36 篇论文
本研究提出了一种通过机器学习辅助参数优化（包括可学习参数、参数边界和选择性损失）来增强小波变换非晶径向分布函数（WT-RDF）振幅精度的 WT-RDF+ 框架，该框架在 Ge-Se 及 Ag-Ge-Se 体系的结构重构中，即使仅使用 25% 的二元数据集，其表现也优于基于 AIMD 模拟数据的 RBF 和 LSTM 等基准机器学习模型。
该论文表明，通过利用大学习率下梯度下降优化产生的瞬态混沌动力学（即处于探索与利用平衡的临界混沌状态），可以显著加速人工神经网络在多种监督学习任务中的训练过程。
该论文构建了一个将样本量与参数方差作为状态变量、香农信息类比为熵的热力学框架，用于描述渐近推断过程，揭示了包括逆第二定律循环不等式、受噪声限制的第三定律式下界以及高斯极限下德布鲁因恒等式与 I-MMSE 关系在内的统一结构，表明系综物理与推断物理是同一热力学描述中方向相反的影子过程。
该论文提出利用图神经网络（GNN）进行 CMS 实验中缪子动量估计，通过两种图构建方法证明了 GNN 在捕捉数据复杂依赖关系方面优于 TabNet 模型，并强调了节点特征维度对模型效率的关键作用。
该论文提出了一种基于贝叶斯潜在扩散模型的物理信息异常检测框架，通过在潜在空间中结合概率编码与扩散动力学并显式施加物理约束，有效提升了大型强子对撞机（LHC）喷注数据中新物理搜索的稳定性与泛化能力。
本文提出了一种名为“提取模态追踪”（EMT）的无监督机器学习数据分析框架，通过直接从时空测量数据中提取波模态基，有效解决了因边界条件未知而难以分析重力 - 毛细波演化的问题，并在合成数据与法拉第波实验中验证了其在噪声鲁棒性、精度及受限视场下的优越性能，为研究轴对称流体界面系统的非线性动力学提供了通用工具。
该研究提出了一种基于非相互作用电子密度与贝叶斯主动学习的高效计算框架，通过构建可迁移的电子堆积流形，实现了在仅需极少训练样本的情况下对难熔高熵合金（包括完全未见过的多组分体系）进行高精度的零样本外推预测。
该论文提出了一种名为“伪相干”的新机制，表明在不含固有振荡器且线性稳定的随机系统中，非正规矩阵的赝谱放大效应可驱动间歇性的集体时间组织，从而在不依赖传统同步或分岔的情况下产生类似振荡的集体动力学行为。
该论文提出了两种互补的符号预测器（SyNF 和 SyTF），能够从混沌时间序列数据中学习显式且可解释的代数方程，在保持与深度学习相当的短期预测精度的同时，克服了黑盒模型缺乏科学洞察力的局限。
本文提出了一种基于部分信息分解的谱格兰杰因果分析新方法（PDGC），通过解耦冗余、独特和协同的高阶因果相互作用，揭示了神经介导性晕厥患者中由交感神经控制的低频心血管与脑血管振荡异常模式。
本文提出了一种基于自适应熵驱动的传感器选择策略的异构多传感器融合粒子滤波器，用于在固定沿海平台上实现单船跟踪，并通过在塞浦路斯阿依纳帕码头的实地部署验证了该方法能在不同距离和传感器可用性条件下，通过动态切换模态在跟踪精度与连续性之间取得最佳平衡。
该研究提出了一种无需直方图化、数值积分或最小二乘拟合的新方法，直接分析中子散射事件模式数据，从而在显著降低系统误差并提高参数精度的同时，实现了比传统方法高出数个数量级的数据效率，尽管其代价是计算时间增加且方法直观性降低。
本文提出了一种基于最大熵原理的连续时间动态网络建模框架，通过推导非齐次泊松过程强度与静态边概率的因子分解形式，实现了可解释的模块化表示，并提供了闭式解以生成有效模型及计算网络统计量。
该论文通过整合理论进展并开发无需解码器的算法，从 Google Willow 芯片的综合征数据中精确估计了探测器误差模型（DEM），不仅揭示了长程探测器关联主要由关联测量误差引起，还发现了传统 DEM 无法解释的相邻探测器关联翻转及辐射事件等异常现象，并展示了该模型在在线表征和逻辑内存实验中的不同应用价值。
本文证明了当贝叶斯层次模型中给定超参数的先验为最大熵分布时，通过对超参数积分得到的参数边缘先验同样具有最大熵性质，只是其约束条件变为对未知量某函数的边缘分布的约束，从而揭示了层次模型所隐含的假设信息。
本文提出了一种基于映射的两步框架，通过将详细化学动力学的不确定性投影到降维流形上，实现了在计算成本可控的前提下对复杂燃烧装置中反应流场进行空间分辨且物理可解释的量化不确定性分析。
该论文提出了一种结合符号化转换、贝叶斯显著性字符串提取及超图建模的新方法，用于从多元时间序列中检测任意阶的依赖关系，并在神经和社会系统中揭示了高阶相互作用的重要性。
该论文展示了通过连接器网络将 Qwen2.5 大语言模型应用于 SKA 数据（如宇宙大尺度结构 3D 图和光锥生成），在宇宙学参数回归等任务中，该模型不仅优于标准初始化方法，且表现可与同规模专用网络相媲美。
本文提出了一种基于深度神经网络的 2x2 线性梯度硅光电倍增管阵列光位置重建方法，该方法相比传统架构显著提升了位置分辨率与线性度，并将可分辨区域数量提高了 5.7 至 12.1 倍。
该论文提出了名为 QUnfold 的开源框架，通过将高能物理中的反卷积问题重构为二次无约束二进制优化（QUBO）模型，实现了利用经典及混合量子求解器进行高效、正则化的分布重建，并在基准测试中展现出与主流方法相当的精度。