研究团队提出了一种基于多模态机器学习的新方法，通过合成后信息预测金属有机框架（MOFs）的潜在性能和应用，显著缩短了从合成到应用的周期。该模型在实验噪声和结构缺陷下表现出良好的鲁棒性，能够准确匹配MOFs与应用场景，推动材料科学的智能化发展。

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。

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。

本文讨论了三个算子是否为厄米算子。第一个算子 \hat{f}={d \over dx} 不是厄米算子；第二个算子 \hat{f}= ext{i}{d \over dx} 是厄米算子；第三个算子 \hat{f}={d^2 \over dx^2} 也是厄米算子。通过积分和伴随算子的性质进行验证。

本文研究了复杂场景中文本图像对齐的问题，并提出了一种新的方法以改善文本到图像生成模型的语义绑定。通过分析文本令牌嵌入的几何性质，提出了无训练的文本嵌入感知框架TeeMo，有效提升了多对象和属性场景下的图像生成性能，实验结果显示其优于现有技术。

清华大学与中科院团队提出的UniGEM模型，通过两阶段生成过程，实现了分子生成与性质预测的协同增强，显著提升了性能，推动了分子生成领域的发展。

本研究针对现有化学ADMET性质预测方法在模型个性化和泛化能力上的不足，提出了一种名为Auto-ADMET的可解释的基于进化的自动化机器学习方法。通过结合基于语法的遗传编程和贝叶斯网络模型，Auto-ADMET在12个基准数据集上展现出与其他三种方法相当或更优的预测性能，显著提升了新数据的预测能力。

本研究提出了一种可解释的多模态机器学习方法（EMML），用于分析碳纳米管纤维的性质与结构关系，揭示加工步骤和多尺度结构对材料性能的影响，且该方法可推广至其他纳米材料设计。

本研究探讨了神经网络中的量化不确定性，填补了深度集成与贝叶斯神经网络之间的理论空白。作者证明深度集成实现了贝叶斯平均，揭示了先验分布对集成现象的影响，为深度集成提供了新的理解，可能促进未来模型的改进。

本文研究了多智能体去中心化优化问题，提出了一种基于Kurdyka-Łojasiewicz性质的新方法，证明了SONATA算法的收敛性及其速率，为去中心化优化提供了有力保障。

本研究构建了元素属性知识图谱，提出了多模态融合框架ESNet，将元素属性与晶体结构结合，从而提高了晶体材料性能预测的准确性和全面性。

本研究提出了一种改进的选民模型，解决了传统模型无法捕捉社交网络中个体联系强度的问题。通过合理选择种子节点，可以显著增加蓝色节点的数量，且该问题为NP-困难。实验结果表明，所提算法优于其他算法。