
{{item.title}}
目前無活動
在電力調度、晶圓排程、高頻交易等關鍵決策系統中,決策必須兼具速度與可行性。傳統優化方法計算耗時,而深度學習常產生工程上不可行的結果。為此,麻省理工學院(MIT)電機與計算機科學 (EECS) 及資訊與決策系統實驗室 (LIDS) 提出突破性的 AI 框架 — FSNet (Feasibility Seeking Neural Network, 可行性尋求神經網絡)。FSNet 的核心是打造兼具機器學習速度與數學優化可靠性的 AI 決策系統。其運作分兩階段:第一階段由神經網絡快速生成初步結果;第二階段,可行性尋求步驟 (Feasibility-Seeking Step) 會利用數學優化演算法,主動修正所有不符約束的部分,確保最終輸出結果完全落在可行區域內。此修正過程被設計成可微分形式,實現端到端訓練,讓模型在訓練中學會降低誤差。 FSNet 在測試中表現優異,運算速度比傳統求解器快上數百倍,且約束違反率幾乎為零,在含數百變數的非凸問題中仍能保持高穩定性。這項技術潛在應用極廣,包括智慧電網即時調度、晶圓排程與金融風險管理等,代表了 AI 發展的新方向:理解現實限制,成為可部署的關鍵任務 AI。未來這項技術有望成為能源、製造、金融與智慧基礎設施等領域決策的核心。此研究美國國家科學基金會 (NSF) 機構資助。
全球電子設備對效能與記憶運算需求攀升,傳統矽基元件正面臨微縮極限、功耗控制等挑戰。麻省理工學院 (MIT) 的電機與計算機科學 (EECS) 與材料科學與工程 (DMSE) 團隊,共同研發出新一代「磁性電晶體」架構,透過將磁性材料與半導體技術深度整合,為高效能、低功耗的電子系統開啟全新設計方向。 此研究以二維磁性半導體 Chromium sulfur bromide (CrSBr) 為核心,讓電晶體可同時具備磁性與電性控制。由於該材料的特殊結構,研究人員能透過高精度薄膜轉移技術,平穩地在兩種磁性狀態間切換「開」與「關」,使元件可在更低電壓下、於常溫穩定運作。相較以往僅產生微弱訊號的磁性元件,此設計可帶來明顯的電流切換效果,展現出整合邏輯與記憶體的潛力。這項進展為矽電晶體的電壓極限提供了替代方案,也讓自旋電子學 (spintronics) 更接近實際應用。此研究由半導體研究公司、美國國防高等研究計劃署 (DARPA)、美國國家科學基金會 (NSF)、美國能源部 (DOE) 等機構資助,部分實驗在 MIT.nano 實驗室合作完成。團隊未來將著重於以電流控制磁態,並評估更大規模的整合方法。
現今機器人控制普遍仰賴感測器與人工建模,不僅成本高昂,也限制了軟體與異質結構的應用。為突破此限制,MIT CSAIL 團隊提出 Neural Jacobian Fields (NJF) 視覺控制架構,其核心是學習 Visuomotor Jacobian Field (VJF),使機器人能僅藉由影像理解並控制「自己的身體」。研究人員利用 12 台 RGB-D 相機拍攝機器人執行隨機動作的多視角影像,透過自我監督學習建立兩個神經場:Neural Radiance Field (NeRF) 重建三維幾何與外觀,Jacobian Field 描述每個三維點對控制輸入的運動敏感度,以光流誤差 (Optical Flow Loss) 作為訓練信號。最終只需部署單一相機即可精準預測運動變化,達成無感測器控制。 此技術已成功應用於多種異質機器人(含柔性平台與人形手臂),在毫米級誤差內完成追蹤與模仿任務,展現高穩定度與跨平台適應性。NFJ 提供低成本、可泛化的控制解決方案,未來可推動智慧製造、醫療輔助與自適應人機協作等應用發展。