本文研究了物理信息驱动的神经网络（PINNs）在两个系统上的表现。在非线性摆系统中，PINNs在理想数据情况下准确度提高了18倍和6倍，在实验数据测试中准确度提高了9.3倍和9.1倍。研究了物理信息驱动模型在物理系统中的可行性，并选择FPGA作为计算基板。讨论了从这项工作中获得的见解，并列出了未来工作计划。

本文研究了物理信息驱动的神经网络（PINNs）在两个不同系统的实验数据上的表现。结果显示，在简单的非线性摆系统中，PINNs 在理想数据情况下胜过了无信息神经网络（NNs），准确度提高了18倍和6倍。在使用实验数据进行测试时，PINNs 相对于NNs的准确度提高了9.3倍和9.1倍。此外，研究了物理信息驱动模型在物理系统中的可行性，并选择FPGA作为部署计算的基板。根据提出的系统架构和方法，讨论了从这项工作中获得的见解，并列出了未来工作计划。

本文提出了一种使用单词级别注释训练机器翻译系统的方法，以减少对性别刻板印象的依赖。实验结果表明，这种方法可以使机器翻译系统在五种语言对上的 WinoMT 测试集上准确度提高高达 25.8 个百分点。

本论文提出了一种使用单词级别注释训练机器翻译系统的方法，以减少对性别刻板印象的依赖。实验结果表明，该方法可以使机器翻译系统在五种语言对上的 WinoMT 测试集上准确度提高高达 25.8 个百分点。

该文提出了半联合学习（SemiFL）范式，将基站和设备的计算能力结合起来，实现集中式学习和联邦学习的混合实施。通过设计一种新颖的收发器结构，提高了通信效率。实验结果表明，SemiFL 在 MNIST 数据集上取得了 3.2% 的准确度提高。