本文提出了一种分类器架构，其中包含一个拒绝选项，能够在不需要等待整个时间序列信号出现的情况下进行在线决策，应用于气味 / 气体信号的分类问题，构建了一种新型电子鼻，即 Forefront-Nose，实验结果证实了该算法与标准分类器从早期性和识别性方面的稳健性。

Dec, 2013

本研究使用可解释人工智能方法的SHAP，通过机器学习从中识别贡献最大的传感器来检测感测器之间的变化，并利用奥氮平来测试其方法的应用性，从而证明了这种方法可以提高传感器方法的效率和准确性。

Jun, 2023

借助高通量实验技术和机器学习的结合，提出了一种利用吸收光谱进行电导率测量的机器学习方法，实现了对材料电导率的加速测量，极大提高了测量效率并获得了有价值的洞察力。

Aug, 2023

神经形态计算是一种能够显著降低机器学习和人工智能功耗的少数几种方法之一。本文提出了一种在神经型架构上运行的受哺乳动物嗅球电路启发的气味学习算法，并在评估其对不同气味感知的快速在线学习和识别性能时，使用了一组气体传感器的记录数据并通过脉冲噪声进行破坏。本文复制了部分研究，并发现了影响某些结论的局限性，其包括使用的数据集存在传感器漂移和非随机测量协议，从而在气味识别基准测试中具有有限的用途。此外，我们发现该模型在对相同气体的重复展示上具有推广能力的限制。我们证明该研究所涉及的任务可以通过简单的哈希表方法解决，匹配或超过了报告中的准确性和运行时间。因此，需要显示模型的验证超出恢复学习数据样本的范畴，特别是其对气味识别任务的适用性。

Sep, 2023

基于晶体管的自适应非线性电子网络的非线性学习超材料能够在不需计算机的情况下实现线性系统无法实现的任务，具有快速、低功耗计算潜力，适用于边缘系统如传感器、机器人控制器和医疗设备等，并可以进行大规模制造和研究新兴学习方法。

Nov, 2023

通过设计定制的ADC，我们首次提出了一种共同设计框架，用于生成定制的决策树分类器，从而实现在所有基准案例中传感器上打印的分类器的自供电操作。

Dec, 2023

本研究介绍了一种新的化学传感器阵列分类方法ChemTime，以解决硬件传感器阵列在化学感知中的快速分类和推理时间最小化的挑战，并取得了良好的性能和准确度。

Dec, 2023

本文分析了在对电子元件进行分类时，迁移学习的有效性。我们介绍了一种轻量级卷积神经网络模型VoltaVision，并将其性能与更复杂的模型进行了比较。我们测试了从类似任务中迁移知识到目标领域是否比在一般数据集上训练的最先进模型获得更好的结果。

Apr, 2024

利用基于注意力机制的神经网络和元学习算法，研究在材料科学领域中使用外推模型，以加速新材料的发现。

Mar, 2024

本研究解决了在废弃印刷电路板中有效回收关键原材料（CRMs）的问题，提出了一种利用机电系统和人工视觉技术选择性拆解电子元件的新方法。研究显示，基于变压器模型的实时电子元件检测和定位具有很高的准确性，超越了最新的对象检测和定位技术。

Sep, 2024