机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

本研究利用机器学习自动化模拟和射频电路设计，显著缩短参数优化时间。通过监督学习评估多种模型，发现其在异构电路中的准确性提高了88%，展示了方法的可扩展性和准确性。

本文解决了射频信号干扰抵消的问题，提出了一种基于数据驱动的新方法，利用先进的人工智能模型。研究表明，所提出的AI算法在信号混合类型的八种场景中表现优异，超越了传统方法，显示出深度学习在干扰抑制中的巨大潜力，为未来研究奠定了坚实基础。

该研究探讨了深度学习在低场磁共振成像（MRI）中的应用，旨在提升图像质量和重建速度。研究表明，基于视觉变换器的深度MRI芯片框架在癫痫诊断和电磁干扰抑制方面取得显著进展，速度比传统方法快94%，具有广泛的临床应用潜力。

本研究解决了传统MRI检查时间长、需要多种RF序列的问题。作者提出了一种基于视觉变换器的深度MRI芯片框架，能够快速捕捉和解码人脑组织对RF激励的反应。该方法在健康受试者和癌症患者的验证中，速度比传统协议快94%，具有广泛的临床应用前景。

无线电频率指纹识别（RFFI）模型的跨接收方问题，通过将模型适应到来自新接收方的未标记信号中，提出了一个包括领域对齐和自适应伪标签的新方法，能够有效减轻接收方影响并改善跨接收方 RFFI 性能。

本文探讨了对抗机器学习在无线通信中的应用，重点包括干扰攻击和防御方案。研究提出了一种基于深度学习的动态频谱接入方案，显著提高了网络吞吐量和用户成功率。同时，利用深度强化学习算法和神经网络增强了抗干扰能力，减少了数据包丢失率。此外，介绍了基于自编码器的异常检测方法和基于深度注意力识别的攻击检测方案，展示了深度学习在通信领域的潜力。

研究提出了一种名为PhysRFANet的物理引导神经网络模型，用于预测射频消融治疗中的热效应。该模型通过生物物理计算模型和实验验证，在预测消融病灶体积和温度分布方面表现出良好的准确性和实时性，具有改进治疗安全性和有效性的潜力。

在项目或工程中，IO资源通常是有限的。为了节省IO口的使用，可以考虑添加一个IC来扫描按键。基带是指一段特殊的频率带宽，是最基础的信号。基带信号会通过AD数模转换电路，变成数字信号。基带还要做信道编码和信号加密。调制是让波更好地表示0和1的过程。射频负责将低频信号调制到指定的高频频段。信号经过RF射频调制后，需要经过功率放大器放大，然后通过天线发射出去。基站收到信号后，进行滤波、放大、解调和解码。以上是信号的大致变化过程。

本文提出了一种基于联邦学习算法的无线电频率指纹算法，通过模型转移和适应策略以及引入密集连接，提高学习精度并降低模型复杂度，实现通信高效和隐私保护。实验结果显示，该算法相较于基准算法，可以提高预测性能至多15%。

该论文提出了一种新的方法，利用 CT 扫描的数据生成物理模拟的超声图像，并通过端到端的训练实现超声图像合成和自动分割。该方法在主动脉和血管分割任务上有很好的定量结果，并在其他器官上进行了优化图像表示的定性结果评估。