关键词： 静态时序分析   复杂网络   机器学习   布局   布线  

摘要： VLSI布线阶段的时序收敛由于设计费用高昂,通常使用布局阶段的时序分析来辅助实现,但因缺乏详细的布线信息而存在不确定性。考虑信号传播和电路拓扑结构间的密切关系,提出一种利用复杂网络特征预测布线后电路时序的机器学习方法,并构建基本模型和增强模型来实现对比试验。首先在电路布局阶段,提取与时序优化相关的基本电路特征,并通过复杂网络建模计算时序路径上的复杂网络特征,基于这些特征生成机器学习的数据集。然后利用机器学习算法,比较两种模型在预测电路时序方面的性能。实验结果表明,同基本模型相比,引入复杂网络特征的增强模型在时序预测性能上表现出更高的预测精度。增强模型预测Slack的MSE降低了12.5%,达到了0.004515;R2提升了1.06%,达到了0.9314;r提升了0.54%,达到了0.9652。预测Delay的MSE降低了11.69%,达到了0.000302;R2提升了0.03%,达到了0.9973;r提升了0.02%,达到了0.9987。预测WNS的偏差降低了6.53%,达到了5.30%。预测TNS的偏差降低了1.59%,达到了12.38%。判断关键路径的AUC值提升了0.26%,达到了0.9873。实验结果证明复杂网络特征在预测电路时序方面的有效性。

摘要： 斯伦贝谢(Schlumberger)公司此前在阿拉伯联合酋长国召开的SPE(石油工程师学会)上，提出以机器学习方法，开展油气田储层孔隙度的评估。目前世界各地石油公司对碳酸盐岩储层进行岩石物理评价，是一项重大挑战，因为复杂的成岩过程会改变储层特性，导致对碳酸盐岩储层进行岩石物理评估面临很多困难。相当部分石油作业公司都在运用先进的测井技术，如核磁共振T2弛豫时间，以及井眼图像等高级测井工艺。

关键词： 机器学习   乙肝肝硬化   肝癌   诊断模型  

摘要： 目的 比较四种机器学习方法对乙肝肝硬化相关性肝癌的诊断价值。方法 选取2017年1月—2024年6月就诊于华北理工大学附属医院确诊为乙肝肝硬化合并肝癌的患者198例为肝癌组，确诊为乙肝肝硬化的患者202例为肝硬化组。对其一般资料及血常规、生化全项、凝血系列等指标进行单因素分析，通过对单因素分析有统计学意义的指标进行多因素logistic回归分析，筛选出肝癌的影响因素，以7:3的比例将患者随机拆分为训练集及测试集，依次构建logistic、XGBoost、Light GBM、Random Forest模型，绘制受试者工作特征（ROC）曲线、曲线下面积（AUC）、准确率和F1指数等指标评估模型，选出最优的模型，通过Shapley Additive ex Planations(SHAP）方法展示模型，并同时采用Bootstrap重采样的方法对最佳模型重抽样500次进行内部验证。结果 年龄（OR=1.055,95%CI:1.024～1.088,P=0.001）、性别（OR=2.643,95%CI:1.246～5.608,P=0.011）、甲胎蛋白（AFP)(OR=1.007,95%CI:1.003～1.010,P<0.001）、HBV-DNA载量（OR=2.304,95%CI:1.197～4.434,P=0.012）是肝癌发生的独立危险因素；甘油三酯（OR=0.376,95%CI:0.188～0.751,P=0.006）是肝癌发生的保护因素。基于上述因素分别构建logistic、XGBoost、Light GBM、Random Forest模型，这四种模型的AUC值分别为0.856(95%CI:0.806～0.906）、0.789(95%CI:0.726～0.852）、0.809(95%CI:0.749～0.869）、0.822(95%CI:0.764～0.879），其中logistic模型的判别性能最佳，logistic回归模型的AUC、准确度、灵敏度、特异度、F1值为0.856、0.762、0.600、0.925、0.716，通过Boostrap重采样方法进行内部验证，AUC=0.860,95%CI:0.843～0.877,提示logistic回归模型具有良好的预测功能。结论 高龄、男性、高AFP、高HBV-DNA载量是肝癌的危险因素；高甘油三酯是肝癌的保护因素。logistic回归模型具有良好的判别性能，预测效能最佳，同时具有良好的泛化能力。

关键词： 碳排放效率   机器学习   SBM模型   Malmquist指数分解法   驱动因素   区域异质性  

摘要： 城市碳排放效率及其驱动因素的合理分类和评估，对应对我国碳排放问题至关重要。揭示城市碳排放效率的空间分布特征及不同类型城市和区域碳排放效率驱动因素之间的差异，基于超效率SBM模型和Malmquist指数分解法测算2009—2022年期间283个城市的碳排放效率，同时应用机器学习方法识别城市特征，以确定城市发展类型及其特征驱动因素的影响。基于城市碳排放效率异质性结果，提出针对性的减排发展路径，以指导城市低碳发展，制定减碳政策。

摘要： 摘要目的 开发并比较基于CT形态特征、血清生物标志物和基础身体条件的机器学习模型以预测食管静脉曲张出血。方法 回顾性纳入224例伴有和不伴有食管静脉曲张

关键词： 投资者情绪传染   银行业系统性风险   预警   可解释性机器学习  

摘要： 投资者情绪传染在信息不对称条件下可能引发非理性羊群效应，促进风险传染，在系统性风险演化过程中发挥关键作用。本文探究投资者情绪传染指数对银行业系统性风险的预警能力和非线性影响。首先，基于TVP-VAR模型构建投资者情绪传染指数用于衡量银行间投资者情绪传染效应的强弱。进一步，将投资者情绪传染指数纳入预警指标体系，基于机器学习方法构建预警模型，并应用可解释性机器学习方法打开黑盒。实证研究结果表明：机器学习方法的预警性能远高于线性模型，随机森林表现最优；投资者情绪传染指数与银行业系统性风险之间存在复杂的非线性关系；投资者情绪传染指数能够提升预警模型准确率，且在预警模型中发挥的重要性高于宏观经济和银行业指标。

关键词： 胃癌   早诊早治   疾病状态预测   机器学习  

摘要： 胃癌是消化道肿瘤中发病率较高的一种，对人们的健康构成严重威胁。早期预警、早期诊断可以提高5年生存率60%以上。近年来，机器学习方法在胃癌前状态预测方面取得了丰富的成果。本文首先从内镜图像、生化标志物、基因表达、中医证候等方面论述胃癌前状态的显著性特征，并结合机器学习方法预测的胃癌前状态研究成果，比较分析基于传统机器学习方法、深度学习方法和多种融合方法的优缺点。提出开展多中心、大样本队列研究并建设共享数据平台，实现多模态数据融合，增强模型的可解释性三点建议，为胃癌的“早诊早治”提供方法学借鉴。

关键词： 含铈矿物   大数据   机器学习   大量罕见事件频率分布   矿物共生网络分析  

摘要： 稀土元素是发展能源转换、超导和量子工程等高新技术领域不可替代的战略性矿产资源。然而， 对于稀土矿物分布、多样性和共生规律的认识极为不足。前人通过大数据和机器学习方法对铍、硼和碳等矿物生态学和矿物共生网络的研究， 识别矿物共生组合隐藏的规律， 预测总矿物种数、可能的化学组分和成矿环境， 为寻找新矿物以及有效利用矿产资源提供新的方向。本文立足于Mindat和RRUFF数据库提供的地球近地表166种含铈矿物的矿物学信息， 通过大量罕见事件(Large Number of Rare Events; LNRE)模型预测: 地球近地表至少存在223±3种含铈矿物， 还有57±3种含铈矿物尚未被发现， 包括有39±3种含氧矿物， 36±11种含氢矿物， 50±1种含硅矿物， 45±22种含钙矿物， 39±5种含钠矿物， 28±5种含碳和23±2种含氟矿物。这些尚未被发现的矿物多数与碳酸盐岩演化的不同阶段相关。此外， 铈的矿物网络结果表明， 含铈矿物被划分为4种不同的成矿环境， 暗示新的含铈矿物出现的成矿环境。本文为开展其余稀土元素的矿物生态学和矿物共生网络研究提供了研究思路和方法， 对发现稀土新矿物以及有效利用稀土矿产具有重要的指导意义。

关键词： 农业气象   相关模型   机器学习   研究进展  

摘要： 为探究机器学习方法在农业气象相关模型领域的应用进展,对机器学习与农业气象相关模型的结合研究进行了回顾与总结。观测设备的快速发展显著提升了数据的可用性和多源性,为机器学习与模型的结合奠定了坚实的数据基础;同时,机器学习理论研究的不断深入推动了算法的优化与创新,为机器学习与模型的结合提供了强有力的算法支持。作为一种高效的数据拟合与分析手段,机器学习在农业气象相关模型领域展现广阔的发展前景。通过机器学习方法,模型的准确性和普适性得到了显著提升,为农业气象研究提供了新的技术路径和方法支撑。

关键词： 类腐殖质   氧化潜势   源解析   机器学习   小样本学习.  

摘要： 水溶性类腐殖质(water-soluble humic-like substances,HULIS_(WS))是大气颗粒物中一类危害人体健康的有机物.氧化潜势(oxygen potential,OP)可以用于衡量颗粒物对细胞内分子的氧化能力,精确解析HULIS_(WS)的OP来源可以助力有害污染物的精准减排工作.本文于2016年秋、冬季节在东北平原逐日采集了大气细颗粒物(PM_(2.5))样品,并使用正定矩阵因子分解(positive-definite matrix factorization,PMF)模型量化了PM_(2.5)中HULIS_(WS)来源的变化特征.尽管此前很多研究解析了HULIS_(WS)中OP的潜在来源,但传统源解析方法难以准确拟合OP与物质来源关系,导致其解析结果存在较大不确定性.随机森林(random forest,RF)是一种可以拟合非线性关系的机器学习算法,可以对OP来源进行解析.然而,RF算法在较小样本训练下通常会增加泛化误差,导致模型不确定性较大.针对这些问题,本文提出并验证了一种通过强化RF模型对特征变量的识别来提升其泛化能力的小样本学习(few-shot learning,FSL)方法[FSL-RF].通过FSL-RF拟合HULIS_(WS)的OP与PMF源解析结果来建立来源与OP的关系,并使用置换变量重要性量化了各来源对OP的贡献.结果表明,生物质燃烧贡献了HULIS_(WS)浓度和HULIS_(WS)中OP的72%和63%.此外,烹饪排放贡献了4%的HULIS_(WS)浓度,对HULIS_(WS)中OP的贡献为19%.目前,尽管生物质燃烧仍然是东北地区大气HULIS_(WS)对人体造成细胞损伤的主要方式,但对烹饪排放的减排对人体细胞损伤的控制更加有效.