机器之心数据服务现已上线，提供高效稳定的数据获取服务，简化数据爬取流程。

Valve发布《团队堡垒2》源代码，允许开发者访问。俄罗斯威胁者利用Signal Messenger进行攻击，Signal已加强防御。Pi-hole v6发布，新增Web服务器和API。法国WEST机器创造等离子体持续时间世界纪录。美国总统发布行政命令，增强对行政机构的监督，引发权力集中担忧。

本研究解决了托卡马克操作中降坡阶段模拟困难的问题，通过结合科学机器学习的最新进展，提出了一种神经状态空间模型（NSSM），能够有效预测降坡期间的等离子体动态。研究发现，该模型显著提高了等离子体终止时的电流和能量，有助于设计在高不确定性下的托卡马克控制策略。

本文提出了一种神经代理模型，用于高效建模核聚变能量生产中的等离子体湍流，计算速度比传统数值方法快两个数量级，为商业核聚变的可行性提供了基础。

本研究针对等离子体控制与深度研究中的演变模型准确性问题，提出了一种名为PaMMA-Net的深度学习磁测量演变方法。该方法结合增量预测与数据增强技术，在实际EAST实验数据中显示出优越的演变效果，具有很高的泛化能力，对等离子体形态等宏观参数的演变具有潜在重要影响。

本研究解决了MRI与PET成像之间的跨模态翻译困难，特别是利用血液生物标志物（BBBM）来增强PET图像合成的潜力。我们提出的Plasma-CycleGAN模型通过集成BBBM，显著提升了生成图像的质量，尤其在CycleGAN模型中实现了最佳的视觉真实感，标志着跨模态翻译的新进展。

机器学习已成为科学计算的核心技术，广泛应用于流体力学等领域。研究探讨了机器学习与物理结合的潜力，提出了基于数据驱动建模的新算法，旨在提高模拟精度和减少计算时间，以优化聚变设备的设计和实时控制。

本文介绍了一种结合神经网络和可微求解器的等离子体动力学建模框架，应用于惯性聚变领域，探索新物理效应。研究利用神经偏微分方程进行快速模拟，考察图神经网络替代传统模拟器的可能性，并通过深度学习提高等离子体演化预测精度，成功降低电流干扰，为托卡马克研究提供新方法。

本文探讨了利用深度学习技术（如卷积自编码器和LSTM网络）构建高效的随机参数模型，以研究复杂自然现象。这些模型能够有效预测复杂系统的动态行为，提升计算效率并保持系统稳定性。同时，研究提出了新的动力学感知成本函数和编码器技术，以应对高维度多尺度系统的建模挑战。

利用深度学习算法研究高维度动力行为的新方法为等离子体聚变系统内的异常模式检测和建立高效模型来进行实时控制提供了独特机会，研究发现我们的 Fusion Transfer Learning (FTL) 模型通过学习有限数量的非线性模拟数据，成功重建出非线性可刚性模式结构，实验结果突出了 FTL...

在能源需求增长和碳中和目标期限逼近的双重压力下，清洁能源应用是大势所趋。普林斯顿大学的研究人员开发了一个AI控制器，能够预测和控制核聚变过程中的撕裂风险。通过整合传统物理方法和先进的AI技术，研究人员改善了对等离子体行为的控制和理解。这项研究证明了AI在聚变反应控制方面的潜力。

本文研究了非侵入式科学机器学习（SciML）约简模型（ROMs）在非线性、混沌等离子体湍流模拟中的应用。通过算子推断（OpInf）构建基于物理学的低成本ROMs，捕捉湍流动力学的重要特征并缩短计算时间，对聚变设备设计和实时控制具有潜力。