本研究提出了一种极化稀疏性方法，旨在满足大规模语言模型推理的高通量和低延迟需求，提升注意力层的稀疏性稳定性，实现了最高达2.2倍的推理加速，为LLM部署提供了有效方案。

本研究提出了一种两阶段AI流程，结合目标检测和视觉变换器架构，精准分析纳米颗粒特征，适用于多种催化剂体系，具备高分辨率和强泛化能力。

大型语言模型在自动化高通量临床文本表型研究中具有高性能和广泛适用性的优势，无需手动注释的训练数据，有望成为主要方法。

利用 RGB-D 相机和 CoRe++ 网络完成 3D 形状，在高产土豆估计上具有快速和准确性。

数字病理学和自动扫描保存整张组织学图像的显微系统的出现，使得计算机方法在组织学图像分析中得到广泛应用。本文提出了一种改进基于深度学习的自动分割方法，通过结合非确定性训练时间和确定性测试时间染色归一化，提高了分割核实的性能。实验结果显示，该方法在性能上比基线模型提升了5.77％至5.27％。

我们展示了一种多保真度（MF）机器学习集成框架，用于逆向设计光子表面。该框架基于高通量飞秒激光加工制备的11,759个样本的数据集进行训练。实验证明该方法在能量收集应用中的光子表面逆向设计中具有强大的工具。