本文介绍了神经网络的结构，包括输入层、输出层和多个隐藏层，并使用激活函数（如ReLU）引入非线性。反向传播通过计算梯度和链式法则，将误差从输出层向后传播以学习参数。

本文分析了论文《Why Low-Precision Transformer Training Fails: An Analysis on Flash Attention》中低精度Attention计算的偏差问题，指出低精度运算导致的舍入误差可能引发MaxLogit爆炸等训练异常。作者提出通过调整计算公式消除偏差，并探讨注意力集中对训练崩溃的影响。

中国科学院大气物理研究所的林鹏飞团队在2025 CCF全球高性能计算大会上发布了CoTCN深度学习模型，该模型结合了Transformer与CNN，显著提升了全球海表面温度的短期预报精度，尤其在涡旋活跃区误差降低了15-60%。该模型在国产DCU平台上训练，展现出优越的训练效率和预报性能。

林鹏飞研究员在2025 CCF全球高性能计算大会上介绍了其团队研发的CoTCN深度学习模型，该模型结合了Transformer与CNN，显著提高了全球海表面温度短期预报的精度。研究表明，CoTCN在复杂海域的预报误差降低了15-60%，并能在国产算力平台上高效训练，展示了其先进性和重要性。

ModelScope团队推出了开源全能图像模型Nexus-Gen，具备图像理解、生成和编辑能力，性能接近GPT-4o。该模型结合了MLLMs的语言建模与扩散模型的图像建模，采用高维特征空间建模以提升图像质量，解决了误差累计问题。Nexus-Gen的训练数据来自开源社区，未来将继续优化并开源相关资源。

本研究解决了物理信息神经网络(PINNs)在不确定性量化方面的不足，提出了一种通过贝叶斯神经网络进行两步训练的创新方法。研究结果表明，利用已有的PINNs误差边界，可以显著提高不确定性估计，并在宇宙学中的参数估计中有效应用这些不确定性。

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，帮助用户轻松获取所需数据。

本研究探讨了机器学习预测中评估预测结果与实际动态行为一致性的问题。引入动态指数后，发现标准误差与系统动态特性显著相关，尤其在长期预测中出现动态失真，为提高模型的准确性和可靠性提供了重要信息。

本研究提出了一种新框架——误差广播与去相关（EBD）算法，旨在解决神经网络中的信用分配问题。EBD通过定义分层损失函数，惩罚层激活与输出误差的相关性，实验结果表明其性能优于现有方法，并具备生物学合理性。

本研究提出MDSTNet框架，旨在提高空气质量预测中气象数据的利用效率。通过整合多层气象数据，MDSTNet在48小时预测误差上降低了17.54%。

该研究提出AlignDiff框架，显著提高相机校准的角度估计准确性，减少约8.2度的角误差，优于现有方法。