研究团队以少量文献数据训练统计模型，用于预测不对称交叉偶联反应的手性结果。作者称，该方法可在较低数据需求下提升预测效率，显著减少实验筛选次数与材料成本。

OpenProtein.AI由Tristan Bepler博士和前MIT教授Tim Lu博士创立，致力于为蛋白质工程研究者提供开源模型及多种设计工具，助力科学家利用AI加速蛋白质设计与功能预测。

东北大学研究人员在《应用化学国际版》特别邀请综述中指出，结合高质量催化数据库与通用机器学习原子间势、大型语言模型等工具，可在材料合成前预测催化性能，推动清洁能源与可持续技术相关催化剂研发提速。

最新研究表明，一种基于时间序列局部片段的简单“上下文复述”策略，在多项复杂预测任务中可以超越当前多种主流机器学习模型。

斯科尔科沃理工学院团队提出一种面向吸收介质波传播问题的全新物理信息神经网络训练方法，在保持物理结构的前提下显著提升精度与稳定性，并将训练速度提高约三倍。

该功能允许企业基于自有标注数据训练欺诈评分模型，以提升检测准确性，并保留对评分调整的可见性与控制权。

研究人员利用控制理论，在训练过程中去除AI模型中的冗余复杂度，降低计算成本，同时保持性能不变。

东北大学与未来大学函馆团队将培养的生物神经元嵌入机器学习框架，成功训练其完成监督时序模式学习，生成复杂时间序列信号，为神经科学与仿生计算开辟新方向。

研究团队通过在训练阶段直接引入公平性约束，利用多目标模糊遗传机器学习构建既重视准确性又兼顾公平性的人工智能模型，并在多项现实数据集上取得优于传统方法的表现。

卡尔斯鲁厄理工学院团队利用大模型与机器学习，从材料科学海量论文中自动构建概念图谱，并据此预测未来两到三年的研究热点方向。相关成果发表于《自然机器智能》。

野生动物走私正从线下市场加速转向电商平台等线上渠道。研究团队提出一套可扩展的数据抓取与筛选流程，在34天内检索逾1100万条广告，并通过自动化标注与分类器生成方法提升识别效率，为跨平台、跨地区监测提供数据基础。

斯蒂文斯理工学院团队结合机器学习与社交网络理论，基于 X（原 Twitter）数据，构建时序分析框架，追踪在线社区的形成、演化与分裂，并为识别错误信息与极化风险提供工具。