微软推出的Microsoft Discovery平台利用AI在200小时内筛选新冷却剂，显著缩短研发时间。该平台支持科学家通过自然语言与AI互动，降低科研门槛，未来将连接量子计算。

微软推出首款基于拓扑核心架构的量子芯片Majorana 1，预计数年内实现百万量子比特，推动量子计算应用。但物理学家质疑其技术细节，认为尚未证明拓扑量子比特的存在。

本研究提出了一种新方法，结合学习方法与渐进可微渲染，通过单张图片预测材料属性，增强光照与材料互动的真实感。

本研究解决了在扩展的 $\Lambda$CDM 模型中中微子质量和暗能量状态方程测量的精确性问题。我们提出了一种名为 syren-new 的新方法，通过符号回归增强的功率谱模拟器，显著提高了对线性和非线性物质功率谱的拟合精度，为未来的大规模结构调查提供了更快速且准确的计算工具。研究结果表明，该方法在广泛的宇宙学参数范围内能够以极小的误差达到与现有数值模拟相似的准确性，同时运算速度大幅提升。

本文提出了使用扩散模型的方法，通过细化阴影区域的细节，避免了传统方法的局限性。同时，通过融合噪声特征和扩散网络，缓解了训练过程中的局部最优问题。在AISTD和DESOBA数据集上，该方法的性能分别提高了13%和82%。

神经一体化无网格（NIM）方法将物理无网格离散化技术与深度学习结合，提高了训练效率。实验结果显示NIM方法在静态和瞬态基准问题上准确性和效率显著提高。与其他物理信息机器学习方法相比，NIM方法具有更准确和高效的全面预测能力。

清华大学徐勇、段文晖课题组提出了神经网络密度泛函理论（neural-network DFT）框架，通过将神经网络和DFT有机结合，提高了准确性和效率。研究结果表明，神经网络DFT具有高可靠性和预测精度，为材料科学和物理研究领域提供了新的计算方法。

本研究通过分析社交媒体上的言辞，揭示了物质使用障碍个体在网上对话中面临的污名问题，并提出了一种计算框架来分析污名化现象，为改善对SUD患者的支持提供了实用工具。

医疗领域数据访问困难，隐私问题和高成本是主要挑战。研究人员提出了使用大型语言模型作为优化器的新框架，改进了生成合成数据的质量。实验结果显示该模型在保护隐私方面优于其他模型。

该研究介绍了一种基于机器学习的CME识别与参数获取方法，能够高效、快速地识别微弱的CME信号并给出准确的形态信息。通过神经网络和图像处理算法，成功将CME区域与背景分开，并推导出CME的运动学参数。该方法高效、快速，可应用于CME到达时间预测和三维重构等其他方面的工作。

美国国家海洋和大气管理局预测5月11日地磁暴将影响地球，形成极光并可能对通信和电网造成影响。极光爱好者可前往高纬度地区观看，需避免城市灯光影响并做好防寒保暖措施。

本文提出了一个新的模型框架，使用范畴论的概念空间广义化，并展示了如何从数据中自动地学习概念表示。通过范畴论的形式化，详细阐述了该框架的基本原理。在现有的概念空间框架基础上，从简单形状的图像中学习了形状、颜色、大小和位置等概念。在经典实现中概念表示为高斯函数，在量子实现中表示为量子效应。在经典情况下，开发了一个新的模型，与语言相连接，使得概念的名称成为图形模型的一部分。在量子情况下，概念通过一个混合的经典 - 量子网络进行学习，该网络通过卷积神经网络进行经典图像处理，并通过参数化量子电路生成量子表示。最后，考虑了量子概念模型是否可以被视为Gardenfors意义上的概念空间。

通过压缩感知（CS）和基于物质基本光谱的部分可分模型，我们提出了一种新方法来从随机欠采样的多光谱磁共振波谱成像（MRSI）数据中重建物质的时空分布。我们利用空时稀疏性和时间平滑性作为先验知识执行 CS，实验结果表明我们的方法能够以极短的时间分辨率重建物质的时空分布，预期对揭示磁共振波谱成像数据中的物质动力学起到重要作用。

SCORCH项目使用高分辨率N体模拟研究了宇宙中黑暗物质晕的特征和再电离贡献，并预测了暗时代星系。