双中微子不再只能靠解析式硬解：机器学习把顶夸克对不变质量分辨率再压三成
在双轻子衰变道中，两个中微子不带电、不被探测，顶夸克对运动学重建因此长期依赖解析近似。研究者用CMS开放数据中的7 TeV模拟样本，先改进宽松重建算法LKRv3，再以残差多层感知机和条件归一化流直接从可见粒子回归顶夸克对四动量；相对LKRv3，两种网络把不变质量、横动量和快度的分辨率分别改善约30%、20%和15%，在产生阈值附近不变质量分辨率达到30 GeV。
神经元之间的因果联系不再只画成两两连线：有向单纯复形把成组抑制的联合效应也记下来
神经网络内部的特征常由一组神经元协同表示，只画两两连线的电路图会漏掉成组抑制带来的联合效应。新方法把网络当作结构因果模型，用沿神经流形的反事实消融逐步压低一组神经元，再按统计显著性把有因果联系的神经元组建成有向单纯复形。在两个手工构造的小型多层感知机上，复形恢复了设计好的特征通路；其1-骨架与ACDC、EAP、EAP-IG保留的、权重图能表达的边一致。
用 SHAP 与 νSHAP 剖析 Heston 与 rough Heston 的神经校准映射，发现短期限与微笑两翼主导参数推断，并据此压缩 rough Heston 的输入维度而保持校准精度
该工作用 SHAP 与 νSHAP 两种互补的 Shapley 解释方法，分析多层感知机、highway 与 softmax 参数化 highway 三类架构下 Heston 与 rough Heston 的神经校准映射，发现短期限与隐含波动率微笑两翼持续主导参数推断、主导归因结构在不同架构间定性稳定，并利用 νSHAP 揭示的输入冗余在 rough Heston 上大幅降低输入维度同时保持与完整隐含波动率曲面相当的校准精度。
随机委员会与多层感知机回归的混合模型在沉积床自动冲洗排水系统中预测颗粒弗劳德数，并识别体积泥沙浓度为最敏感变量
该研究以多层感知机回归器（MLPR）为基础模型、随机委员会（RC-MLPR）为混合机器学习模型，利用从既有文献收集的五个异质数据集（覆盖较宽的水力与泥沙条件范围）来预测自动冲洗排水系统中的颗粒弗劳德数（PFr），并采用包括一致性指数在内的多种性能指标进行评估，结果显示RC-MLPR优于其他所提机器学习模型、现有先进机器学习模型以及既有经验公式，敏感性分析进一步表明体积泥沙浓度（Csed）是混合RC-MLPR模型预测PFr时最敏感的变量。
在单车硬性通信预算下，用梯度提升树与多层感知机预测候选特征块的增益，再以贪心背包分配带宽，在OPV2V上以20.0 kB/帧达到全融合AP@0.5的99%
该工作针对车联网协同感知中V2X链路带宽远小于现代检测器输出、且既有研究只报告传输字节而不计其能耗的问题，提出在单一硬性自车侧通信预算下决定共享内容：用梯度提升树与多层感知机集成，从任何特征传输之前即可获得的元数据预测某个候选块能为自车单独检测结果新增多少目标，再用贪心背包在助手、空间块与数值精度（fp16/int8/int4）之间分配预算；在OPV2V基准上，该分配器以每帧20.0 kB（而非282.9 kB）达到全融合AP@0.5的99%，在int4精度下以10.0 kB（3.5%的传输量）匹配全融合精度，而按智能体top-k基线需要50.0 kB，在10–50 kB等预算下比该基线提升+0.3至+
用MLP与能量最小化学习非线性有限元解算子，在参数化泊松、高斯随机场与非线性弹性算例中给出小学习误差，并让牛顿法以网络预测为初值提速
作者提出并评估一种无数据、物理信息驱动的解算子学习方法：先用有限元离散化，再用多层感知机（MLP）把问题数据参数（边界条件、系数、右端项等）映射为有限元解的自由度，损失函数取能量泛函的期望，并给出可并行、可按单元随机分批的训练算法；在参数化泊松问题、高斯随机场系数问题与非线性neo-Hookean弹性梁三个算例中，网络学习误差较小（如参数化问题全网格、4·512网络下能量相对误差均值2.0e-4、L2为0.0020、H1为0.0092），推理约1毫秒，随机场算例中计算两个量之兴趣比同自由度有限元更快，弹性算例中把网络输出作为牛顿法初值可在保持精度的同时缩短求解时间。
已读完全部报道