University of Pennsylvania（宾夕法尼亚大学）

Neuromorphic Computing for Low-Power Artificial Intelligence

类脑计算用于低功耗人工智能

Keshava Katti, Pratik Chaudhari, Deep Jariwala

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 类脑计算通过新型器件模态和计算内存技术，结合类脑的模拟动态和稀疏通信，提升人工智能系统能效与可扩展性，需跨层协同设计新材料、非易失器件及学习算法。

Comments Published in "2025 Winter Bridge on the Grainger Foundation Frontiers of Engineering" available at https://www.nae.edu/344313/neuromorphic-computing-for-low-power-artificial-intelligence

A Multimodal Foundation Model of Spatial Transcriptomics and Histology for Biological Discovery and Clinical Prediction

一种结合空间转录组学和组织学的多模态基础模型用于生物发现和临床预测

Jinxi Xiang, Siyu Hou, Yuchen Li, Ryan Quinton, Xiaoming Zhang, Feyisope Eweje, Xiangde Luo, Yijiang Chen, Zhe Li, Colin Bergstrom, Ted Kim, Sierra Willens, Francesca Maria Olguin, Matthew Abikenari, Andrew Heider, Sanjeeth Rajaram, Joel Neal, Maximilian Diehn, Xiang Zhou, Ruijiang Li

机构 * Department of Radiation Oncology, Stanford University School of Medicine（斯坦福大学医学院放射肿瘤学系） ； Department of Statistics and Data Science, Yale University（耶鲁大学统计与数据科学系） ； Department of Medicine (Oncology), Stanford University School of Medicine（斯坦福大学医学院医学系（肿瘤学）） ； Department of Pathology, Stanford University School of Medicine（斯坦福大学医学院病理学系） ； Department of Neurosurgery, Stanford University School of Medicine（斯坦福大学医学院神经外科学系） ； Stanford Institute for Human-Centered Artificial Intelligence（斯坦福大学以人为本人工智能研究所） ； Perelman School of Medicine at the University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院） 纠错

AI总结 本文提出STORM模型，整合形态学特征、基因表达和空间上下文，提升空间领域发现并预测肿瘤类型基因表达，提高免疫治疗响应预测和预后诊断。

Comments 29 pages, 5 figures. This manuscript is a work in progress; further updates and revisions will be posted as they become available

Adversarial Robustness of Deep State Space Models for Forecasting

深度状态空间模型在预测中的对抗鲁棒性

Sribalaji C. Anand, George J. Pappas

机构 * University of Pennsylvania（宾夕法尼亚大学） ； KTH Royal Institute of Technology（瑞典皇家理工学院） 纠错

AI总结 本文研究深度状态空间模型在预测中的对抗鲁棒性，通过控制理论视角，提出基于Spacetime SSM的鲁棒预测器设计方法，并推导出对抗预测误差的闭式界。

Comments 8 pages, 5 figures, conference submission

Learning-Based Fault Detection for Legged Robots in Remote Dynamic Environments

基于学习的腿部机器人远程动态环境故障检测

Abriana Stewart-Height, Seema Jahagirdar, Nikolai Matni

机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文提出一种基于学习的离线方法，用于从腿部机器人本体传感器数据中检测单肢故障，以帮助控制器选择合适的三足步态。

Unlearning Noise in PINNs: A Selective Pruning Framework for PDE Inverse Problems

在PINNs中去除噪声：一种用于PDE反问题的选性剪枝框架

Yongsheng Chen, Yong Chen, Wei Guo, Xinghui Zhong

机构 * Zhejiang University（浙江大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Texas Tech University（德克萨斯理工大学） 纠错

AI总结 本文提出P-PINN框架，通过选性剪枝去除预训练PINN中受污染数据的影响，提升PDE反问题的鲁棒性、准确性和训练稳定性。

ModalImmune: Immunity Driven Unlearning via Self Destructive Training

ModalImmune: 通过自毁式训练实现的免疫驱动反学习

Rong Fu, WeiZhi Tang, Ziming Wang, Jia Yee Tan, Zijian Zhang, Zhaolu Kang, Muge Qi, Shuning Zhang, Simon Fong

机构 * University of Macau（澳门大学） ； Zhejiang University（浙江大学） ； Renmin University of China（中国人民大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Peking University（北京大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出ModalImmune框架，通过可控地在训练中坍缩选定模态信息，使模型学习到对破坏性模态影响具有鲁棒性的联合表示，提升多模态系统在模态丢失或损坏时的可靠性。

Comments 24 pages, 8 figures

PALM: Progress-Aware Policy Learning via Affordance Reasoning for Long-Horizon Robotic Manipulation

PALM：通过具身理由推理进行长时间 horizon 肢体操作的进展感知策略学习

Yuanzhe Liu, Jingyuan Zhu, Yuchen Mo, Gen Li, Xu Cao, Jin Jin, Yifan Shen, Zhengyuan Li, Tianjiao Yu, Wenzhen Yuan, Fangqiang Ding, Ismini Lourentzou

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nanyang Technological University（南洋理工大学） ； University of Oxford（牛津大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 PALM通过具身理由推理和子任务进展线索，改进长horizon机器人操作的策略学习，实现91.8%的成功率和更长的任务长度。

Comments CVPR 2026

SpikeStereoNet: A Brain-Inspired Framework for Stereo Depth Estimation from Spike Streams

SpikeStereoNet：一种受大脑启发的立体深度估计框架，用于从尖峰流中估计立体深度

Zhuoheng Gao, Yihao Li, Jiyao Zhang, Rui Zhao, Tong Wu, Hao Tang, Zhaofei Yu, Hao Dong, Guozhang Chen, Tiejun Huang

机构 * National Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机学院多媒体信息处理全国重点实验室） ； Center on Frontiers of Computing Studies, School of Computer Science, Peking University（北京大学计算机学院计算前沿研究中心） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； School of Engineering and Applied Science, University of Pennsylvania（宾夕法尼亚大学工程与应用科学学院） 纠错

AI总结 本文提出SpikeStereoNet，一种受大脑启发的立体深度估计框架，直接从原始尖峰流中估计立体深度。该模型融合两个视角的原始尖峰流，并通过递归尖峰神经网络更新模块迭代优化深度估计。

Comments Accepted at ICLR 2026