• 在压力环境下增强主动控制能力：乒乓球运动员对社交奖励与金钱奖励的不同神经反应机制

  在高强度竞争性体育运动中，运动员的表现受到多种因素的影响，其中，**主动控制**（proactive control）作为一种核心认知过程，对于维持目标相关信息在工作记忆中的稳定性、抑制干扰信息以及准备应对未来任务至关重要。在面对预期冲突时，主动控制的作用尤为关键，而这一过程受到**动机奖励**（motivational rewards）的调节。尽管已有研究表明奖励能够提升认知表现，但其对运动员在压力下的影响机制仍存在疑问，特别是**外在奖励**（如金钱奖励）与**内在奖励**（如社会奖励）是否通过不同的神经认知路径来缓解压力带来的负面影响。因此，本研究旨在探讨这两种奖励类型如何影响运动员的主

  来源：Frontiers in Sports and Active Living

  时间：2025-11-19

• 利用无监督机器学习来分析奥运训练周期内精英独木舟/皮划艇运动员的恢复模式

  在现代竞技体育中，运动员的恢复状态是决定其长期表现和竞技成绩的关键因素之一。随着可穿戴设备技术的飞速发展，运动员的生理数据可以被实时、连续地采集，从而为科学训练和恢复策略提供更加精准的依据。然而，面对如此庞大的数据流，传统的统计方法往往难以提取出有价值的恢复信息，尤其是在如何将这些数据转化为具体的恢复建议方面存在明显不足。因此，研究者们开始探索利用人工智能和机器学习技术，特别是无监督学习方法，来挖掘运动员恢复状态的潜在模式。本研究正是在这一背景下，对法国国家皮划艇队的运动员进行了一整年的多层无监督机器学习分析，以揭示夜间恢复状态的分类以及其与竞技表现之间的关系。### 运动员恢复状态的重要性在

  来源：Frontiers in Sports and Active Living

  时间：2025-11-19

• 基于卷积神经网络的光伏组件玻璃裂纹原位检测与性能影响研究

  随着双玻光伏组件在全球市场份额的快速增长（预计2025年占比达50%），其玻璃开裂现象逐渐成为行业关注的焦点。现有研究报告显示，现场光伏组件的玻璃裂纹发生率为1%-15%，成因涉及中风速、安装不当及自发性破裂等多种因素。然而，传统的裂纹检测方法存在明显局限：巡检人员需徒步穿越面积可达95平方公里的光伏电站，肉眼辨识难度极大——裂纹可能位于距离地面较高的组件正面，或贴近地面的背面，且裂纹可见度差异显著，从清晰可辨到近乎隐形。更严峻的是，当前主流的高通量检测技术（如电致发光(EL)和红外成像）对玻璃裂纹完全无效。如图2所示，即使存在明显玻璃裂纹的组件，在EL图像中亦无法显现痕迹。这种检测盲区结合光

  来源：IEEE Journal of Photovoltaics

  时间：2025-11-19

• 利用两级分层物理信息神经网络提高光伏模型中参数的估计精度

  摘要：在光伏模型中准确估计参数对于提高系统监控、控制和诊断至关重要。本研究提出了一种新颖的双层分层物理信息神经网络（PINN）架构，用于估计动态单二极管光伏模型中的辐照度（G）、温度（T）和结电容（Cj）参数。在没有噪声影响光伏电流和电压波形的情况下，所提出的方法对于辐照度的估计误差为0.25%，对于温度的估计误差为1.5%，对于结电容的估计误差为2.1%。与传统优化方法相比，双层分层PINN在学习结电容的非线性行为方面表现出更好的性能。在加性高斯噪声（0% – 5%）条件下的敏感性分析证实了该方法的鲁棒性，尽管识别误差略有增加。结果证明了将物理知识融入神经网络对于实现动态光伏系统中参数的鲁棒

  来源：IEEE Journal of Photovoltaics

  时间：2025-11-19

• Geo-NI：一种用于光场渲染的几何感知神经插值技术

  摘要：我们提出了一种新型的基于几何知识的神经插值（Geo-NI）框架，用于光场渲染。以往基于学习的方法要么通过神经网络直接进行插值（我们称之为神经插值，NI），要么利用场景几何信息进行新视角合成，这也被称为基于深度图像的渲染（DIBR）。这两种方法在处理非朗伯效应和大视差问题时各有优缺点。在本文中，我们将这两种方法的思路结合起来，将NI集成到特定的DIBR流程中。具体来说，所提出的Geo-NI中的DIBR网络用于构建一个针对不同深度假设进行神经插值的光场的新重建成本体积。该重建成本可以作为一种指标，反映在特定深度假设下的重建质量，并进一步用于指导最终高角分辨率光场的渲染。为了更实际地实现Geo

  来源：IEEE Transactions on Pattern Analysis and Machine Intelligence

  时间：2025-11-19

• 可解释的旋转等变多值网络用于属性混淆

  摘要：本文关注的是防止神经网络中信息泄露的问题，即假设攻击者已经获得了神经网络的中间层特征，并防止攻击者将这些特征逆转换为包含私有信息的输入。我们提出了一种通用方法，将任何传统的神经网络略微修改为多值旋转等变神经网络（RENN），以防止信息泄露。具体来说，我们将网络中的实值特征转换为多值特征，特征向量中的每个元素都是一个多值数。我们将输入信息隐藏在多值特征的某个相位中，并在加密过程中旋转多值特征以实现属性混淆。旋转轴和角度可以被视为私钥。这样，即使攻击者获得了网络参数和中间层特征，他们也无法在不知道旋转信息的情况下提取输入信息。更重要的是，加密操作不会破坏特征之间的空间相关性，因此加密后的特征

  来源：IEEE Transactions on Pattern Analysis and Machine Intelligence

  时间：2025-11-19

• 基于Hodge-Laplacian算子的异质图注意力网络（HL-HGAT）：面向高阶拓扑结构的图神经网络新框架

  在当今数据驱动的科学研究中，图结构数据已成为描述复杂系统关系的重要载体，从社交网络、分子结构到脑功能连接，图模型无处不在。传统图神经网络（GNN）虽在节点级特征学习上取得显著进展，但其核心局限在于仅聚焦于节点间消息传递，难以捕捉边、三角形等高维拓扑结构（称为k-单形）中蕴含的异质信号。现实中，许多关键信息恰恰存在于这些高阶交互中：例如分子中化学键的振动模式、脑网络中功能连接边的动态特性，乃至图像中超像素边界的轮廓特征。如何突破节点中心范式的束缚，构建能够统一处理多维度图信号的通用框架，成为图学习领域亟待解决的核心挑战。针对这一难题，新加坡国立大学黄靖汉团队联合福建农林大学、威斯康星大学麦迪逊分

  来源：IEEE Transactions on Pattern Analysis and Machine Intelligence

  时间：2025-11-19

• 在新的太阳威超级计算机上，利用大规模神经网络进行量子化学的量子态计算

  摘要：量子多体系统可以通过神经网络方法求解。然而，将神经网络量子态（NNQS）实际应用于大规模电子结构分析面临诸多挑战，主要问题是高采样成本和局部能量计算的复杂性。为克服这些计算障碍，我们提出了一种创新的数据并行NNQS-Transformer实现方案。该方案采用了一种混合的多层工作负载平衡策略，有效解决了之前的负载不平衡问题，并利用Julia语言的可移植性实现了针对性的性能优化。通过广泛的测试，我们在包含多达120个自旋轨道的系统中验证了我们的方法，而传统方法仅限于更小的系统规模。该实现在Sunway平台上表现出卓越的可扩展性，当使用多达3700万个处理器核心时，强扩展性达到了92%，弱扩展

  来源：IEEE Transactions on Parallel and Distributed Systems

  时间：2025-11-19

• 综述：儿科重症监护病房（PICU）幸存者的三年随访研究：2017–2018年招募的单一中心队列中神经发育后遗症的时间进程

  ```section> 摘要 通俗语言总结 研究目标： 使用多维度评估工具，来评估儿科重症监护病房（PICU）出院后儿童在最初3年内的神经发育状况。 研究设计： 这是一项前瞻性研究，招募对象为2017–2018年间入院的儿童，随后进行了为期3年的随访。 研究环境： 研究在一家城市地区的学术三级医疗中心的PICU进行。 研究对象： 0–17岁、预计出院后能回家的儿童。 干预措施： 无特殊干预措施。 测量方法与主要结果： 我们通过“PICU结果评估工具包”（PICU Outcomes Portfolio, POP）进行评估，该工具结合了特定于本研究的

  来源：Pediatric Critical Care Medicine

  时间：2025-11-19

• 通过规则集学习解释工业控制系统中的入侵检测机制

  摘要：随着工业控制系统网络环境开放程度的不断提高，网络安全威胁也日益严重。虽然基于规则的入侵检测方法仍被广泛使用，但这些方法受到专家知识的依赖性和规则生成复杂性的限制，从而阻碍了有效的响应。相比之下，深度学习在从大规模数据中捕捉复杂攻击模式方面展现出了强大的能力，但其缺乏可解释性给在安全关键工业环境中的部署带来了重大挑战。为了解决这些挑战，本文提出了一种将深度学习与神经符号表示相结合的新方法，以实现自动化和高质量的入侵检测规则生成。具体而言，该方法利用深度神经网络学习与攻击行为高度相关的候选规则集，然后采用启发式搜索策略来提高规则的可解释性，同时保持检测效果。在两个公共数据集上的实验表明，生成

  来源：IEEE Networking Letters

  时间：2025-11-19

• 生成式人工智能与大语言模型赋能的边缘智能：前沿进展与应用探索

  随着现代通信系统的飞速演进，网络边缘对智能化和自适应能力的需求日益迫切。传统人工智能(AI)技术在处理复杂动态环境时往往显得力不从心，而生成式人工智能(GAI)和大语言模型(LLM)凭借其强大的自学习、数据建模和上下文感知能力，为边缘智能注入了新的活力。GAI能够从海量数据中提取深层特征和语义信息，进行智能预测并优化流程，从而灵活应对复杂环境的变化。此外，通过模拟不同场景下的网络行为并生成新数据点，GAI可以优化网络架构、扩展训练数据集，进而提升模型的鲁棒性和泛化能力。LLM则能够通过少量样本学习快速适应多样化任务，并结合检索增强生成(RAG)等技术，强化其处理复杂文本任务的能力，实现精准信息

  来源：IEEE Networking Letters

  时间：2025-11-19

• 基于生成式人工智能的IoV任务卸载策略：从RSU-RSU负载均衡的角度出发

  摘要：由于基于上下文感知的响应、网络行为仿真以及边缘智能技术的发展，生成式人工智能（GAI）取得了迅速进展。首先，本文提出了一种基于GAI的卷积神经网络模型（CNN-GAI），用于捕捉车辆动态特性，并完成路边单元（RSU）的部署和任务卸载决策。接着，采用注意力机制强化学习（ARL）来实现RSU之间的负载均衡。最后，通过将该模型与实际场景相结合，获得了RSU的负载均衡情况及其利用率。一、引言随着智能交通系统的快速发展，车联网（IoV）已成为交通领域的研究核心方向之一。通过车辆之间的交互（V2V）、车辆与基础设施的交互（V2I）以及车辆与行人的交互（V2P），车联网旨在提升交通安全、效率及用户体验

  来源：IEEE Networking Letters

  时间：2025-11-19

• 威胁生成：利用基于图的机器学习进行高级持续性威胁（APT）变种生成

  摘要：在不断变化的威胁环境中确保网络安全需要主动识别和理解潜在威胁。传统的检测和预测方法往往存在不足，因为它们主要关注已知的攻击途径。高级持续性威胁（APTs）正变得越来越复杂和隐蔽，导致出现这些检测方法无法检测到的新威胁变种。本文介绍了一种名为Threatify的新方法，该方法能够从现有的APT和以往的攻击活动中预测最可能的威胁变种。我们的方法利用基于图的机器学习技术，根据攻击定义、过去的攻击活动以及不同技术之间的安全背景，自动生成威胁变种。Threatify结合了现实攻击场景的安全知识库和网络安全专业知识，通过分析威胁行为者使用的跨（即同一APT攻击内部）和 intra-（即不同APT之间

  来源：IEEE Transactions on Network and Service Management

  时间：2025-11-19

• 基于VDIBA与CDBA的节能高速忆阻器仿真器及其神经形态应用

  在电子器件尺寸不断缩小的今天，传统计算架构面临瓶颈，而模仿人脑运作的神经形态计算被视为突破方向。忆阻器作为一种兼具电阻和记忆特性的新型元件，能够模拟生物突触的权重调节机制，成为构建神经形态系统的理想选择。虽然忆阻器的概念早在1971年由Leon Chua提出，但直到2008年惠普实验室在TiO2材料中实现物理制备后，相关研究才真正步入快车道。然而，物理忆阻器在制造工艺、一致性和集成度方面仍存在挑战，促使研究人员转向基于CMOS技术的忆阻器仿真器开发。现有仿真器方案往往在频率、功耗或配置灵活性上存在不足。例如，一些设计最高频率仅达1-20 MHz，且多限于浮地或接地单一模式，难以满足图像识别、边

  来源：IEEE Open Journal of Nanotechnology

  时间：2025-11-19

• 近似感知训练与MRAM存内计算架构协同优化的高效能神经网络推理

  在人工智能浪潮中，卷积神经网络(CNN)已成为图像分类、目标检测等任务的核心工具，但其庞大的参数量与计算需求严重限制了在移动设备、物联网终端等资源受限场景的应用。传统的模型压缩技术如剪枝(pruning)和量化(quantization)虽能减少模型体积，却常因忽略训练过程中的近似误差而导致精度显著下降。更棘手的是，传统冯·诺依曼架构中处理器与内存的分离设计，使得数据频繁搬运成为能效瓶颈，难以满足实时计算需求。为解决这一矛盾，印度理工学院罗尔基分校的Hemkant Nehete等人提出了一种创新性的“近似感知训练”(Approximation-Aware Training, AAT)方法，并设

  来源：IEEE Open Journal of Nanotechnology

  时间：2025-11-19

• 基于深度神经网络替代模型的快速多目标天线合成进化优化方法

  摘要：随着对C-SWAP（成本、尺寸、重量和功耗）降低的严格要求以及维持严格的电磁性能规格，天线合成变得越来越具有挑战性。尽管机器学习方法在天线合成中的应用日益增多，但它们仍然无法处理具有多样响应的大型形状集合。我们提出了一种分支深度卷积神经网络架构，可以作为全波模拟器的替代方案（它可以预测反射系数、输入阻抗和辐射模式的全频谱响应）。我们展示了这种模型在辅助进化优化中的实用性，以实现具有任意目标响应的天线合成。具体来说，我们考虑了由16个顶点组成的多边形贴片天线组成的大型形状集合，并通过指定回波损耗、辐射模式和增益的独立约束来进行天线合成。与在线替代模型不同，我们的方法是离线的、不依赖于具体目

  来源：IEEE Journal on Multiscale and Multiphysics Computational Techniques

  时间：2025-11-19

• HNR-ISC：用于图像集压缩的混合神经表示方法

  摘要：图像集压缩（ISC）指的是对语义上相似的图像集合进行压缩。传统的ISC方法通常旨在消除图像在信号域或频域中的冗余，但在处理不同图像之间的复杂几何变形时往往效果不佳。在这里，我们提出了一种新的混合神经表示方法（HNR-ISC），包括用于语义共同内容压缩（SCC）的隐式神经表示和用于语义独特内容压缩（SUC）的显式神经表示。具体来说，SCC能够将语义共同的内容转换为简洁的神经表示，并生成可以以比特流形式传输的嵌入向量；而SUC则由用于去除图像内部冗余的可逆模块组成。SCC和SUC在特征层面的结合自然形成了最终的图像集。实验结果表明，HNR-ISC在信号质量和感知质量方面具有很强的鲁棒性和泛化

  来源：IEEE Transactions on Multimedia

  时间：2025-11-19

• 可扩展的神经光场：通过多层感知器的层级扩展实现

  摘要：光场（Light Field, LF）是一种3D图像处理技术，能够以简单的方式生成沉浸式内容。最近，将隐式神经表示（implicit neural representation）概念融入光场中的神经光场（Neural Light Field, NLF）技术应运而生，显著降低了光场重建的难度。然而，NLF仍然存在可重用性方面的限制。为了解决这一问题，本文提出了一种可扩展的NLF（Scalable NLF, S-NLF）技术，该技术通过单个多层感知器（Multilayer Perceptron, MLP）即可重建不同质量的光场。S-NLF具有可扩展的结构：使用较小的MLP即可实现低质量重建，

  来源：IEEE MultiMedia

  时间：2025-11-19

• 考虑多运行条件的可再生能源发电设备数据驱动建模中的阻抗数据集优化方法

  随着可再生能源渗透率的不断提高，其在带来显著经济和环境效益的同时，也引发了诸如次/超同步振荡等电网不稳定问题。阻抗稳定性分析方法是评估可再生能源发电设备（RPGE）与电网互联系统稳定裕度的关键手段。然而，由于商业保密性，大多数RPGE的内部参数和控制结构并不公开，这给基于数学公式的阻抗模型建立带来了巨大困难。在此背景下，基于小信号注入的阻抗测量成为黑箱条件下更有效的阻抗建模途径。但传统阻抗测量通常在固定运行点下进行，当实际运行条件变化时，测量结果难以适用于互联系统的稳定性分析。为了分析多运行条件下的系统稳定性，获取多运行阻抗模型变得至关重要。近年来，人工智能（AI）和数据驱动方法在阻抗建模领域

  来源：Journal of Modern Power Systems and Clean Energy

  时间：2025-11-19

• 基于拓扑自适应电压动态特征与域迁移的深度学习短期电压稳定评估方法

  随着可再生能源大规模并网和电力电子设备广泛应用，现代电力系统正面临日益严峻的短期电压稳定挑战。2016年南澳大利亚大停电事件警示我们，由故障引发的短期电压失稳可能导致灾难性后果。传统基于时域仿真和能量函数的方法因计算复杂难以满足实时评估需求，而现有数据驱动方法又难以适应系统拓扑变化带来的挑战。当输电线路因计划检修或突发故障投切时，系统拓扑结构改变会使预训练的评估模型失效，如何实现拓扑自适应的实时稳定评估成为行业痛点。针对这一难题，西安交通大学陈欣团队在《Journal of Modern Power Systems and Clean Energy》发表研究，创新性地提出融合拓扑自适应电压动态

  来源：Journal of Modern Power Systems and Clean Energy

  时间：2025-11-19

知名企业招聘：