eess 篇论文 | Gist.Science

本研究表明，尽管光伏驱动的电感应烹饪系统的能量效率低于传统的液化石油气（LPG）灶具，但通过显著降低运行成本、提高有效能效率以及在印度气候条件下大幅减少二氧化碳排放，该系统提供了更优越的长期可持续性。

本文提出了一种参数化物理信息神经网络（P2INN）框架，该框架通过作为传统有限元方法的轻量化、高精度替代方案，在实现接近5%最差情况体积误差目标的同时，大幅降低了计算成本，从而显著加速了多层静态线性弹性材料的设计与优化。

本研究提出将每公里的车辆燃油消耗量作为一种可扩展且低成本的空间代理指标，用于评估数据匮乏的南苏丹朱巴市城市基础设施的表现，结果显示，与城际旅行相比，路面状况较差且路口密度较高的市内路线造成了显著更高的经济与能源负担。

本研究表明，尽管建筑几何形状是埃及多样化气候下能源效率的主要驱动因素，但使建筑结构与克里布拉（Qibla）方向对齐所带来的能源损失极小（低于7%），这证明了文化取向要求可以成功地与可持续设计策略相结合。

本文提出了一种基于忆阻器的模拟迭代计算系统（mAIC），该系统利用一种模拟补偿预测单步编程方案，实现了用于实时机器人自主性的高能效、低延迟且高精度的动态矩阵方程求解，其性能显著优于 NVIDIA Jetson 等传统数字平台。

这项回顾性多数据集审计表明，图像衍生的伤口愈合代理指标对稀疏的随访计划和图像构图高度敏感，证明了由于未经验证的分割误差、卷积神经网络相对于占用度指标缺乏增量价值以及在尺度变化下的不稳定性，当前数据仅支持失效模式分析而非校准后的临床预后。

本文介绍了一种时间输入状态感知校准（TISAC）框架，该框架利用协同演化神经网络和物理约束，通过在具有时间相关性和状态变化的运行条件下推断不确定参数和偏差偏差，来对工程模型进行校准。

本文提出了一种针对注意力图神经网络的无标签训练方法，该方法通过最小化控制方程的有限体积残差，在无需承担传统数据生成的高昂计算成本的情况下，高效地为耦合的三维热流场生成精确的神经代理模型。

本研究提出了一种开源的 Python 实现的硬化土（Hardening Soil）物质点积分器，该积分器已通过胡志明市土壤数据进行了验证，并成功作为一种高保真物理驱动的数据生成器，用于训练高精度的神经网络代理模型。

本文提出了 VICP，一种用于工业边缘集群的运行时，它通过通过多数派支持的租约和隔离机制，将可逆的状态复制与不可逆的物理输出控制权解耦，从而确保高可用且安全的业务故障转移，在保持精确控制精度的同时，使输出中断较主动/备用模式减少了 50.54%。