关键词： 极端风场   短时预测   机器学习   研究进展   研究思考  

摘要： 随着全球气候的变化，极端风场短时预测已成为国际风工程领域的研究热点与学术前沿。在极端风场来临前，精准预测原位风速对于工程结构安全预警与应急防护具有重要意义。传统数值天气预报方法是极端风场预测的有效手段，但由于空间分辨率不足、计算资源消耗大，其难以实现工程结构原位风速的实时预测。随着人工智能技术的快速发展，机器学习为解决上述难题提供了新思路，在极端风场短时预测中的应用越趋广泛，且展露出广阔的应用前景。据此，本文对基于机器学习的极端风场短时预测研究进展进行了综述。首先，回顾了时间序列模型、机器学习模型和混合模型在风场预测中的应用原理及其特点；其次，从良态强风、台风、雷暴风3种频发强风的角度，分类论述了常采用的极端风场短时预测方法，并对其优缺点进行了归纳总结。最后，针对极端风场短时预测的研究现状与挑战，阐述了作者对该领域未来潜在研究方向的思考。

关键词： 人工智能   算法   纪检监察   法律风险   法治反腐  

摘要： 当前,纪检监察机关面临着案件数量骤增、办案要求高质等诸多挑战,人工智能技术赋能纪检监察是其抓住机遇、应对挑战的重要方法和抓手。人工智能技术已经在纪检监察的案件全景化管理、追踪案件线索、提升预防效能和智能分析类案处置信息等领域彰显作用。然而,人工智能技术引发的法律风险亟待解决,具体包括:因信息数据短缺与算法技术缺陷而影响结果的客观性,因办案人员对技术依赖而侵蚀监察权独立性,因算法技术决策偏差而挑战传统纪检监察归责机制。鉴于此,应从推动数据资源的集中统一、提升算法安全性和透明性、构建“人机耦合”的合理分工机制、提高纪检监察机关自身技术水平、明确人机责任的边界与分配等方面作为规避上述法律风险的进路。

关键词： 椎间盘退行性病变   机器学习   组织工程   支架  

摘要： [目的] 通过多种机器学习方法建立多特征参数对椎间盘支架生物学效应的预测模型，以降低实验试错成本，实现椎间盘退行性病变组织工程治疗的高效化。[方法] 基于近10年（2014—2024年）椎间盘支架相关材料、工艺、细胞培养数据，构建特征多维、标签多样的综合数据集，进而采用岭分类器、高斯朴素贝叶斯（Gaussian NB）、线性判别分析（LDA）、高斯过程分类器（GPC）等21种分类算法，评估各模型在数据集上的预测性能。[结果] 多数分类模型在本数据集上的预测一致性较好，且运行时间较短；其中，基于岭分类器算法构建的机器学习模型能对支架上的细胞行为进行最准确的预测。而通过进一步的模型可解释性分析，可以获知各支架特征参数生物学效应的方向和程度，从而使该模型具有较高的推广价值。[结论] 机器学习方法对于椎间盘组织工程体系的开发具有指导意义，通过恰当的模型构建，研究人员可以有针对性地进行特征组合，从而简单快捷地设计出具有良好生物学活性的支架。

关键词： 晶体结构预测   机器学习   多晶型   理论计算化学  

摘要： 晶体结构预测(crystal structure prediction, CSP)技术能够仅依赖分子式预测材料的晶体结构,其在识别稳定结构和探索多晶型方面展现出独特的优势,已成为材料科学、药物学等领域不可或缺的工具.自20世纪末以来, CSP方法经历了从初期侧重技术实现的探索,到逐步实现高通量精确计算的阶段,并发展为一种能够全面探索高维势能面、精确排序分子晶体能量的综合性算法.本文综述了有机分子CSP的主要方法及策略,同时介绍了机器学习等新技术在CSP领域的引入和应用情况,并讨论了这些技术展现出的巨大潜力.本文旨在为读者提供全面、系统的CSP技术进展回顾,探讨当前的应用现状与挑战,并展望机器学习为该领域带来的新机遇,促进CSP技术在多领域的深入应用和跨学科融合.

关键词： 交通工程   交通仿真   车-路耦合   模糊综合评价   机器学习  

摘要： 为研究自动驾驶车辆在高速公路平曲线路段上的行车风险,提出基于车-路耦合作用的适应性评价方法。首先,根据行车安全性、乘车舒适性确定多维评价指标,并利用PreScan/CarSim/Simulink搭建高速公路平曲线路段场景进行仿真实验;其次,综合多维评价指标,构建行车风险评价数学模型,计算实验数据行车风险等级并划分行车风险评分阈值;最后,选取影响行车风险的车辆运行与道路设计参数,利用机器学习算法建立模型,分析自动驾驶车辆与高速公路平曲线路段间适应性特征。结果表明:采用XGBoost算法作为适应性评价模型,其性能（RMSE=1.75、MAE=1.22、RPD=5.74、R2=0.97）显著优于DT模型、RF模型、AdaBoost模型;自动驾驶车辆运行速度介于设计速度vd±0.6km/h范围内时,自动驾驶车辆与高速公路平曲线路段间具有较高适应性。

关键词： 人文教育   人工智能   ChatGPT   新人文  

摘要： ChatGPT等生成式人工智能的发展,不只对高校人文教育的价值伦理、教学模式、职业选择等产生重要影响,更向整个人文教育发起了一场关涉知识、思想与智能的全面挑战。人工智能在与人类的话语交互中逐步产生出了类似于“自由意志”的深度交互智能,促使人文教育必须实现其范式转换:从人文知识的传承者转变为机器智能的教成者。人工智能时代的人文教育,应将传统人文理念转化为机器智能的底层逻辑,将人文学术作为人工智能技术的理论前提;应使AI技术成为人文学术的有机构成以确保人类的主体地位;应依赖范式革命重构人文教育以教成AI和规范领导自我的进化之路,预见性地实现人的AI化和AI的人文化。

关键词： 人工智能   高质量发展   新质生产力  

摘要： 当前，我们正置身于新一轮科技革命与产业革命的浪潮之巅，人工智能作为引领未来的核心技术创新之一，正逐步蜕变为我国经济转型升级、迈向高质量发展的核心驱动力。习近平总书记敏锐洞察国内外发展大局，提出了关于人工智能发展的一系列深刻论述，核心要义鲜明。阐明了人工智能作为国家战略科技力量的核心地位、论证了人工智能赋能经济高质量发展的实践路径、科学规划了人工智能创新人才体系的建设框架、全面构建了人工智能治理的保障机制以及创造性提出了携手全球共同推进人工智能稳健发展。这些重要论述具有思想基础的科学性、价值旨归的人民性、发展战略的前瞻性和创新应用的实践性，为我国当下人工智能和新质生产力发展提供了科学遵循和行动指南，也为世界各国人工智能发展贡献了中国智慧和中国方案，具有重要的理论价值和实践意义。

关键词： 食品安全   机器学习   深度学习   黄曲霉毒素   定性预测  

摘要： 一直以来，食品安全是全球关注的焦点之一，其中，黄曲霉毒素M1是黄曲霉毒素B1在奶牛体内代谢后的主要形态，其作为牛奶中的主要污染物，对消费者健康构成威胁，因此，对黄曲霉毒素M1的检测对于确保乳制品安全和消费者健康具有重要意义。而传统的黄曲霉毒素M1检测方法（如高效液相色谱法和酶联免疫吸附测定法等方法）存在成本高、耗时长和操作复杂等问题，无法满足乳品工厂高通量、快批次检测的需求。为此，本研究基于机器学习与深度学习技术，采集我国2022-2024年间，不同区域和季节的原奶成分数据，探索了一种利用易测得数据来定性预测黄曲霉毒素M1的方法，降低乳品工厂的批量检测成本。研究基于筛选得到的16类特征数据集，采用线性回归、随机森林、支持向量机等多种机器学习方法以及基于Transformer架构的方法进行预测实验，并通过对比实验分析这些模型在阴性样本（Class 0）和阳性样本（Class 1）上的预测性能及方差稳定性。实验证明，基于Transformer架构方法的预测方法综合性能最佳。同时，我们还通过消融实验探究了Transformer架构下位置编码与注意力机制对模型性能的影响。总的来说，本研究通过深度学习方法实现了黄曲霉毒素M1的高效定性预测，相对于传统方法而言，该方法既可以满足高通量的需求，又通过节省多余检测环节的方式显著降低了检测成本，为乳制品安全检测提供了数智化转型的解决方案和模型优化的理论依据。

关键词： 人工智能   价值对齐   现实障碍   智能向善   人文建构  

摘要： 人工智能价值对齐，是人类有效掌控人工智能技术的关键，更是确保人工智能推动人类社会良性发展的重要保障。在维护人类主体性、践行人类伦理道德方面，它具有显著的时代价值，为未来智能技术向善发展树立了标杆。然而，实现人工智能价值对齐面临诸多现实挑战。技术体系尚不完善，算法黑箱威胁人身财产安全；人类对伦理道德的认可度差异大；技术加速异化人类，资本回报压力致使泄露用户数据隐私常态化。为突破这些困境，可从多方面进行人文建构：健全人工智能技术体系，细化算法数据筛选流程机制，提高人工制品市场准入标准，完善技术投入资本的回报与退出机制。这些尝试对拓宽人工智能价值对齐路径具有积极参考价值。总之，人工智能价值对齐是探索人工智能技术与人类价值观平衡融合的创新之举，对人工智能增进人类福祉意义重大。

关键词： 人工智能   能源化工   新材料   自动化实验  

摘要： 实现“双碳”目标需要能源、化工和材料等多个领域协同,但其核心科学问题解决与关键工程技术实现的速度受传统研发范式掣肘,亟需突破.以基于“小数据”的主动学习和基于“大数据”的基础模型为代表的人工智能(AI)技术深刻改变了领域研究范式,垂直领域AI基础模型重构并建立了低碳能源化工领域的新一代知识网络,新材料智能发现平台标志着AI for Science的研究新范式在低碳能源化工领域的落地.近年来,研究者在低碳能源化工领域的多层次多尺度主动学习框架和AI基础模型上开展了一系列研究,本文将详细介绍相关工作并对低碳能源化工与人工智能交叉领域的机遇、挑战与展望进行讨论.