本研究解决了岩石类型显微图像分类中存在的数据共享和隐私问题，提出了一种新的微调聚合联邦迁移学习（FTA-FTL）方案。该方案通过针对小型数据集的迁移学习，并在不同的深度学习模型架构上进行比较，最终证明这一方法可以实现与集中式模型相媲美的分类效果，提升了数据安全性和分类精度。

我们与碳去除初创公司Terradot达成长期采购协议和股权投资，购买20万吨碳去除信用，支持其增强岩石风化（ERW）方法。此合作将助力Terradot验证并推广ERW，推动其成为重要的气候解决方案。ERW通过将破碎的玄武岩施用于农田，加速自然风化，改善土壤健康。

本研究针对火星生命迹象探测的技术挑战，提出对Phoenix探测器进行改造，以增强其生物标志检测能力，集成先进显微镜和光谱仪，提高土壤样本分析的分辨率，对未来火星生物学任务具有重要影响。

本研究提出了一种基于深度学习的分类框架，填补了月球岩石样本分类的技术空白。通过对比学习，利用阿波罗任务的岩石图像，实现了98.44%的分类准确率，为未来的月球采样活动提供了支持。

本研究探讨了高质量可视特征与现有视觉语言模型的竞争力，并通过将DINOv2应用于异常检测来验证了其有效性。研究结果显示，AnomalyDINO方法在异常预测和异常分割方面取得了最先进的成果。该方法简单易用且无需训练，具有快速部署的潜力。

全球能源供应长期受到人口总数限制。机械化供应像水，手动供应像石头。人工智能是机会，需要善加利用。水可以溶解岩石，岩石可以引导水流。

利用人工智能技术结合计算机视觉和自然语言处理，从岩石的薄片图像中生成文本和口头描述，通过 EfficientNetB7 提取的图像相关特征与 Transformer 网络生成的文本描述相关联的模型训练，达到了 0.892 的准确度和 0.71 的 BLEU 值。该模型可用作研究、专业和学术工作的有用资源，并已通过网络应用程序供公众使用。

通过2×2交叉试验研究了ChatGPT在编码任务和软件开发任务中的协助程度和互动关系。结果显示ChatGPT在简单编码问题上表现良好，但在典型软件开发任务上表现不佳。提供了与开发人员合作的实验结果，并倡导新型交互机制。

冥王号小行星探测器采集了小行星101955的岩石样本，共飞行了62.1亿千米。NASA研究人员拆开了岩石样本容器的35个紧固件，进行分析。小行星101955的年纪与地球相仿，保留了太阳系形成初期的状态。采集样本有助于了解太阳系形成的故事。小行星101955对地球有潜在威胁，2175年至2196年间撞击概率为0.037%。

研究利用生成型AI模型——扩散模型，结合TransU-Net，提高岩石显微结构分割准确性，推动数字岩石物理学进展，助力地球科学和工程学突破。

本研究提出了一种基于图神经网络的方法，从数字 CT 扫描图像中预测岩石的有效弹性模量。使用 Mapper 算法将 3D 数字岩石图像转换为图数据集，经过训练的这些图在预测弹性模量方面表现出良好的效果。与卷积神经网络进行比较分析后发现，GNNs 在预测未见过的岩石性质方面具有卓越的性能。

该文介绍了一种多肢爬行机器人设计，能够穿越洞穴环境。提出了一种检测岩石裂缝和边缘的方法“骨架交叉损失”（SKIL），并提出了一组新的度量指标“LineAcc”，用于薄物体分割。该模型在类似的薄物体分割任务上优于先前的方法，并展现了与机器人系统的集成的潜力。