研究人员基于高斯过程回归构建模型，仅利用可由原子属性直接推导的特征，快速预测二原子分子电偶极矩，并在筛选中识别出多种偶极矩超过11德拜的分子组合。

助理教授加布里埃莱·法里纳深入探索复杂多智能体决策的理论基础。

韩国全北国立大学研究人员在《环境建模与软件》发表研究，提出将水文行为相似站点聚类、以代表性长记录站点训练模型并迁移至同组站点的方法，以降低数据与计算需求并提升流域级水位预测覆盖。

美国能源部阿贡国家实验室、芝加哥大学和普渡大学研究团队提出一套自主逆向设计工作流程，将文献数据提取、机器学习预测与机器人实验闭环结合，用更少实验次数从目标性能倒推出聚合物配方，并以电致变色聚合物的精准颜色匹配作为示范。

一种名为WRING的新型去偏技术，避免了现有去偏方法中可能产生或放大偏见的问题。

研究人员开发TLPath模型，通过分析常规组织病理切片的结构特征预测端粒长度，相关成果发表于《Cell Reports Methods》。

论文指出，将生成式人工智能引入机器学习开发流程，虽可节省成本与人力，却可能削弱透明度与控制力，并增加网络攻击、数据泄露和偏见等风险。

研究团队在《美国化学会杂志》报告称，借助机器学习原子间势（MLIP）计算，可预测哪些离子能稳定掺入正交晶系Sn3O4，并通过实验验证。铝掺杂样品在可见光下产氢量为未掺杂材料的16倍。

布朗大学团队发现，多种主流语言模型在内部表征中，已经自发形成与人类对事件合理性判断高度一致的结构化模式，显示出一种基础层面的“现实世界理解”。

达姆施塔特工业大学合成生物学中心研究团队开发出首个基于RNA的遗传开关，可在活细胞中复现数字电路NAND门的逻辑行为。研究结合高通量筛选与贝叶斯优化等机器学习方法，相关成果发表于《核酸研究》。

乌得勒支大学团队将超分辨率显微技术与机器学习结合，首次对由数千个二氧化硅胶体颗粒构成的光子超粒子进行三维定量绘制，发现部分样品表面看似杂乱，内部却接近完美有序晶体。

圣犹达儿童研究医院研究人员提出BOUQUET算法，将三维基因组相互作用纳入图论与机器学习框架，识别增强子群落及其与蛋白质凝聚体相关的基因，并在《核酸研究》发表。