年间，韩国五大犯罪类别（杀人、抢劫、性侵、盗窃、暴力）呈现持续上升趋势，引发公众广泛担忧。作为应对措施，韩国政府自2011年起大力推进全国监控摄像头网络建设，使犯罪案件从2011年的617,910起降至2020年的467,547起，证明监控系统确实具有遏制犯罪的潜力。但摄像头快速扩张也带来了隐私权争议和人权担忧，更重要的是缺乏标准化安装标准导致实

  来源：IEEE Access

  时间：2025-12-09

• 超越跌倒检测：基于混合CNN-LSTM-Attention框架的可穿戴惯性传感器在跌倒前、中、后阶段检测研究

  随着全球人口老龄化趋势加剧，独居老年人比例持续上升，跌倒已成为威胁老年人自主生活和身心健康的严重问题。世界卫生组织数据显示，65岁以上老年人中约有35%每年至少跌倒一次，70岁以上人群这一比例更高达42%。跌倒作为全球第二大意外伤害致死原因，每年导致约64.6万人死亡和3730万需要医疗干预的伤害事件。跌倒不仅造成身体损伤，还会引发恐惧、焦虑和抑郁等心理问题，严重影响生活质量。传统跌倒检测系统主要分为非可穿戴式和可穿戴式。非可穿戴系统依赖环境传感器，存在部署受限、易受环境干扰等缺点。而可穿戴系统，特别是基于惯性测量单元（Inertial Measurement Unit, IMU）的设备，因其

  来源：IEEE Access

  时间：2025-12-09

• 基于等效电路模型与人工神经网络的有源反射面高效设计方法及其在5G通信中的应用

  在5G毫米波通信系统中，信号易受建筑物等障碍物遮挡形成覆盖盲区，智能超表面(IS)因其可调控电磁波传播特性的能力成为研究热点。其中，完美异常反射器(PAR)能够将入射波定向反射至非镜面方向，有效扩展信号覆盖范围。然而，现有PAR设计方法多基于无限尺寸周期结构假设，在实际有限尺寸应用中会出现边缘效应和单元间耦合，导致功率效率降低和双站雷达散射截面(BRCS)性能下降。此外，传统设计依赖繁琐的全波仿真优化，难以兼顾计算效率与精度。为突破上述局限，本研究提出了一种融合等效电路模型(ECM)与人工神经网络(ANN)的有限尺寸PAR设计方法。研究团队首先基于Floquet模态展开理论构建了无限尺寸PAR

  来源：IEEE Open Journal of Antennas and Propagation

  时间：2025-12-09

• 基于U-Net-DCL深度神经网络模型的年龄与听力损失对并发元音识别影响的研究

  在喧嚣的鸡尾酒会中，人类听觉系统能够神奇地聚焦特定说话声——这种现象被称为"鸡尾酒会问题"。当多个说话声同时出现时，人耳依赖基频(F0)差异来分离和识别不同声源。并发元音识别实验是研究这种能力的经典范式，通过呈现两个重叠的合成元音（具有相同时长和强度但不同F0）来考察听觉分离机制。如图1所示，当两个元音F0相同时（0 Hz条件），识别仅依赖共振峰频率差异，难度较高；当F0差异增大至26 Hz时，谐波结构分离为识别提供额外线索。行为研究表明，年轻正常听力(YNH)者的识别正确率随F0差异增大而提高，在3 Hz以上渐近饱和；而老年正常听力(ONH)和老年听力损失(OHI)者的表现显著下降。然而，现

  来源：IEEE Access

  时间：2025-12-09

• TransCNN：基于多普勒激光雷达的飞机尾涡检测与动态安全间隔评估混合框架

  随着航空业的快速发展，空域环境日益复杂，固定间隔的尾流分离标准因其过度保守的间距和对动态条件适应能力有限，已无法满足现代运行需求。国际民航组织（ICAO）和美国联邦航空管理局（FAA）发布的尾流湍流分离标准在当前技术发展阶段显得较为粗糙保守，导致机场终端区容量面临瓶颈效应。这主要是由于空中交通管制过程中起飞距离和着陆间隔的增加，降低了单位时间内跑道可起降的飞机数量，进而导致跑道利用率低并影响航班延误。若能在保证飞行安全的前提下合理缩短近地阶段的飞机间隔，将有望提升跑道利用效率。为建立更合理的航空器起降间隔标准，提升实际机场容量和空中交通运行效率，许多研究聚焦于尾流湍流的观测与演化。传统研究通过

  来源：IEEE Aerospace and Electronic Systems Magazine

  时间：2025-12-09

知名企业招聘：