研究团队提出了可控生成世界模型Ctrl-World，帮助机器人在“想象空间”中进行任务预演和策略评估。该模型在零真机数据下，成功率从38.7%提升至83.4%，显著提升了机器人在复杂场景中的表现。

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。

上交大EPIC实验室提出的新数据蒸馏方法NFCM，使用2080Ti显卡仅需2GB内存，显著提升性能和速度。该方法将数据蒸馏转化为minmax优化问题，优化合成数据质量，适用于多个基准数据集，表现优异。

高熵氧化物（HEOs）在化学催化中具有广泛应用潜力。清华大学等团队提出了一种主动学习框架，成功筛选出4种高效催化剂，展现出优异的氢气产量和稳定性，为高熵材料的开发提供了新思路。

作者在课题组期间参与了路演、交流和答辩等活动，尽管不喜欢，但这些经历帮助他理解科研工作的本质。他学会根据不同机构和企业的需求调整沟通方式，认识到技术工作只是资源和人际关系的一部分，强调了利益和风险的绑定。最终，他成为小组长，负责组织协调活动。

上海交通大学研究团队在蛋白质突变-性质预测方面取得突破，提出FSFP方法，仅需20个湿实验数据即可显著提高预测准确性。该方法结合元学习和排序学习，解决了传统实验耗时长的问题，对蛋白质工程具有重要意义。

上海交通大学研究团队开发了TandemMod深度学习模型，可直接在纳米孔中鉴定多种RNA修饰，减少数据量和训练时间，具有高准确性，适用于不同物种的DRS数据测序。

清华大学的研究团队开发了一种名为SPACE的人工智能算法，能够从单细胞分辨率的空间转录组数据中识别细胞类型和发现组织模块。SPACE在细胞类型识别和组织模块发现方面优于其他工具，并可用于大规模的空间转录组研究。该研究为空间转录组数据分析提供了新的解决方案。

这项研究介绍了一种用于设计和构建纳米薄膜组装的三维微结构和光探测器的多级准静态有限元分析法。研究团队成功实现了大规模、高成品率、高均匀性的三维可配置结构，并开发了多种类型的光探测器。他们还利用深度神经网络进行入射光角度的精准分析。这项研究为纳米薄膜电子器件的制造和光电子应用提供了新的机会。

上海交通大学洪亮课题组研发了一种名为PROTLGN的微环境感知图神经网络，能够从蛋白质三维结构中学习并预测有益的氨基酸突变位点，指导蛋白质设计。PROTLGN具有更高的效率和准确性，可用于突变预测、荧光蛋白优化、VHH抗体设计和Ago蛋白突变等方面。此外，PROTLGN还能预测蛋白质的亚细胞定位。

上海交通大学密西根学院的研究人员发表了一篇题为「Interpreting Chemisorption Strength with AutoML-based Feature Deletion Experiments」的研究论文，提出了一种基于自动机器学习的特征删除实验方法，用于确定决定催化剂表面反应物的化学吸附能量的关键物理量。研究结果表明，吸附位点的局部几何信息对化学吸附能量的影响很大。这种基于AutoML的特征分析方法可以揭示复杂物理科学中统计特征重要性，对催化领域具有重要意义。人工智能技术在催化剂设计和优化方面的应用也有望提高效率和性能。

研究人员基于化学环境的概念和图模型的表示方法提取了晶体材料的特征，以目标原子截断半径内的周围原子和键来定义其化学环境，并从用于材料分析的开源 Python 数据库——Materials Project...

By 超神经内容一览：了解全局晶体对称性并分析等变信息，对于预测材料性能至关重要，但现有的、基于卷积网络的算法尚且无法完全实现这些需求。针对于此，中山大学的李华山、王彪课题组，开发了一款名为 SEN 的机器学习模型，准确感知了固有晶体对称性和材料结构团簇之间的相互作用。关键词：材料性能预测 深度学习 MP 数据库作者 | 李宝珠编辑 | 三羊晶体对称性对于研究材料的物理性质、理解晶体结构、...

中国科学技术大学的蒋彬课题组在原子环境的描述中引入了场相关特征，开发了 FIREANN，对周期系统和非周期系统随外场的变化进行准确预测，为强场诱导效应的研究提供了有力工具。本文是对实验过程的解读与分享→

华中科技大学的李松课题组，建立了一个两步机器学习模型，训练 AI 通过材料的结构参数预测水吸附等温线参数和后续应用性能。

11月6日至9日，第20届国际计算机学会ACM嵌入式网络感知系统大会SenSys在美国波士顿召开。清华大学软件学院何源副教授课题组和美团无人机团队合作论文“麦巢：辅助无人机精准降落的远距离即时声源定位技术”获得了大会最佳论文奖第二名（Best Paper Runner-Up）。