本文提出了一种基于图神经网络的建模方法，用于预测颗粒基制造中水泥喷涂过程的表面。该方法优化了机器人臂轨迹和打印参数，显著提升了预测精度，为自主喷涂提供了新方案。

本研究提出了一种新方法，将图神经网络与双向长短期记忆模型结合，以解决动态网络中的节点识别问题。该方法在不同网络中实现了90%的准确率，提高了种子集选择效率，降低了计算开销。

香港大学研究团队提出的新型视觉基础模型OverLoCK，结合了人类视觉的“纵观全局-聚焦细节”机制。在多个数据集上表现优异，特别是在ImageNet-1K上达到84.2%的准确率，超越现有卷积网络和Transformer，展现出强大的动态建模能力。

本研究解决了递归神经网络在训练过程中面临的梯度计算瓶颈问题。我们提出了一种新方法，使用固定梯度反馈机制替代传统的时间反向传播（BPTT），通过状态空间模型的原则定义反馈矩阵，从而有效简化梯度传播，显著降低训练开销，同时保留网络捕捉长期依赖的能力。实验结果表明，该方法在语言建模基准上表现出竞争力的困惑度，并具有广泛的实际应用潜力。

本研究解决了在高安全性核设施中，由于感知限制而无法进行实时数据采集的问题。通过使用基于代理的模型生成合成运动轨迹，并利用深度神经网络进行下一个位置和停留时间的预测，成功区分了正常操作与应急响应期间非玩家角色（NPC）的运动。研究结果显示，该方法有效结合了合成数据和深度学习技术，有助于提高安全设施的监控和应急管理能力。

本研究旨在解决图神经网络（GNNs）在适应性攻击下的鲁棒性挑战。提出的AuditVotes框架通过结合随机平滑、增强和条件平滑两个关键组件，实现了高准确率和认证鲁棒性，显著提高了数据质量和预测一致性。实验结果表明，AuditVotes在保持高计算效率的同时，显著提升了清晰准确率和认证鲁棒性，为图神经网络在实际应用中的部署提供了实质性支持。

本研究解决了现场电池模型表征中电化学参数估计的问题。提出了一种结合物理信息神经网络和迁移学习的创新框架，能够在实时电池管理系统上有效估算相关电化学参数，并显著降低计算成本。实验结果显示，该方法在特定降级条件下准确估计了NMC电池的活性材料体积分数，具有良好的实施潜力。

研究论文《AI神经网络通过多尺度方法加速物理模拟8倍》介绍了一种新型图神经网络X-MeshGraphNet，该网络能够有效处理大网格结构，显著提高计算效率并保持准确性。

本研究提出了一种紧凑的递归脉冲神经网络架构，针对边缘设备的语音识别加速器进行超低功耗设计。通过算法与硬件优化，功耗降至71.2μW，实现实时处理，显著提升能量与面积效率。

本研究提出了一种基于井字棋的Elo评级游戏求解基准，比较了经典计算与量子计算的性能。结果表明，经典-量子混合模型表现优异，而独立的量子卷积神经网络在现有硬件上效果不佳，但量子通信开销较小，为未来应用奠定了基础。