本研究提出COAST方法，通过因果语言模型动态调整时间步长，在复杂区域使用小步长，在简单区域使用大步长，从而显著提高计算效率和准确性。COAST在多种动态系统中优于现有技术，展示了智能自适应求解器的潜力。

该文综述脉冲神经网络（SNN）的高效训练与推理研究，涵盖：按输出熵自适应确定步长的动态时间步长算法，降低能耗延迟积80%；基于时间注意力的SNN处理事件流并提取时空特征；以三元注意力变换器替代循环单元提升时空预测；时间-通道联合注意架构提升数据效率与分类精度；将SNN视为IIR滤波器网络学习时空模式；面向LIF神经元的高效训练算法结合忆阻器硬件；利用权重Fisher信息分布发现时间信息浓缩现象并提出迭代剪枝；可插入2D CNN的TEI时序模块高效捕捉时序特征；IIR-SNN通过迭代初始化与重训练实现单次推断，能效提升25-33倍。

该文介绍了一种使用可解释的人工智能方法来提前进行作物分类的方法。研究者通过训练一个基准作物分类模型，使用层内相关传播（LRP）确定显著的时间步长，并选择重要的时间索引来创建可能的最短分类时间范围。研究者确定了2019年4月21日至2019年8月9日的时间范围在准确性和提前性方面有着最佳平衡。与使用完整时间序列相比，这个时间范围仅损失了0.75%的准确性。

该文介绍了一种基于Bayesian过滤和平滑框架的并行时间概率数值ODE求解器，能够将动力系统的模拟从顺序处理转变为并行处理的形式，从而将时间步长的计算复杂度从线性降低到对数级别。