芬兰于韦斯屈莱大学研究团队借助机器学习势函数开展超长时间尺度分子动力学模拟，揭示硫醇保护金纳米簇在高温下的分层变形与融合过程，为纳米材料设计与催化应用研究提供新线索。

助理教授Matthew Jones致力于解码肿瘤在基因、表观遗传及微环境层面的分子过程，预测肿瘤如何及何时演变出抗药性。

斯特拉斯克莱德大学研究团队将机器学习与计算机模型结合，用于设计可承受强激光的等离子体镜，称可将传统需要数十万至数百万次迭代的流程缩短至几十次，并在研究中观察到激光脉冲压缩等现象。

维多利亚大学团队在巴克利湾部署水下声学定位阵列，结合视频记录识别逾千段鱼类发声，并用机器学习模型以最高88%的准确率区分鱼种。

麻省理工学院团队开发出一种新方法，能够识别并调控大型语言模型中的隐藏概念，从而提升模型的安全性和性能。

通过提供细胞的整体信息，人工智能驱动的方法有望帮助科学家更好地理解疾病机制并规划实验。

麻省理工学院体育实验室的研究人员正在利用人工智能技术帮助花样滑冰运动员提升表现，并探讨五周跳是否具备人类实现的可能性。

西班牙区域农食研究与发展服务（SERIDA）研究团队在《Scientific Reports》发表研究，提出一套结合实地调查与Sentinel-2卫星数据的遥感监测模型，用于高分辨率追踪穴居田鼠分布与扩散，并为风险预警与资源配置提供依据。

仅移除极少部分众包数据就能显著改变在线排名平台的结果，影响模型选择的准确性。

Impulse AI 宣布推出自主机器学习平台，称可帮助团队在无需编写代码或雇佣专业机器学习工程师的情况下构建、部署并监控生产级 AI 模型。该公司表示，其 AI 代理在 Kaggle 一项重点竞赛中位列前2.5%。

人工智能在物理研究中的角色正从“数据处理工具”转向更主动的参与者：不仅承担粒子碰撞分类、探测器噪声清理等繁琐工作，也被用于在海量数据中寻找可能指向新现象的细微结构。研究人员对其寄予的期待之一，是借助机器的模式识别与搜索能力，在标准模型高度稳固、显著实验异常罕见的背景下，挖掘被忽视的偏差并更系统地探索广阔的理论空间。 从自动化处理到“发现伙伴” 长期以来，机器学习在高能物理等领域主要用于提升数据处理

托拉尔巴的研究领域涵盖计算机视觉、机器学习及人类视觉感知。