Harvard University（哈佛大学）

Variational Boosting for Physics-Informed Neural Networks

物理信息神经网络的变分提升

Pavlos Protopapas, Kaylee Vo

机构 * Harvard University（哈佛大学） 纠错

AI总结 研究针对物理信息神经网络求解微分方程存在的问题，提出变分提升框架，通过构建加法解、训练弱学习者满足局部正交性条件，实现全局非线性细化分离为条件良好子问题，提供几何解释并实现稳定二阶优化。

Physics-Informed Neural Networks for Predicting Nitrous Oxide Flux

用于预测一氧化二氮通量的物理信息神经网络

Freddy Yu, Jashanjeet Kaur Dhaliwal, Subhadeep Chakraborty

机构 * Harvard University（哈佛大学） ； University of Tennessee（田纳西大学） 纠错

AI总结 研究针对一氧化二氮通量预测，利用基于DayCent模型的机理方程构建物理残差，通过在多站点农业数据集上训练基于MLP的PINN，发现PINN性能优于未校准的Cycles模拟，物理约束可提升模型性能及降低变异性，但跨站点泛化存挑战。

Comments 28 pages, 7 figures

Real-time Reconstruction of Human Visual Perception from fMRI

基于功能磁共振成像的人类视觉感知实时重建

Rishab S. Iyer, Jiaxin Cindy Tu, Cesar Kadir Torrico Villanueva, Anish Mahishi, Ross P. Kempner, Jacob S. Prince, Ernest W. Lo, Akash Bhowmick, Hritik Arasu, Amaar Chughtai, Elizabeth A. McDevitt, Paul S. Scotti, Kenneth A. Norman

机构 * Princeton University（普林斯顿大学） ； Dartmouth College（达特茅斯学院） ； Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院） ； Harvard University（哈佛大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Medical AI Research Center (MedARC)（医学人工智能研究中心） 纠错

AI总结 该研究基于fMRI的实时闭环神经反馈分析方法落后，提出实时兼容的先进管道改编版，利用RT-Cloud平台实时扫描解码视觉感知，通过模拟分析记录性能变化因素，证明实时部署强大解码管道可行，为脑机接口应用铺路。

DAMamba-UNet3D: A Parameter-Efficient Mamba State Space U-Net with Dynamic Adaptive Scan for 3D Medical Image Segmentation

DAMamba-UNet3D：一种用于3D医学图像分割的参数高效的Mamba状态空间U-Net，采用动态自适应扫描

Mohammad Arafat Hussain, Ellen Grant, Yangming Ou

机构 * Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 该研究针对3D医学图像分割，提出DAMamba-UNet3D混合编码器-解码器，在编码器特定阶段集成三平面3D-DAS块，降低参数成本，通过实验对比展示其在分割性能上的优势，表明学习的三平面DAS在混合U-Net中有竞争力。