今日速览 · AI 导读
自动抓取 arXiv 多学科 RSS，DeepSeek 自动润色标题与摘要，最快 24 小时内汇总。每日 14:00 初始化批次并每 15 分钟轮询学科，24h 无数据则回退 72h/7 天；arXiv 周末停更时自动跳过。
今日物理学研究呈现多领域交叉与前沿技术深度融合的趋势，从高性能计算平台、深空导航到量子生物物理，均强调通过新方法与新工具解决复杂系统问题。
今日计算机科学领域研究呈现多元化趋势，重点关注AI应用的可信性、人机协作范式及数据驱动的系统化框架构建，旨在提升技术落地的可靠性、效率与跨领域适用性。
今日q-bio领域整体呈现“计算赋能生物医学”的强劲趋势，研究重点从传统生物信息学分析转向利用前沿计算模型（如图神经网络、物理启发的计算框架、基础模型）解决复杂的生物系统建模、疾病机制解析与精准医疗预测等核心问题，并高度关注模型的可解释性与生物物理合理性。
图神经网络（GNN）成为复杂生物系统建模的核心工具：研究利用GNN结合分层池化技术分析RNA-seq与蛋白质相互作用网络，实现了高精度的肿瘤分类与可解释性分析；同时，GNN也被用于构建连续能量景观模型，以更精准地分析大脑状态转换动力学，在神经疾病预测上取得显著提升。
超越深度学习的生物启发/物理实现计算新范式：出现了颠覆性探索，如证明化学反应网络可实现无需注意力机制的“上下文学习”，为在物理介质中实现智能计算提供了蓝图；同时，提出了“广义潜在平衡”框架，为生物神经元网络如何实现高效的时空信用分配提供了更可信的计算模型。
面向分布外泛化与不确定性的模型设计成为关键：针对酶动力学预测等任务，研究通过引入基于生化知识的扰动增强与不变性学习，显著提升了模型对序列差异大的新样本的泛化能力；在蛋白质-配体亲和力预测中，则引入混合密度网络来建模结合模式的不确定性，提高了预测可靠性。
多模态与基础模型推动神经科学与脑机接口发展：研究通过融合伽马/阿尔法脑电与眼动追踪数据，系统刻画了深度认知注意的神经机制；同时，提出了融合神经科学先验（如体积传导、神经动力学）的脑电基础模型，旨在构建更通用的脑机接口，表征与宏观脑状态参数对齐以增强可解释性。
计算框架革新传统生物医学数据分析流程：在空间组学领域，计算范式正从数据整合、映射向以病理图像为基础模型演进；在临床建模中，采用非线性规划求解器生成个体化的下丘脑-垂体曲线，为甲状腺疾病精准治疗提供了新工具；此外，新方法实现了直接从噪声测序读段中估计突变率，扩展了传统分析框架。
复杂系统动力学与跨尺度建模备受关注：研究通过构建双毒株登革热传播模型，揭示了抗体依赖性增强等机制如何影响疾病动力学；在种群生态学中，设计了结合Allee效应与环境噪声的随机模型及控制策略，以抵御灭绝风险；同时，拓扑数据分析被用于高维时空生物模型（如血管生成）的参数推断与选择。
今日经济学研究呈现出强烈的跨学科与方法论创新趋势，核心聚焦于利用更精细的模型、更严谨的因果推断框架以及人工智能等新技术，重新评估经典问题并量化复杂政策影响。
气候经济学与物理模型的深度融合
自动化与劳动力市场的认知更新
因果推断方法的稳健性革新
时序预测与AI应用的范式突破
市场与政策影响的高精度量化
理论框架的交叉与重构
2026-01-13 共 95 条抓取，按综合热度排序
本研究利用图神经网络（GNN）结合分层池化技术，基于TCGA的RNA-seq数据和STRING蛋白质相互作用网络，对肿瘤组织来源及正常/肿瘤样本进行分类。模型采用Chebyshev图卷积（K=2）和加权池化层，将基因簇聚合为“超节点”以实现降维并保留关键相互作用。研究发现，增加卷积和池化层数并未提升分类性能，单层池化模型取得了最高的F1-macro分数（0.978），更深层结构会导致过平滑和性能下降。然而，通过梯度方法，模型展现出高度可解释性，成功识别出已知的癌症相关基因和富集的生物学过程，其分层结构为开发新的可解释架构提供了基础。
本研究首次从理论上证明并数值模拟了化学过程可以实现上下文学习（ICL），这是一种通常与Transformer架构相关的计算模式。研究提出了一种名为“子空间投影”的新机制，通过将整个输入向量映射到比较子空间，由主导投影决定计算输出，从而绕过了传统ICL对注意力机制的依赖。分析表明，该机制在小化学系统中有效，且性能对输入编码和动力学选择具有鲁棒性。这一发现为在化学或其他物理介质中实现ICL提供了蓝图，并为设计自适应合成化学系统及理解细胞内可能的生物计算开辟了新方向。
本研究提出了一种新型连续能量景观框架，以克服传统基于二值化大脑状态模型的局限性。该方法利用图神经网络直接从功能磁共振成像信号中学习连续精度矩阵，在能量景观计算中保留了完整的信号值范围。在合成数据和脑肿瘤患者真实fMRI数据集上的验证表明，该模型在似然度、吸引盆几何结构恢复、状态占据和转换动力学方面均优于传统二值模型。在临床应用上，该模型将工作记忆和执行功能预测的AUC提升了0.27，并将反应时间预测的解释方差提升了0.35，为神经系统疾病的诊断与监测提供了更优的工具。
本研究探讨了具有对称耦合发散的复制-发散增长图中最大连通分量的行为。通过有限尺寸标度分析，发现当发散率δ达到临界值δ_c时，系统会发生相变。该临界值δ_c位于有限尺寸图的欧拉特征值为零的轨迹附近，而这一轨迹已知是最大连通分量发生转变的标志。研究还讨论了非相互作用顶点在复制过程中的存在（d=0）与缺失（d=1）对该相变的影响，并提出一种特定的时间变量变换，使得d=0模型下有限尺寸图欧拉特征值的自然对数奇点轨迹，与d=1模型下得到的结果相近。这些发现可能对理解此类增长图中的键渗流现象具有启示意义。
针对现有深度学习模型在预测酶-底物相互作用时，对序列差异大的分布外样本性能下降的问题，本研究提出O²DENet。该轻量级即插即用模块通过引入基于生物化学知识的扰动增强（如对酶或底物进行扰动），并强制原始与增强后的酶-底物对表征保持一致，从而学习对分布偏移具有不变性的表征。当与主流预测模型结合时，O²DENet在严格的基于序列相似度的分布外基准测试中，显著提升了催化常数 $k_{cat}$ 和米氏常数 $K_m$ 的预测准确性与鲁棒性，为实际酶工程应用提供了更稳定可靠的数据驱动工具。
本研究构建了一个包含宿主与媒介的双毒株登革热确定性传播模型，整合了临时交叉免疫、抗体依赖性增强（ADE）、二次感染致死率以及媒介共感染等关键免疫流行病学机制。通过下一代矩阵法推导出基本再生数 $R_0$，并证明了当 $R_0 < 1$ 时无病平衡点的局部稳定性。分析表明，在 ADE 条件下（即二次感染传播率 $\sigma > $ 初次感染传播率 $\alpha$），单一毒株的地方性平衡会失稳，允许异源毒株入侵。利用中心流形理论和数值延拓，模型揭示了后向分支、无病态与地方病态的双稳态以及霍普夫分岔诱导的振荡现象。数值模拟证实了随着关键参数变化，系统可在无病、地方病和周期性状态间转换。该模型阐明了 ADE、交叉免疫衰减和媒介共感染如何相互作用，产生复杂的登革热传播动态，为登革热流行地区的有效控制和疫苗接种策略设计提供了理论见解。
本研究提出了PLANET v2.0，一个用于虚拟筛选的升级版蛋白质-配体亲和力预测模型。针对前代模型在结合模式预测上的缺陷，v2.0通过多目标训练策略，并创新性地引入混合密度网络来预测结合模式。模型不仅预测非共价相互作用的概率密度分布，还使用另一个高斯混合模型描述每个相互作用对的距离-能量关系，并通过计算数学期望来预测亲和力。在CASF-2016基准测试中，PLANET v2.0在评分、排序和对接能力上均表现出色，其筛选能力相比前代模型和Glide SP有显著提升，并在商业超大规模数据集上得到稳健验证。
本研究针对从高通量测序产生的噪声读段数据中估计序列间突变率的问题，提出了一种新的解决方案。传统无比对方法通常假设能直接获取完整序列，而本研究将其扩展至仅能观测到噪声读段的测序框架。在假设突变和测序错误均为替换事件的简化模型下，研究者提出了多种估计器，为其中一个提供了理论保证，并通过模拟评估了其他估计器的性能。
本文提出了一个规范性框架，将学习效率问题形式化为一个最优控制过程：智能体在最大化累积性能的同时，需承担学习成本。由此推导出最优学习率的闭式解，其形式为一个闭环控制器，仅依赖于智能体当前及预期的未来性能。该解在温和假设下可跨任务和架构泛化，并在模拟中复现了数值优化的调度方案。框架预测了过度自信或自信不足如何影响学习投入与坚持，并将学习速度的控制与自我调节学习理论联系起来。研究还表明，一个简单的情景记忆机制可以通过回忆过去类似的学习经验来近似所需的性能预期，为生物智能体实现接近最优的行为提供了可行路径。
本文提出了广义潜在平衡（GLE）框架，旨在解决物理神经元网络如何在受时空局部性约束下实现高效信用分配这一核心问题。该框架基于神经元局部失配定义能量函数，并由此推导出神经元动力学和参数动力学。GLE可被解释为对深度皮层网络中时空反向传播的实时、生物可信近似，它利用了树突形态实现更复杂的信息存储与处理，并借助生物神经元输出速率相对于膜电位的相移能力，在前后向计算中分别实现时空卷积和反馈信号的时间反转，从而近似出参数更新所需的伴随变量。
本研究开发了一个系统性的数据驱动框架，用于评估公共空间质量。通过整合157项同行评议研究中的1207个质量因子，构建了一个经过验证的、涵盖六大空间类型（如城市空间、绿地、街道广场等）的层次化分类体系。该方法结合语义分析、跨类型分布分析和领域知识集成，最终将1029个独特因子组织为14个主类和66个子类，并识别出通用、特定和交叉功能因子。该框架为将实证研究转化为实用评估工具提供了系统方法，支持循证政策制定和跨城市比较分析。
本文提出“透明文档”概念，这是一种基于网页的交互式学术文章，允许读者通过悬停文本片段来探索其与底层数据的关系。研究团队开发了一种基于LLM的创作工具，该工具能自动识别文本中可由数据计算得出的片段（如数值、聚合结果、比较级、趋势形容词等），并尝试合成合适的Fluid查询表达式。生成的表达式被嵌入网页，将静态文本转变为可交互的数据驱动元素，从而揭示支撑自然语言主张的数据来源。研究在扩展后的SciGen数据集上进行了评估，结果表明GPT-4o通常能够合成与人工解决方案在扩展意义上兼容的复合表达式。
本研究首次将基础模型应用于代码调制视觉诱发电位脑机接口，旨在解决其需要长时间校准的瓶颈。提出了两种方案：完全免校准（无需受试者特定数据）和有限校准（评估增量校准数据的效果）。模型使用其他受试者的数据进行分类头训练，对新受试者实现即插即用。在两个数据集上的测试表明，免校准方法的平均准确率分别达到68.8%和71.8%，与原始研究需要数分钟校准的性能相当；而仅使用20%数据（约43秒）的有限校准方案，准确率可达92%。
本文提出了一种基于推荐系统的框架，旨在增强工业排程中的人机协作能力，以应对突发事件的干扰。该框架基于强大的AI规划引擎Timefold构建，通过实验评估了九种启发式算法在真实预防性维护场景下的表现，旨在寻找能在解的质量与计算时间之间取得最佳平衡的算法，从而在需要重新排程时支持近乎最优的决策。研究通过一个简单用例展示了该推荐系统的完整工作流程。
本文回顾了60年来人机协作范式的演变，从利克里德的“人机共生”（AI作为同事）到恩格尔巴特的“增强人类智能”（AI作为工具），再到当代的两极：以人为中心的AI“超级工具”与共生智能的相互适应模型。研究将有效协作机制形式化为一个因果链：可解释AI（XAI）→ 共同适应 → 共享心智模型（SMMs）。文章揭示了一个元分析层面的“绩效悖论”：在判断/决策任务中，人机团队常表现出负协同效应（表现逊于AI单独工作），但在内容创作和问题构建任务中则呈现正协同。研究将失败归因于“算法在环”动态、厌恶/偏见不对称以及累积性认知技能退化。最后，文章提出了一个结合“延伸自我”与“双过程”理论的统一框架，认为只有当AI被内化为认知组件，形成统一的人-XAI共生主体时，才能产生持久的增益。这解决了上述悖论，并为未来的研究和实践指明了方向。
本研究针对图形用户界面（GUI）基础任务中的关键缺口——鼠标拖拽操作，提出了首个大规模文本拖拽数据集GUI-Drag（16.1万例）和系统性评测基准ScreenDrag（5333例）。通过高效的持续训练策略，模型在ScreenDrag上取得显著性能提升，同时保持了在ScreenSpot等点击基准上的原有能力。这项工作为构建超越单一点击、面向真实GUI交互场景的通用基础模型铺平了道路。
本研究通过访谈43位信任与安全领域专家，系统分析了生成式AI在儿童安全、选举诚信、仇恨骚扰、诈骗和暴力极端主义五大领域的影响。研究发现，生成式AI一方面显著降低了攻击门槛，能以空前规模和速度生成有害内容（如深度伪造和复杂宣传）；另一方面，防御者也可利用其大规模检测有害内容、进行调查、部署反叙事、改善审核员福祉并提供用户支持。研究为理解生成式AI的双重影响提供了战略框架，并为其负责任应用以构建更安全的网络环境指明了方向。
本研究提出了一种自主QA代理框架，采用检索增强生成技术，将Selenium测试脚本的生成过程锚定在项目特定的文档和HTML结构中。系统通过将多种格式的文档向量化并检索相关上下文，有效减少了大型语言模型在生成代码时常见的“幻觉”问题。在20个电商测试场景的评估中，该方法生成的脚本语法有效率达100%，执行成功率达90%，显著优于标准LLM生成30%的成功率。
本文评估了最新的SAM 3D人体网格恢复模型，发现其在处理特殊体型（如老年性肌肉萎缩、脊柱侧弯、妊娠）时存在局限。研究指出，这种局限并非模型能力不足，而是其架构设计（依赖低维参数化MHR表示、语义不变条件DINOv3及基于标注的对齐）导致“回归均值”效应的副产品，属于感知-失真权衡的范畴。分析揭示了为何个体生物细节被平滑化，并为将该模型的优异基线性能扩展至医学领域提出了具体、建设性的改进路径。
本文提出了一种可微框架，将随机效用模型（RUM）的公理结构直接嵌入深度神经网络。通过揭示RUM一致性与布尔格上流守恒之间的同构关系，并利用约束图的生成树设计新型树预条件共轭梯度求解器，有效改善了内点法导致的病态Hessian谱，实现了超线性收敛，并能求解此前被认为无法处理的问题规模。该投影过程通过隐函数定理被构建为可微层，其精确雅可比矩阵可在反向传播中传递几何约束。实验表明，这种“公理即层”的范式消除了基于惩罚方法的结构性过拟合，使模型可联合训练、可证明理性，并能在标准近似方法失效的稀疏数据场景中泛化。
本文提出TeleMem，一个统一的长期多模态记忆系统，旨在解决大语言模型在长程交互中因注意力有限而表现不佳的问题。系统通过叙事动态提取维护连贯的用户画像，确保仅保留基于对话的信息。其结构化写入流程通过批量处理、检索、聚类和整合记忆条目，显著提升了存储效率，减少了令牌使用并加速了记忆操作。结合ReAct式推理的多模态记忆模块，使系统具备“观察-思考-行动”的闭环能力，能准确理解长期上下文中的复杂视频内容。实验表明，在ZH-4O长期角色扮演游戏基准上，TeleMem在准确率上超越Mem0基线19%，令牌使用减少43%，速度提升2.1倍。
本文提出CrossTrafficLLM，一个基于大语言模型（LLM）的生成式人工智能框架，旨在统一交通预测与自然语言描述生成。该框架的核心挑战在于对齐定量交通数据与定性文本语义。技术上，它采用文本引导的自适应图卷积网络，将高层语义信息与交通网络结构有效融合。在BJTT数据集上的评估表明，该框架在交通预测精度和文本生成质量上均超越了现有方法，为智能交通系统提供了更可解释、更具可操作性的生成式交通智能方案。
本研究通过偏最小二乘结构方程模型（PLS-SEM）对413名新手程序员进行调查，探讨了他们对ChatGPT编程助手的采纳意愿。研究发现，新手程序员对ChatGPT的绩效期望（PE）越高，其在编程任务中的决策（DM）能力越强。他们普遍将ChatGPT视为提升学习和技能发展的工具。同时，对ChatGPT持有积极风险-回报评估（RRA）的程序员，倾向于做出更自信有效的决策，认为其快速解决问题和学习新技术的益处大于潜在风险。对ChatGPT在决策中作用的积极感知，显著增强了他们使用该工具进行编程的意愿。
本研究通过定量分析视频通话中的数据消耗，评估了摄像头开启与关闭模式下的碳排放差异。实验利用手机4G网络进行，测量了不同模式下的数据传输量。结果表明，在移动网络环境下，关闭摄像头可将数据消耗及相应的碳排放减少约一半。研究为优化数字通信工具能效、降低其环境足迹提供了实证依据，并提出了减少通话期间环境影响的具体建议。
本文提出，大语言模型（LLM）中出现的“欺骗”或“隐藏目标”行为，不应被解读为智能体的意图，而是模型对训练数据中不连贯语言结构的高度保真。通过分析思维链（CoT）记录，作者指出“错位”输出是对模糊指令、语境反转及预设叙事的连贯回应。其“意图性”表象源于主谓语法和训练内化的概率完成模式。Anthropic的研究表明，对语言场进行微小扰动即可消解普遍“错位”，这与对抗性智能体假设相悖，却与结构保真度一致。模型如同一面生成之镜，映照出人类语言自身的不连贯性。
本研究通过比较法分析，评估AI生成的法证证据是否符合法律可靠性标准。研究发现，AI工具虽能提升证据分析规模，但其可复现性缺陷、法庭技术素养不足及缺乏标准化验证协议，导致采信标准不一。研究强调，需建立独立的AI证据验证机制及专门的可采性标准，以防范错误定罪风险，推动AI在刑事司法系统中的负责任整合。
本研究在ChatGPT（GPT-5.1）的Web界面中发现了一种可复现的行为效应：当对话以用户上传受版权保护的图片并要求移除水印（模型正确拒绝）开始时，后续所有生成无关、良性图像的请求在该会话的剩余时间内都会被拒绝。然而，纯文本请求（如生成Python函数）则不受影响。在40次手动运行的会话中，受“污染”的线程在120次图像生成请求中拒绝了116次（96.67%），而对照组则无拒绝（Fisher精确检验 $p < 0.0001$）。研究者将此现象描述为“安全状态持续性”，即一次版权拒绝会过度泛化，影响后续无关的图像生成行为。这凸显了多模态AI系统中会话级安全交互的复杂性，对系统可靠性、用户体验和安全设计具有启示意义。
本研究提出Gamma2Patterns多模态框架，结合伽马/阿尔法频段脑电与眼动追踪数据，系统刻画深度认知注意的神经机制。基于SEED-IV数据集分析发现，前额极、颞叶、前额叶及顶枕叶区域在深度注意（伽马主导）状态下表现出最强的伽马功率与爆发率，是维持专注的核心脑区。眼动信号进一步证实了额叶、前额极及额颞区的互补作用。结果表明，伽马功率与爆发时长比阿尔法功率更能有效区分注意状态，为构建类脑注意力AI模型提供了神经生理学依据。
研究提出了一种Allee-Ornstein-Uhlenbeck随机种群模型，该模型结合了具有双稳态的Allee增长方程、人口统计噪声以及由Ornstein-Uhlenbeck过程模拟的环境波动。在Allee效应下，低种群密度会放大种群崩溃的风险，即使微小的噪声也可能导致种群从正平衡点附近的“安全盆”逃逸至灭绝状态。为解决此问题，研究者设计了一种随机控制策略，通过近似处理使过程具有平稳分布，从而稳定种群波动。开发了两种控制模型：一种直接作用于种群数量，另一种同时调控环境。基于阈值的实施方式在最小化干预频率的同时最大化安全时间。仿真结果表明，该控制能有效稳定种群在平衡点附近的波动。
本研究提出深度学习框架PROTAS，首次从常规H&E染色切片中量化前列腺癌反应性间质（RS），并将其与底层生物学关联。PROTAS定义的RS特征包括核增大、胶原紊乱及收缩通路转录组富集。该模型在外部PLCO数据集中稳健检测RS，并通过域对抗训练泛化至诊断活检。与病理学家相比，PROTAS在RS检测上表现更优，其空间RS特征可独立于已知预后变量预测生化复发（c-index 0.80）。
本文采用施瓦茨分布理论，将神经元脉冲序列严格表示为作用于光滑测试函数的广义狄拉克δ函数。这一功能分析框架超越了传统的离散事件描述，为脉冲序列的神经动力学提供了数学上一致的分析与建模基础，揭示了动作电位完整时程的生物物理本质与其作为编码事件的离散表示之间的根本区别。
本研究提出了一种基于“速度百分位数”的新方法，用于量化个体大脑随时间的动态变化。该方法整合了来自10,795名健康个体的24,062次脑部扫描数据，能够将个体纵向变化轨迹映射到横断面群体参考模型中。研究证明，通过分析多个时间点的变化速度，可以更准确地预测轻度认知障碍向痴呆的转化，其预测能力优于仅使用单时间点数据。该方法推广了儿科医学中的“生长曲线”概念，为识别偏离稳定发育轨迹的个体提供了量化工具，是迈向精准脑健康管理的重要一步。
本研究提出了一种基于可解释性原理分析颅内压监测数据的新框架。该框架从约翰·霍普金斯医院的60名患者处收集数据，将颅内压波形分割为独立的心动周期，并训练卷积神经网络将每个周期分类为七种体位之一。通过提取神经网络的注意力权重，识别出波形中的关键区域。该框架为深入理解颅内压波形的生理和临床基础提供了可扩展的方法，有望提升颅内压监测的诊断能力。
本研究摒弃了沿用数十年的历史心理声学数据，提出一个基于滤波器特性的新框架，用于估计伽马通听觉滤波器的核心常数。通过分析滤波器幅度与相位特性及其比值，明确了哪些特性对约束滤波器常数具有决定性作用。研究利用尖锐滤波器近似法，揭示了在释放滤波器阶数或指数等传统约束后，滤波器可实现的完整行为范围。最终，结合最新的生理和心理声学观测数据，为人类听觉滤波器提供了更新的常数约束与估计值。该框架支持设计具有任意特性规格的听觉滤波器，并能系统评估滤波器特性变化对听觉模型及相关技术的影响。
本研究提出DeeperBrain，一种融合神经科学领域知识的脑电（EEG）基础模型，旨在构建通用的脑机接口（BCI）。模型架构引入领域特异性归纳偏置：通过体积传导感知通道编码建模3D几何空间混合，以及神经动力学感知时间编码捕捉振荡与指数基的慢适应。预训练采用双目标策略，结合掩码EEG重建（MER）与神经动力学统计预测（NSP）。NSP通过预测谱功率、功能连接、跨频耦合等宏观脑状态参数，强制表征与可解释的序参量对齐。实验表明，DeeperBrain在端到端微调下达到SOTA性能，并在严格的冻结探测协议下保持优异表现，验证了神经科学第一性原理能赋予学习表征内在的普适性。
本研究提出Refine-PPI框架，以解决蛋白质-蛋白质相互作用（PPI）突变效应预测中的两大挑战：突变体结构缺失与动态相互作用建模。框架包含两个核心模块：1）通过掩码突变建模任务训练结构精炼模块，从野生型结构“幻觉”生成难以获得的突变体结构；2）引入概率密度云网络（PDC-Net）这一新型几何网络，以捕获PPI过程中的三维动态变化并编码原子位置的不确定性。在SKEMPI.v2数据集上的实验表明，Refine-PPI在预测自由能变化（$\Delta\Delta G$）方面优于现有所有工具，验证了其结构幻觉策略与动态不确定性建模的有效性。
本文介绍了JAX-PF，一个开源的、GPU加速的、可微分的相场模型软件包。它支持显式和隐式时间步进方案，利用JAX现代计算架构，通过数组编程和GPU加速实现高性能。在拥有约419万个自由度的系统中，使用显式方案比PRISMS-PF（24个CPU核心）提速约5倍，并能通过隐式方案高效处理大规模问题。其核心特性是自动微分，免除了自由能泛函和雅可比矩阵的手动推导。除了正向模拟，JAX-PF还通过提供基于梯度的优化灵敏度，展示了其在逆向设计（如基于自动微分灵敏度的相场材料参数标定）中的潜力，为材料和制造工艺的协同设计提供了快速、实用、集成的工具。
本研究通过处理LuGRE接收器在月球空间及表面采集的IQ快照，首次实验证实了在月球距离上可探测到GPS、伽利略之外的多个导航星座信号，包括区域导航卫星系统(RNSS)和星基增强系统(SBAS)。尽管采样率低、量化位数少、持续时间短，但通过补偿码多普勒的混合相干/非相干捕获方法，仍能提取有效观测量。仿真表明，纳入额外星座可将可见卫星数≥4的历元比例从11%大幅提升至46%，显著增强月球及地月空间任务的GNSS自主导航能力。
本研究首次在水合DNA中观测到磁场诱导的极化霍尔效应。当横向电压超过40-50 mV阈值后，系统出现稳定、规律的极化振荡信号，该现象具有显著的温度依赖性。研究者将其解释为DNA-水界面氢键网络中质子-质子空穴偶极子的集体相干动力学，而非稳态载流子输运。这为在氢键介质中探索相干性和横向响应提供了一个生物学相关平台。
本研究针对二维空气背景中的涂层声学圆柱体，建立了一个理论框架。通过求解亥姆霍兹方程，设计了两层有效流体涂层，在目标频率下抵消了主导的低阶多极子（单极子和偶极子），实现了窄带近隐身效果。研究发现，虽然总散射宽度（能量度量）在设计频率附近降低了约25分贝，但用于从含噪远场数据联合估计核心尺寸与材料参数的费舍尔信息矩阵的迹仅下降了几分贝。这表明基于能量的“隐身”与基于推断的“不可探测性”是两个不同的目标。研究还通过低阶解析论证阐明了这种能量-信息解耦的机制。
本文综述了共掺杂策略在硅酸盐生物陶瓷中的应用前景。传统单掺杂已能提升材料的成骨、血管生成及抗菌活性，而通过引入两种或多种掺杂剂（共掺杂），可进一步优化其生物性能。研究重点分析了共掺杂剂与硅酸盐主成分间的化学相互作用如何影响材料生物学行为，并展望了该技术在体内研究、临床试验及商业化方面的未来方向。
研究团队在重水（D₂O）电解实验中，使用涂硼CR-39（BCR）探测器，观测到与慢中子俘获事件一致的、可重复的径迹信号。通过对比未涂硼的对照探测器（CCR），排除了带电粒子和快中子的背景干扰。在0.25 T磁场下，推断的探测器等效慢中子通量约为$(6.7 \pm 0.2)~\mathrm{cm^{-2}s^{-1}}$。移除磁场后，该差异信号减弱约6倍，表明效应强烈依赖于外加磁场。在相同条件下进行的普通水（H₂O）电解实验未观测到类似信号，证实了氘化电化学条件的必要性。本研究建立了一套经过对照验证的、可用于探测低通量慢中子的实验方案。
本研究构建了一个新的非线性数学模型，用于描述包含受挫工人的失业动态。模型包含五个动态变量：非技术失业者、技术失业者、受挫个体、就业者及职位空缺。研究确定了动态系统的平衡点并分析了其局部稳定性。通过数值模拟，展示了关键参数变化如何影响各状态变量的轨迹，为理解复杂劳动力市场动态提供了量化工具。
本研究通过理论计算，揭示了在苝二酰亚胺给体-苯桥-并四苯二酰亚胺受体体系中，激子转移速率显著偏离经典福斯特共振能量转移理论的原因。利用含时密度泛函理论计算光谱，并结合跃迁密度立方与跃迁偶极近似方法估算电子耦合，发现激子在桥联单元上的离域显著增强了给受体的耦合。机制分析表明，给受体共有的振动模式是导致与福斯特光谱重叠表达式偏差的主要来源。
本文探讨了工业革命进程中管理思想的演变：从第二次工业革命基于理性机械论、追求规模与效率，到逐步融入心理学、社会学等维度。然而，面对当今环境日益增长的复杂性与不确定性，传统管理方法在容错率极低的领域面临挑战。文章指出，研究与开发（R&D）的核心使命正是应对复杂与不确定，其内在流程与原则（如迭代实验、风险探索）可为当代管理提供关键灵感与基准，帮助企业在审慎原则与实验原则之间找到平衡，以迎接第四次工业革命的变革。
本研究针对未来10 TeV μ子对撞机中的MAIA探测器概念，改进了TauFinder重建算法，旨在提升强子衰变τ轻子的重建效率与识别精度。核心创新在于引入了一种基于τ候选粒子横向动量动态调整大小的“收缩锥”信号锥。算法扩展了衰变模式覆盖范围，除已研究的一带电强子和三带电强子模式外，新增了对包含一带电强子及最多两个中性π子的衰变模式的支持。此外，开发了一种鉴别器，能有效防止电子被误判为一叉τ候选粒子，在几乎完美排除电子的同时，对一叉τ的重建效率影响可忽略不计。
本研究将硬约束方法嵌入物理信息神经网络（PINN），用于预测二维不可压缩纳维-斯托克斯方程的解。该方法将Chen等人提出的线性PDE硬约束方法扩展至强非线性PDE。PINN用于估计流体的流函数和压力，通过微分流函数可恢复不可压缩速度场。一个不可学习的硬约束投影层将预测的速度和压力投影到一个超平面上，该超平面仅允许控制方程离散形式的精确解。
本研究针对三维光子晶体中由麦克斯韦方程组导致的零频极化奇点带来的拓扑分类难题，提出了一个基于稳定实空间不变量（SRSIs）的分类框架。该框架将光子能带结构视为能带表示等价类，并定义了拓扑平凡能带的基本构建模块。无法由这些模块构建的能带即为拓扑非平凡的。研究还通过分析有无极化奇点的系统中允许的SRSI值，区分了光子与电子能带结构，并探讨了极化奇点对Wilson loop行为的影响，为三维光子系统的拓扑分类提供了新见解。
研究团队成功制备了处于晕态及邻近弱束缚态的$^{86}$Sr_2$分子，并利用单光子光缔合技术实现了高效分子产生。通过Autler-Townes光谱法测量跃迁强度，确定了弱束缚分子产生的最优路径。精确测量了三个最弱束缚振动态的振动能级分裂，系统不确定度低于100 Hz，并由此确定了这些弱束缚态的绝对结合能。该成果为开展$Sr_2$分子同位素位移测量奠定了基础。
本研究提出了一种基于快速傅里叶变换光束传播法（FFT BPM）的模拟方法，用于求解变形晶体中的动态衍射问题。该方法算法直接，结合FFT实现了快速计算，易于在Python中实现。它能成功复现文献中关于弯曲晶体、位错及有限形状晶体的Takagi-Taupin方程模拟结果，支持布拉格、劳厄及不对称反射等多种几何构型。相关Python实现已开源，代码结构支持并行计算。
本研究通过实验探索了原子系综中的里德堡极化激元与单个邻近里德堡原子之间的相互作用，发现了三种不同的量子动力学机制：极化激元阻塞、相干交换和概率性跳跃。这些机制由独特的透射特性定义，并在阻塞与相干交换之间观测到通过奇异点的转变。研究进一步探讨了此类相互作用在快速、非破坏性检测里德堡原子方面的应用，并展示了其在非线性光子网络中潜在应用的概念验证。
针对气候科学与经济学之间的鸿沟，研究团队开发了OPTiMEM系统，这是一个将海洋热含量物理模型与时间宏观经济模型相结合的新框架。该方法通过建立碳消费模型驱动气候物理模型，整合了CO₂、CH₄、N₂O等温室气体的最新方程与生产模型，模拟碳排放如何导致地球升温。模型每一步均用已知的碳消费、CO₂浓度、温度及海洋热含量数据进行验证，从而构建了一个基于物理机制的气候成本预测模型，为评估温室气体的社会成本提供了替代性估算方法。
研究挑战了“AI自动化会降低劳动份额并压低工资”的传统观点。通过竞争性经济模型证明，在规模报酬不变条件下，工资最大化的劳动份额仅取决于资本-劳动比率，两者呈非单调关系。当实际劳动份额高于最优水平时，进一步自动化（降低劳动份额）反而能提高工资。基于美国等12个工业化国家数据估算，所有国家的劳动份额均过高，自动化应能提升工资；1954-2019年间，美国劳动份额下降贡献了16%的实际工资增长。
本文形式化了一类广泛应用的动力学系统——复制-突变动力学和Price式选择-传递模型，并明确了决定该类模型在不同领域如何实例化的建模选择（尺度、原子单位、交互拓扑、传递核）。核心贡献包括：（1）提出一种尺度相对的核参数化方法，使原子单位本身成为参数，支持在物理、生物、经济、认知和社会组织中的系统实例化；（2）为政治哲学构建了一个“同意摩擦”实例，其中摩擦是基本量，合法性函数作为生存概率，信念传递函数作为突变核；（3）从社会契约理论而非生物学或物理学出发，通过独立路径推导出相同的数学结构 $\frac{dp_i}{dt} = p_i (f_i(\mathbf{p}) - \bar{f})$。该框架通过将规范性主张与降低预期摩擦 $\mathbb{E}[\phi]$ 的政策联系起来，为描述性动力学与工具性规范性之间建立了桥梁原则，同时避免了“实然-应然”谬误。
本研究首次系统证明，在农业市场价格预测领域，基于预训练的时序基础模型（TSFMs）已能稳定超越传统时间序列方法及复杂机器学习模型。研究使用1997-2025年美国农业部数据，评估了17种预测方法。结果显示，仅使用历史价格进行零样本预测的TSFMs，其表现优于需额外协变量或从头训练的模型。其中，Time-MoE模型提升最为显著，整体平均绝对误差（MAE）降低45%，对玉米和大豆的预测精度较美国农业部基准提升超50%。这标志着农业预测范式正在转变，预训练基础模型为高风险预测分析提供了可扩展的强大新框架。
本研究为具有多维异质性和非参数先验的短面板线性模型开发了一个实证贝叶斯（EB）G-建模框架。该框架允许异质性截距、斜率、动态以及非球形误差协方差结构。研究在一般条件下建立了非参数最大似然估计量（NPMLE）的识别性和一致性，并为多个实证模型提供了低阶充分条件。同时，也确立了所得EB估计量的遗憾一致性。NPMLE的计算采用了适用于面板回归的Wasserstein-Fisher-Rao梯度流算法。利用收入动态面板研究数据发现，潜在经验的斜率系数存在显著的异质性，且与随机截距呈负相关，误差方差和自回归系数在个体间也存在显著差异。与个体最大似然估计相比，EB估计降低了均方预测误差。
本文提出“人工锯齿状智能”概念，描述生成式AI在看似相近任务上表现高度不稳定的现象。通过构建经济模型，将用户采纳视为信息问题：用户关注局部可靠性，但通常只能观察到粗略的全局质量信号。模型将真实知识视为粗糙的布朗过程，AI系统仅“知道”从泊松过程中抽取的散点，并通过最优插值进行预测。研究发现，盲目用户存在采纳阈值，经验误差会被检查悖论放大；扩展定律可提高平均质量但无法消除锯齿性。研究进一步表明，能够根据局部不确定性进行校准的用户，即使在盲目测试失败的领域也能获得正期望价值。
本研究系统综述了用于模拟碳税分配影响的微观模拟模型，并通过元分析评估了建模选择对结果的影响。基于对71个国家217项估计的样本进行Probit模型分析，研究发现：对进口排放征税的模型显著更不易得出累退性结果；使用较旧数据集、采用明确税收累进性或收入不平等指标、以及考虑家庭行为的模型，得出累退性估计的可能性较低；而纳入一般均衡效应则会增加这种可能性。研究揭示了建模实践的多样性及其对政策解读的关键影响。
本研究提出了一个统一的框架，用于估计去偏机器学习中的核心组件——Riesz Representer。该框架通过最小化Riesz Representer模型与其实值之间的Bregman散度来拟合，将Riesz回归、协变量平衡等多种现有方法统一起来。研究表明，平方损失对应Riesz回归，KL散度对应定制损失最小化，其对偶解分别对应稳定平衡权重和熵平衡权重。该框架还将密度比拟合推广至Riesz Representer估计，并适用于更广泛的应用场景。文章还提供了在再生核希尔伯特空间和神经网络模型类下的收敛性分析。
本文认为加密货币市场的价格区间并非随机形成，而是市场背景与资本条件结构化互动的结果。研究指出，4小时时间框架是观察机构头寸、杠杆敞口和流动性管理汇聚的均衡区的关键窗口。永续合约中的资金费率作为一种纪律性力量，通过施加经济成本来调节交易者行为并塑造方向性承诺。当资金费率与主导的4小时市场背景一致时，价格扩张成为可能；反之，则压缩和区间震荡行为占据主导。因此，价格区间反映了知情参与者的战略布局，是一种受控的平衡状态，而非市场犹豫不决的表现。理解4小时背景与资金费率如何作为市场调节器运作，对于将加密货币价格行为解读为一个理性的、权力介导的过程至关重要。
本文研究了议会选举中的新型策略操纵问题，目标不再是提升单个政党，而是提升一个政党联盟的总席位。研究聚焦比例代表制选举，分析了两种操纵手段：贿赂（修改选民偏好）与控制（改变选民或政党集合）。研究发现，对于某些贿赂类型存在多项式时间算法，而另一些则是NP难问题。在控制方面，通过增减选民是可行的，但通过增减政党则要么不可能，要么是计算困难的（W[1]-难）。
本文通过引入一个拓扑框架来建模偏好循环，将孔多塞悖论（社会选择理论中的经典矛盾现象）与曲面的非定向性联系起来。研究发现，偏好循环的矛盾性在拓扑上对应于克莱因瓶或实射影平面等非定向曲面。基于此，作者将阿罗不可能性定理简化为一个关于曲面定向性的陈述，从而为经济学中的不可能性现象与更广泛的逻辑悖论提供了新的拓扑视角。
本研究采用Giglio-Xiu三通方法，在控制已观测的股票市场和加密货币市场因子的同时，允许存在被忽略的潜在因子，以估计加密货币横截面收益的风险溢价。基于广泛的大型加密货币周度数据，研究发现加密货币预期收益不仅受加密市场特有因子影响，还与技术和盈利相关的特定股票行业因子相关，表明加密市场与传统市场融合度加深。此外，研究首次引入并分析了捕捉投资者情绪、投机轮动和安全冲击的非交易性状态变量。与传统Fama-MacBeth估计相比，潜在因子方法对关键因子的溢价估计存在显著差异，凸显了在加密资产定价中控制未观测风险的重要性。
本文提出了一种新颖的模拟范式，用于对城市交通管制政策进行事前评估。该框架整合了一个多层城市交通模型，将网络、流量和排放的物理层与捕捉行为响应和政策适应性的社会层相结合。通过利用真实世界数据构建“现状”情景，并将政策替代方案和行为假设编码为模型参数以生成多个“假设”情景，该框架支持通过分析政策干预引起的模拟结果变化，进行跨情景的系统性比较。案例研究表明，该方法能够探索不同的监管设计和用户响应，为城市交通政策的知情和前瞻性评估提供支持。
本研究提出并估计了“前沿成本”（无监管时的非土地建造成本）与“监管税”（监管带来的货币化成本）两个核心概念，以量化监管对住房供给的影响。通过分析多楼层公寓的价格与建筑高度数据，研究无需借助工具变量即可识别前沿成本。应用于以色列新建住宅数据发现，平均监管税高达房价的48%，且与区位中心性、密度和价格正相关。在考虑住房质量差异后，研究构建了监管税的下界估计，在样本末期（房价最高时）介于40%至53%之间。
本研究针对非可分但位似的效用函数，推导出公共品边际与非边际变动下补偿变动（CV）与等价变动（EV）的精确闭式解。该解由单一充分统计量概括消费者偏好，并揭示了决定其大小的三个经济机制。其中，相对偏好效应有助于解释公共品支付意愿（WTP）与接受意愿（WTA）之间的差异。研究还展示了如何利用现有实证估计，应用该闭式解计算不同收入群体的WTP与WTA。
本文研究基于微观数据识别群体层面参数（如儿童惩罚）的因果效应估计。研究发现，标准的一步法（如混合OLS和IV回归）由于存在内生权重偏差（政策影响隐含权重，如改变生育率）通常不一致。作者提出一个两步最小距离框架，明确将参数识别与政策评估分离，从而消除内生权重偏差，并在群体规模较小时要求明确处理样本选择问题，提高了透明度。研究表明，当大多数群体参数可估计时，MD估计量表现良好，并提出在数据有限时利用辅助信息的稳健替代方案。以2005年荷兰托儿改革对儿童惩罚的影响评估为例，传统一步法估计值显著大于两步法结果。
本文综述了利用统计推断与机器学习改进大分子组装体整合建模的最新方法。整合建模结合互补实验数据、物理原理、已知结构统计和先验模型，通过贝叶斯推断进行结构解析。新方法在数据收集、粗粒度模型优化、评分函数精度、采样效率和模型分析严谨性方面均有提升。文章还探讨了整合深度学习、原位数据整合建模及元建模三大前沿方向。
本研究开发了一种结合拓扑数据分析与近似贝叶斯计算的灵活流程，用于高维时空模型的参数推断与模型选择。该流程通过提取量化时空数据的拓扑摘要统计量，近似参数与模型的后验分布。在肿瘤诱导血管生成模型中验证显示，能准确推断三个经典模型的四个参数，并在合成测试案例中正确识别模型。
本研究评估了GPT-3.5 Turbo和GPT-4在应用心理理论（ToM）任务上的表现，包括失言测试、社交故事问卷和故事理解测试。结果显示，GPT-4在失言测试中达到接近人类的准确率，在社交故事问卷中与神经典型成年人相当，在故事理解测试中甚至超越了人类基准。然而，GPT-4在高达42%的回答中使用了不确定性标记，表明其在现实辅助应用中仍需进一步优化以确保可靠性。
本研究基于GITT-VT分析范式，回顾了贝叶斯思维海绵框架（BMF）分析工具及bayesvl R软件包七年来的发展历程。该工具旨在降低人文社科领域研究者，特别是早期职业研究者（ECRs）进行高级定量分析的门槛。自2019年以来，该工具已支持来自22个国家的160余位作者，在跨学科领域发表了112篇同行评议论文。研究表明，这种易于获取、理论驱动的计算工具能够培养更具包容性的方法论生态系统，并推动设计出灵活、可复现且适合跨学科研究的新一代研究方法。
本文指出当前角色扮演模型（如RAG、基于事实的提示、基于文献的学习和合成数据生成）在塑造可信、有深度的角色方面存在系统性缺陷，其根源在于训练范式忽略了角色内部世界的动态交互。作者提出了VEJA（价值观、经验、判断、能力）框架，作为一种新的数据管理范式，旨在建模人类互动中特有的审慎、价值冲突的推理过程。一项试点研究通过LLM作为评判者的评估表明，基于VEJA手动策划的数据集在质量上显著优于最先进的合成基线，证实了向概念驱动的数据管理转变对于创造具有真实深度和叙事连续性的角色扮演代理至关重要。
随着脑机接口从医疗实验走向消费和军事领域，人类神经系统成为可被攻击的网络化载体。现有网络安全、生物医学安全和数据保护框架无法应对神经信号完整性面临的对抗性威胁，导致治理缺口。本文以新加坡为案例，通过制度分类分析和监管授权映射，揭示了一个结构性悖论：一个在网络安全和生物医学领域均具备高监管能力的国家，却因未能将人脑归类为基础设施，而在两者的交叉领域存在脆弱性。文章提出了“认知主权”概念，即保护神经过程免受外部调制的战略能力，并建议将人脑作为关键国家基础设施的一个独立层加以保护。
本研究对孟加拉语文学与新闻两大语料库（Vacaspati与IndicCorp）进行了全面的语言学分析。通过计算类型-标记比（TTR）、罕用词比例（HLR）、Bigram多样性、平均词长等指标，发现尽管规模较小，文学语料库展现出显著更高的词汇丰富度与结构复杂度。困惑度分析进一步证实文学文本比新闻文本更难预测。研究还发现，在NLP下游任务中，融合文学数据能提升模型性能。此外，文学语料更符合齐夫定律（Zipf's law），并具有更高的熵与更低的冗余度。可读性指数（如Flesch指数）也表明文学文本更为复杂。
本研究调查了菲律宾教师对在课堂中整合人工智能（AI）工具的态度、保留意见、准备度和开放度。结果显示，尽管教师们对AI整合表达了高度的保留意见，但他们总体上持积极态度，并相信自己已准备好且非常愿意将这些技术作为传统教学方法的补充。教师们充分意识到AI工具在满足学生个性化学习需求方面的潜在益处，并报告获得了所在机构的高度支持。
本研究针对印度铁路工场安全管理的系统性挑战，提出了ISMS-CR（中央铁路工场集成安全管理系统）。该框架通过一个自动化的“工作许可”模块，将工作授权的全生命周期数字化，包括许可发起、验证、批准、执行与关闭。通过强制执行结构化工作流、基于角色的责任制和可追溯的数字记录，该系统旨在减少人为错误、行政延误和程序违规，从而提升高风险铁路工场环境下的操作可靠性与安全维护实践。
传统神经科学将大脑中的噪声、异质性、结构不规则性、去中心化可塑性、系统误差和混沌动力学视为缺陷，但最新研究揭示这些“非理想因素”实际上是进化适应，赋予大脑鲁棒性、创造性和适应性。经典计算框架在模拟860亿神经元和100万亿突触时面临计算不可行性，随机神经递质释放干扰信号解读，且缺乏全局理想模型使确定性学习框架失效。技术局限进一步阻碍全脑动态观测，凸显生物现实与计算抽象间的鸿沟。
本文提出在原发性甲状腺功能减退症的治疗中，应同时利用促甲状腺激素（TSH）和游离甲状腺素（FT4）值来调整甲状腺激素替代剂量，而非仅依赖TSH。核心工具是下丘脑-垂体（HP）曲线，该模型可用于确定患者血液中甲状腺激素的最佳水平（设定点）。研究提出了两种使用非线性规划求解器生成HP曲线的新方法，并与现有方法进行了比较。这些方法在文献数据集和临床患者测量数据上进行了测试，为制定个体化治疗策略提供了新工具。
本文系统综述了以苏木精-伊红（H&E）染色病理图像为核心的空间组学计算演进。研究将现有方法归纳为三大范式：1）整合范式，联合建模配对的H&E图像与空间分子数据；2）映射范式，从H&E图像推断分子表达谱；3）基础模型范式，从大规模空间数据集中学习通用表征。分析揭示了H&E图像的角色如何从提供空间背景，演变为预测锚点，最终成为表征主干，以应对配对数据有限和分辨率需求提升等现实挑战。文章进一步总结了当前架构支持的可行的建模方向，并指出了由数据、生物学和技术驱动的、难以仅通过模型设计解决的持续性挑战。
研究团队首次提出跨光速调制界面散射的完整解决方案。该问题涉及界面运动速度介于两种介质波速之间的复杂情况，类似于切伦科夫辐射但涉及双介质系统。通过建立基于亚光速和超光速极限界面的对称分解方法，结合时空脉冲响应，揭示了单一入射波可产生一到三个散射波的动力学机制。该工作填补了该领域数十年的理论空白，为理解极端相对论条件下的波传播提供了新框架。
本文从哲学视角论证可靠性是一门科学学科。作者提出科学真理具有经验真理与数学真理的双重结构，并以此标准审视可靠性领域。研究建立了可靠性科学的公理体系（裕度、退化、不确定性），将其定义为系统性能在时空中的可重复性。同时设计了可控可重复的实验验证因果机制，并发展了包含“变动统计”的数学框架来描述动态不确定性。该框架可应用于工程、生命和社会系统，为产品全生命周期提供统一逻辑。
本研究探索了一种创新的教学方法，通过电子游戏向意大利中学生介绍复杂系统物理概念。研究团队基于认知参与和动机理论，开发并改编了多款游戏，重点展示相变、初始条件敏感性和同步现象等核心主题。实验表明，游戏化学习不仅能提升学生的学习动机和兴趣，还能有效降低他们对抽象概念的抵触心理。研究通过问卷调查评估了学生的游戏体验和学习效果，为物理教育提供了新的教学工具和思路。
生命起源面临组合可行性难题：在指数级分支的组装空间中，无引导的随机探索如何产生持久的功能组织？本研究提出，连接网络中的非线性阈值级联动力学提供了一种与底物无关的最小机制。当网络连接度低于临界阈值时，级联局部消亡，系统处于“功能荒漠”；接近临界渗流阈值时，系统范围的级联涌现，使持久、可区分的功能响应成为可能。该机制仅需相互作用单元、非线性阈值、影响传递和非零相干时间等通用要素，为跨越组合可行性障碍提供了物理基础。
本研究提出了一种基于一阶和二阶灵敏度分析的框架，用于定位由非线性偏微分方程控制的动力系统中的局部源。在标准伴随方法的基础上，首先引入线性位置嵌入来识别源位置。为了捕捉源强度有限时产生的弱非线性效应，进一步引入了由对称双线性算子表示的二次校正项，并通过Krylov子空间迭代进行截断特征展开近似。这产生了二次位置嵌入，将测量数据投影到由线性和二次嵌入张成的高维超平面上。基于该超平面与观测向量之间主夹角最小化的源搜索算法，为源位置提供了自然的概率解释。该方法无需迭代更新候选源位置，并可轻松扩展到多源场景。在粘性Burgers方程和二维层流分层通道中的热源检测等基准逆问题上的演示表明，与基于线性伴随的灵敏度方法相比，二次嵌入方法在定位精度上有显著提升，尤其是在线性伴随灵敏度消失的区域。
本研究提出了一种可被动调谐的分层超材料，首次在同一色散曲线中实现了波数带隙、平带和零频带隙。该材料由固定磁边界内的磁性单元构成，通过调节磁边界改变晶格周期性。单元内的磁耦合可产生负物理刚度以打开波数带隙，其可调性还能实现色散带的完全平坦化。同时，单元设计中的基础刚度导致了零频带隙的打开。研究结合了理论分析、数值模拟与实验验证，为在先进声学和机械器件中利用这些奇异特性提供了蓝图。
本研究整合理论与全球近5万个雨量站数据，揭示了降雨对升温响应的统一物理机制。研究发现，湿日降雨量分布具有跨区域和时期的自相似性。结合降雨频率的温度响应，该机制将局地与全球尺度的平均和极端降水变化联系起来。最可能的降雨强度变化遵循克劳修斯-克拉佩龙标度，其变化受基本水文约束影响。这反映了上升气流在时空上的动态增强，产生局地强降水事件，并通过径流和渗透加剧大气水分消耗，导致蒸发通量减少和降雨频率降低，从而形成降雨频率与强度之间的权衡关系。这些稳健的标度律对气候预测和适应规划至关重要。
本研究构建了一个响应系统模型，其内部状态根据外部输入的信息进行更新。作者将“内部时间”定义为截至某一物理时刻“至少被观察到一次的代码种类数”。通过分析信息输入的统计特性（到达率和代码分布），发现当输入遵循泊松过程时，内部时间的平均推进速度随时间单调递减。若代码种类有限，内部时间最终会趋近一个上限并饱和，导致在长时间尺度上，内部时间相对于物理时间变慢。对于均匀代码分布，研究给出了内部时间与物理时间对应的闭合形式，并证明“使内部时间前进一步”所需的物理时间在后期阶段会增加。此外，研究还通过条件熵量化了仅知道内部时间时，“哪些代码已被观察”的剩余不确定性，并给出了均匀情况下的单峰性和最大化时间，以及非均匀情况下的上界、等式条件和与上界差异的表达式。最后，文章提出了一个推广模型，通过为每个代码分配权重（描述长度），使得内部时间根据输入的信息量进行推进。
本研究提出了一种名为SCNet的物理引导基础模型，旨在解决超薄多模光纤（MMF）远场成像中因收集孔径小导致的严重散斑噪声问题。该模型结合了专家混合（MoE）架构与材料感知路由、基于小波的频带分解技术，以及课程式优化策略，实现了无需针对特定目标重新训练即可在各种散射条件下进行高保真重建。实验表明，SCNet能在保持超薄探头尺寸的同时，显著提升图像质量，在兔心脏和肾脏组织上恢复了低对比度的解剖纹理，并通过多教师蒸馏压缩模型，实现了60 FPS的实时推理。
本文针对数字平台实验中长期效应难以直接观测的挑战，提出了一种利用大量短期代理变量进行估计的方法。该方法将问题形式化为一个潜变量模型，其中观测到的代理变量是少数未观测替代变量的噪声测量。理论分析和模拟表明，正则化回归方法（特别是岭回归）显著优于简单的代理变量选择，其偏差随代理变量数量增加而减小，并给出了偏差-方差权衡的闭式解。该方法在加州GAIN实验中得到实证应用。
本文挑战了传统规范模型中决策者是完全贝叶斯理性的假设。受熊彼特的企业家精神和沙克尔潜在惊奇概念的启发，作者提出了“活跃决策树”框架，以描述那些因有限理性而无法被完整建模的动态决策过程。该框架超越了标准风险和不确定性概念，允许在因理性有限而被截断的决策树终端节点上，使用实值主观评估而非确定结果。这种扩展的贝叶斯理性形式，不仅为国际象棋软件中使用的蒙特卡洛树搜索算法提供了理论基础，也有助于合理化备受争议的预防原则。
传统预测优化通常只关注单一指标（如最小化均方误差），可能忽略符号准确率、预测平滑性等重要性能。本文提出平滑符号精度（SSA）框架，能同时权衡符号准确率、均方误差（MSE）以及预测值符号变化的频率，从而解决预测中的“精度-平滑性”两难问题。该框架将传统MSE指标推广为多目标优化，并可扩展至非平稳的积分过程，特别强调控制预测的单调性。研究还通过商业周期分析工具的应用，展示了该方法的广泛适用性。
本文重新审视了Bergemann等人（2015）关于三级价格歧视的经典分析。原论文声称任何带有随机定价的市场细分都存在对应的直接细分（每个细分市场收取确定性价格），但作者指出，在原定义下这一结论并不成立，并提供了反例。作者随后提出了替代性定义以解决该问题，并探讨了两种定义对原论文主要结论的影响。
本研究提出了一种递归且易于实现的通用算法，用于计算状态转换模型中的得分向量和海森矩阵。通过模拟实验，比较了基于海森矩阵与基于得分向量外积构造的渐近方差估计量，结果表明后者表现更优。该算法为相关模型的参数推断提供了高效的计算工具。
本文提出了一种在缺乏未处理组或对照组情况下估计政策处理效应的方法。通过利用处理前的短期时间序列数据，为每个个体构建反事实结果的无偏预测，进而获得个体异质性处理效应的无偏估计量，以及平均处理效应的一致且渐近正态估计量。研究强调，当最终目标是估计平均处理效应时，应关注预测的无偏性而非准确性。研究表明，简单的基函数回归能确保对广泛的反事实数据生成过程实现无偏预测，而基于特定参数模型的预测则需要更强假设且易受模型误设和估计偏差影响。该方法无需对照组即可复现先前部分实证研究的发现。
本文指出，在信息干预实验中，标准估计量会赋予信念更新幅度更大的个体更高的权重。然而，这些个体恰恰是信念对结果因果效应最弱的群体，导致标准方法系统性低估了因果效应。作者提出了一种局部最小二乘（LLS）估计量，能在推广贝叶斯更新的学习率模型类中，恢复具有代表性的无加权平均效应。对六项已发表研究的重新分析显示，其中五项研究的信念对结果的因果效应估计值有所增加，两项研究的估计值甚至翻倍以上。