背景介绍 活体细菌在生物医学领域的应用近年来引起了广泛关注。传统上，细菌被视为病原体，需要被消除。然而，随着现代细菌学的发展，人们逐渐认识到细菌与人体共生的复杂性及其在治疗、诊断和药物递送中的独特潜力。尽管化学工程为增强生物安全性和改善治疗效果提供了创新思路，但活体细菌在精准医学中的全面应用仍面临重大挑战。特别是，活体细菌进入人体后的命运、其生物过程的复杂性以及个体化治疗的多样性，都是亟待解决的问题。此外，人工智能和机器学习技术的引入，为设计和预测活体细菌与人体相互作用提供了新的可能性。 论文来源 这篇题为《Live Bacterial Chemistry in Biomedicine》的论文由来自哈佛医学院布莱根妇女医院纳米医学中心的Senfeng Zhao、Qian Chen、Qiman...

随着人工智能（AI）技术的快速发展，人工神经网络（Artificial Neural Networks, ANNs）在多个领域取得了显著成就。然而，传统的神经网络训练方法——尤其是反向传播算法（Backpropagation）——在硬件实现上存在诸多挑战。反向传播算法虽然在软件中高效，但在硬件中实现时，要求计算路径可逆、每个神经元需要大量内存，并且需要计算激活函数的导数，这些条件在硬件中难以满足。此外，传统的互补金属氧化物半导体（CMOS）硬件在训练和部署这些算法时，能源消耗巨大，限制了其扩展性和广泛应用。 为了解决这些问题，研究人员开始探索脑启发（brain-inspired）的硬件解决方案，尤其是模拟神经形态硬件（analog neuromorphic hardware）。这类硬件能够以...

背景介绍 二维材料（2D materials）因其独特的物理化学性质，在纳米电子学、光电子学等领域展现出巨大的应用潜力。然而，这些材料在纳米尺度上的结构扰动（structural perturbations）对其性能有着重要影响。传统的表征方法如拉曼光谱（Raman spectroscopy）虽然能够提供材料的结构信息，但其空间分辨率通常受到衍射极限的限制，难以在纳米尺度上精确探测结构变化。为了解决这一问题，研究者们开始探索将机器学习（machine learning, ML）与光谱技术结合，以提高空间分辨率并揭示纳米尺度的结构扰动。 本研究由来自Hanyang University、Sungkyunkwan University、Korea Advanced Institute of Sc...

学术背景 在人工智能领域，零样本学习（Zero-Shot Learning, ZSL）是一项极具挑战性的任务，其目标是通过已见类别的知识来识别未见类别的样本。音频-视觉零样本学习（Audio-Visual Zero-Shot Learning, AVZSL）作为零样本学习的一个分支，旨在通过结合音频和视觉信息来实现对未见类别的分类。然而，现有的许多方法往往过于关注学习强表征，而忽略了音频和视觉之间的语义一致性以及数据本身的层次结构。这种忽略可能导致模型在测试时无法有效分类未见类别，从而限制了其在实际应用中的表现。 为了解决这一问题，来自Guizhou University、Shanghai Jiao Tong University和Oklahoma State University的研究团队...

学术背景 随着全球能源危机的加剧和环境保护意识的提升，建筑管理系统（Building Management Systems, BMS）的智能化与高效化成为了学术界和工业界关注的焦点。传统的BMS依赖于基于规则的控制方法，无法动态适应环境变化，如能源价格波动和气象条件的变化。近年来，机器学习（Machine Learning, ML）和人工智能（Artificial Intelligence, AI）技术的快速发展为BMS的智能化提供了新的可能性。然而，现有的BMS在实时数据处理和决策响应方面仍存在不足，尤其是在资源受限的环境中，如何实现低延迟、高吞吐量的ML模型部署成为了一个亟待解决的问题。 为此，Mohammed Mshragi和Ioan Petri等学者在2025年发表了一篇题为《快速机...

学术背景 化学交换饱和转移（Chemical Exchange Saturation Transfer, CEST）磁共振成像（MRI）是一种先进的非侵入性成像技术，能够提供活体组织的详细分子信息。CEST MRI通过选择性饱和特定代谢物的可交换质子，并将这种饱和转移到水分子中，从而实现对低浓度蛋白质和代谢物的检测和定量。尽管CEST MRI在神经退行性疾病和癌症等疾病的诊断中显示出巨大潜力，但其在临床中的应用仍面临诸多技术挑战，例如数据采集时间长、图像处理复杂以及解释难度大。这些问题限制了CEST MRI从研究环境向临床实践的过渡。 近年来，人工智能（Artificial Intelligence, AI）在医学影像领域的应用日益广泛，尤其是在处理大规模数据和提供精确诊断方面表现出色。AI...

学术背景 随着互联网信息的爆炸式增长，推荐系统（Recommender Systems, RSs）在现代数字生活中扮演着不可或缺的角色。无论是Netflix的电影推荐，还是社交媒体的个性化新闻推送，推荐系统都在重塑用户的在线体验。然而，传统的推荐系统面临诸多挑战，如数据稀疏性（data sparsity）、冷启动问题（cold-start）、可扩展性（scalability）和缺乏可解释性（lack of explainability）等。近年来，大语言模型（Large Language Models, LLMs）在自然语言处理（Natural Language Processing, NLP）领域取得了巨大进展，这促使研究者探索如何将这些模型应用于推荐系统，以利用其强大的文本表示能力和丰富...

学术背景 随着全球能源结构向可再生能源转型，分散式能源存储（decentralized energy storage）的重要性日益凸显。与传统的集中式能源存储系统不同，分散式能源存储将能源生产和存储过程本地化，减少了大规模系统故障的风险，并提高了能源供应的连续性和灵活性。然而，分散式能源存储项目的复杂性和资源有限性使得企业难以确定战略优先级，这可能导致投资失败或效率低下。 为了解决这一问题，作者们提出了一种基于人工智能（AI）驱动的决策模型，旨在为分散式能源存储投资提供有效的战略指导。该研究不仅关注如何优化投资决策，还通过引入信息增益（information gain）和大规模专家选择技术，提高了决策的一致性和效率。 论文来源 这篇论文由Gang Kou、Hasan Dinçer、Edanu...

学术背景 在现代供应链管理中，物流服务商的选择是一个复杂且关键的问题。企业需要评估和选择能够高效管理和执行物流任务的第三方企业或组织。然而，现实中的决策过程往往涉及大量的不确定性和模糊性，传统的决策方法难以有效处理这些复杂信息。为了解决这一问题，模糊集理论（Fuzzy Set Theory, FST）及其扩展形式，如直觉模糊集（Intuitionistic Fuzzy Sets, IFS）和犹豫模糊集（Hesitant Fuzzy Sets, HFS），被广泛应用于多属性决策（Multi-Attribute Decision Making, MADM）问题中。 近年来，直觉犹豫模糊集（Intuitionistic Hesitant Fuzzy Sets, IHFS）作为一种新的模糊信息表示工...

学术背景 在现代工程和管理领域，决策问题常常伴随着不确定性和模糊性。传统的模糊集理论在处理这些问题时存在一定的局限性，尤其是在处理复杂的多属性群决策（Multi-Attribute Group Decision-Making, MAGDM）问题时。直觉模糊集（Intuitionistic Fuzzy Set, IFS）作为一种扩展的模糊集理论，能够更好地捕捉决策过程中的不确定性和模糊性。然而，现有的直觉模糊数（Intuitionistic Fuzzy Numbers, IFNs）在处理某些复杂问题时仍然存在不足，尤其是当涉及到梯形直觉模糊数（Trapezoidal-Valued Intuitionistic Fuzzy Numbers, TrVIFNs）时。 为了解决这一问题，本文提出了一种...