• 锂离子电池的电压预测：结合基于物理的模型与神经网络以提高预测精度

  锂离子电池混合建模研究提出将DFN电化学模型与FNN神经网络结合，通过关键状态变量输入实现高效准确的电压预测，适用于宽温域和高C率条件，RMSE<10mV。

  来源：Journal of Industrial and Engineering Chemistry

  时间：2026-02-16

• 被删除却未真正消失：神经网络水印的重新激活

  保护深度学习模型的知识产权面临水印被攻击的挑战，本文提出无需原始参数或训练数据即可重新激活水印的方法。通过将重激活建模为优化问题，利用投影梯度下降搜索有效触发输入，结合正则化技术确保触发输入与正常输入隐蔽性一致。实验表明该方法在CIFAR-10等数据集上成功恢复90%以上被剪枝、微调或代理模型攻击破坏的水印，同时保持模型性能和隐蔽性。水印存在系数的引入为攻击条件下的可行性评估提供理论依据。

  来源：ACM Transactions on Intelligent Systems and Technology

  时间：2026-02-16

• GoSteiner：基于强化学习的定向图曼哈顿几何最小斯坦纳树构建

  这篇论文提出了一种名为GoSteiner的Actor-Critic强化学习框架，用于高效求解集成电路后端物理设计中的关键问题——直角斯坦纳最小树（RSMT）。该方法通过图表示（GST）、Delaunay三角剖分和边感知图注意力网络（EGAT），将RSMT构造过程建模为序列决策问题，显著提升了高引脚数网表的构建质量与效率。实验表明其在保证布线长度误差（≤0.24%）的同时，对500引脚以下的网表实现了少于62.37ms的快速求解。

  来源：ACM Transactions on Design Automation of Electronic Systems

  时间：2026-02-16

• 面向未来点燃式发动机的可再生燃料全生命周期优化设计

  本文提出了一种创新的可再生燃料全生命周期（WTW）优化设计方法，将基于超结构的“井到罐”（WTT）燃料设计与基于人工神经网络（ANN）的发动机“罐到轮”（TTW）模型相结合。研究发现，过于追求高研究法辛烷值（RON）会损害WTW性能，而为先进发动机“量身定制”的燃料相比可直接使用的“即用型”（drop-in）燃料，在成本和全球变暖影响（GWI）方面具有显著优势，凸显了早期设计阶段考虑燃料全生命周期的重要性。

  来源：Energy & Fuels

  时间：2026-02-16

• 基于文章标题和摘要内容，拟定一个有专业性且吸引人、能表明研究意义的中文标题如下： 中文标题：面向非线性过程控制的鲁棒强化学习框架：融合李雅普诺夫稳定与无偏方法

  为解决非线性、带约束过程系统中，强化学习控制器缺乏形式化稳定性保证且对模型-过程失配敏感的问题，研究人员开展了一项融合李雅普诺夫监督切换逻辑与无偏估计的强化学习控制框架研究。该研究提出将强化学习策略作为性能寻优候选控制器，由李雅普诺夫认证的后备控制器监督，并借鉴模型预测控制中的无偏方法，通过在线估计干扰变量来增强状态信息。该框架在非线性化工过程控制问题上得到验证，能在保持低在线计算成本的同时，确保李雅普诺夫稳定性并提升系统在扰动下的鲁棒性。

  来源：Digital Chemical Engineering

  时间：2026-02-16

• 探讨双侧颈总动脉阻塞后小鼠行为和神经病理学结果中的性别差异

  脑缺血模型中性别差异研究显示，C57BL/6J小鼠经双侧颈总动脉结扎术后，雄性小鼠出现空间记忆障碍、抑郁样行为、海马神经退行性变、血脑屏障破坏及白质损伤，而雌性小鼠未呈现显著病理改变，提示性别在脑缺血病理进程中起关键作用。

  来源：Physiology & Behavior

  时间：2026-02-16

• ME-NAS：一种基于微表情特征的自适应神经架构搜索方法

  微表情识别中，传统手动设计CNN效率低且难以捕捉细微时空特征。本文提出ME-NAS方法，结合EXPERT架构搜索优化路径和ReCODE细胞级搜索引入24种3D卷积操作，有效增强微表情的识别精度。实验在6个数据集上验证，采用LOSO和跨领域评估策略，ME-NAS在准确率和召回率上均优于AutoDeepLab等现有NAS方法，且模型更浅、计算效率更高。

  来源：ACM Transactions on Intelligent Systems and Technology

  时间：2026-02-16

• 基于基于内容的大规模食物图像检索：FoodHash框架的创新与突破

  本综述系统阐述了食物图像检索领域面临的挑战，并提出了一种创新的FoodHash解决方案。该方案针对食物图像特征分布复杂、细节精细、背景干扰多等难点，构建了一种结合上下文感知代理交互与融合的深度哈希框架。其核心在于引入了聚合-交互-传播（Aggregation–Interaction–Propagation， AIP）模块以促进特征图内部的信息交换，并设计了跨模态融合模块（Cross-Fusion Module， CFM）来有效整合多尺度语义信息。同时，文章提出了一种结合极化损失（Polarization Loss）和增强型交叉熵损失（S-cross entropy loss）的新型损失函数，以优化哈希码的学习。实验结果表明，该方法在多个公开食物数据集上显著超越了现有主流模型，为基于视觉的膳食与健康管理应用提供了高效精准的技术支持。

  来源：ACM Transactions on Multimedia Computing, Communications, and Applications

  时间：2026-02-16

• 基于文档标题和摘要内容，一个具有专业性且能表明研究意义的中文标题是： 中文标题 高精度胺类pKa预测新策略：融合改进溶剂化与量子引导增量学习用于二氧化碳捕获溶剂筛选

  本文综述了通过结合改进的隐式溶剂化模型与量子化学引导的增量学习（delta-learning）框架，以显著提升用于二氧化碳（CO2）捕获的胺类溶剂pKa预测准确性的研究。该工作系统优化了计算方法，成功解决了传统隐式溶剂模型对叔胺预测的系统性偏差，最终在116种结构多样的胺类上实现了0.36 pKa单位的平均绝对误差（MAE），为高效、低成本的CO2捕获溶剂理性设计与高通量筛选提供了兼具高精度与可扩展性的计算工具。

  来源：Industrial & Engineering Chemistry Research

  时间：2026-02-16

• 基于机器学习方法模拟TCM基离子液体与乙醇混合物的密度行为

  本文提出了一种高效预测TCM基离子液体与乙醇混合物密度的新方法。研究人员利用多种机器学习算法（包括KNN、CNN、LSSVM等）对实验数据集进行建模与预测，并通过耦合模拟退火算法优化超参数。研究结果表明，卷积神经网络模型表现出最高的预测精度（R²>0.999，AARE%低至0.3064），为解决传统实验方法耗时耗力的问题提供了可靠的计算替代方案，对离子液体在绿色化工和能源领域的应用设计具有重要意义。

  来源：Digital Chemical Engineering

  时间：2026-02-16

• HRGNN：在标签稀缺且存在噪声的图中学习具有全局鲁棒性的图神经网络

  图神经网络（GNN）在存在噪声和标签稀缺时表现脆弱。本文提出HRGNN框架，通过合成节点生成、边过滤和伪标签技术，有效对抗四种噪声（对抗攻击、边稀疏、噪声标签、异构性）并缓解标签不足问题。实验表明HRGNN在八个数据集上均优于基线方法，尤其在1%标注数据时仍保持高鲁棒性。

  来源：ACM Transactions on Intelligent Systems and Technology

  时间：2026-02-16

• 通过带有兴趣点（POI）权重模块的全球图解耦技术提升兴趣点推荐效果

  本文提出基于图神经网络的GDPW框架，通过全局类别图、类别时间图和引力图整合POI类别、时间与空间关系，采用对比学习分离信号，并引入POI加权模块，实验表明在纽约和东京数据集上准确率提升3%-11%。

  来源：ACM Transactions on Intelligent Systems and Technology

  时间：2026-02-16

• 一致性不变性引导的多视图超图学习：面向稳健超边预测的新框架

  本文介绍了一种名为Multi-HyperLinker（多视图超图学习框架）的创新方法，致力于解决高维数据中高阶交互（Higher-order Interaction）预测的核心难题。该工作针对传统超图神经网络（HGNN）因基础超图不完整（Incompleteness）和噪声（Noise）导致的性能瓶颈，提出通过构建多重视图（Multi-view），利用视图间的一致性（Consistency）与不变性（Invariance）来捕获可靠的高阶交互模式。其核心在于设计了一种一致性引导的双视图学习策略来修复不完整结构，并引入不变性学习策略来对抗噪声干扰。实验表明，该方法在多个真实数据集上相比现有基于HGNN的方法实现了最高19.80%的性能提升，并在不完整和含噪超图上展现出更强的鲁棒性。

  来源：ACM Transactions on Knowledge Discovery from Data

  时间：2026-02-16

• 基于EM-HyChem方法揭示高氯酸铵燃烧反应动力学：破解固体相分解之谜

  针对高氯酸铵（AP）固体推进剂氧化剂燃烧动力学因固体相分解复杂而长期争议的问题，本研究采用EM-HyChem新方法，将复杂燃烧过程解耦为固体相热解与气相氧化子过程。通过分子动力学模拟、化学反应神经网络模型与热重实验，成功构建了AP的简化动力学模型，并精准预测了其层流火焰燃烧速率、表面温度与物种分布。该方法为深刻理解并精确模拟含能材料燃烧特性提供了物理基础扎实、成本低廉且通用性强的新途径，对先进固体推进剂设计与性能优化具有重要意义。

  来源：Energetic Materials Frontiers

  时间：2026-02-16

• Kolmogorov–Arnold网络(KAN)在化工软传感中的性能与可解释性应用研究

  在化学工业中，关键质量参数的频繁测量常因耗时或成本高昂而不可行。为此，研究人员开发软传感器作为替代方案。本文以工业苯胺合成反应器和基准蒸汽轮机数据集为案例，将新兴的Kolmogorov–Arnold网络(KAN)应用于工业可解释产品质量预测。研究比较了KAN与经典前馈神经网络、浅层网络及MLR、SVR、XGBoost等模型的预测性能。结果表明，KAN的预测精度可与经典神经网络相媲美，但其内置的符号回归可解释性在简单任务上过于复杂，而基于Shapley值的后验解释法则有助于揭示各变量的影响趋势。研究为化工软传感器开发提供了模型选择与解释性评估的新见解，论文发表于《Digital Chemical Engineering》。

  来源：Digital Chemical Engineering

  时间：2026-02-16

• 具有缺失值插补的自监督二分图神经网络，用于小型表格数据预测

  MissGNN是一种创新的自监督图神经网络模型，专为处理缺失值数据设计。通过构建数据点与特征间的二分图，结合多视角学习与分阶段训练，该模型同时优化特征填补和标签预测，显著提升在金融、医疗等领域的预测性能，实验表明其优于现有方法。

  来源：ACM Transactions on Intelligent Systems and Technology

  时间：2026-02-16

• 向量乘法单元中的并行性对相关性功率分析的影响

  本文研究硬件加速器中并行处理对侧信道攻击的影响，发现当并行单元数量超过8时，关联功率分析的成功率显著下降，揭示高并行性可增强神经网络硬件的安全性。

  来源：ACM Transactions on Embedded Computing Systems

  时间：2026-02-16

• 迈向基于神经网络局部混合函数的双重局域双杂化泛函研究

  本文首次报道了“双重局域双杂化”（DLDH）泛函的优化与评估工作。该研究通过引入坐标空间中的局部混合函数（LMFs），实现了对精确交换与半局域交换，以及二阶微扰（PT2）与半局域相关性的位置依赖性混合。作者采用神经网络对LMFs进行训练，并构建了DLDH及其变体DL2DH。研究结果表明，在包含非共价相互作用的基准测试集（如Slim16/Slim20）上，这类泛函表现优异，甚至无需经验性色散修正即可获得最佳性能，展现了位置依赖性PT2混合在提升密度泛函近似（DFA）精度方面的巨大潜力。

  来源：Journal of Chemical Theory and Computation

  时间：2026-02-16

• 从点击行为到购物意图：一个用于诊断消费者购物目标并个性化零售策略的异构图框架

  电商推荐系统需突破“语境盲”局限，精准识别用户购买动机（品牌忠诚度或类别探索需求）。本文提出HGCAR框架，构建包含用户、商品、品牌、类别的多关系异构图，通过分层注意力机制动态量化品牌与类别的影响权重（β），生成可解释的诊断指标。实验表明，该模型在亚马逊数据集上显著优于SOTA基线，且通过用户分群策略可提升营销ROI。研究填补了预测精度与商业决策可操作性之间的鸿沟，为个性化营销提供技术支撑。

  来源：Electronic Commerce Research and Applications

  时间：2026-02-16

• 动态超图神经网络在消费者购买路径预测中的应用：整合促销活动、购物体验以及店铺差异性

  消费者行为动态预测研究提出基于行为经济学的超图网络框架BEHGN，整合期望效用理论和心理账户理论，构建消费者-门店-优惠券三元超图结构，通过大语言模型提取在线评论体验特征，动态融合促销策略与历史行为数据，实验表明在购买路径预测任务中准确率提升12.1%，AUC达0.984。

  来源：Decision Support Systems

  时间：2026-02-16

知名企业招聘：