PINNACLE：PINN 自适应配置点和实验点选择方法
PINNACLE: PINN Adaptive ColLocation and Experimental Points Selection
📖 是什么
PINNACLE 是 AI Singapore 研究组合中收录的一项方法研究，提出一种自适应点选择方法，用于提升物理信息神经网络（PINN）的训练效率。
🤖 与 AI 的关系
该方法基于经验神经切线核（NTK）理论，自动联合优化实验点与配置点等所有类型训练点的选择，在前向问题、反演问题和迁移学习等任务中显著超越现有基准，属于科学计算与 AI 交叉的方法层进展。
🇸🇬 与新加坡的关系
作为出现在 AI Singapore 研究门户中的成果，PINNACLE 体现了新加坡在 AI 用于科学计算（AI4Science）方向的基础方法研究布局。
数据来源
- AI Singapore — 访问于 2026-07-06
同属「🔬 基础研究」
A*STAR
新加坡科技研究局，AI 基础研究与应用研究主力
NUS
新加坡国立大学，AI 研究排名亚洲前列。2024.3 成立 NUS AI Institute，整合基础 AI、应用 AI 及社会影响研究
NTU
南洋理工大学，AI 与数据科学研究重镇
SMU
新加坡管理大学，AI 在商业与社会应用
SUTD
新加坡科技设计大学，AI 与设计交叉创新
AI新加坡与美国NSF研究人员的研究合作项目
该项目由南洋理工大学张捷教授领导，与美国麻省理工学院合作，致力于开发可信任、可解释的人工智能-人类交互优化系统。研究重点是建立自然语言作为组合优化问题的鲁棒接口，使AI系统能够从人类语言中制定优化问题、进行强大的AI辅助优化，并提供可解释的反馈。该项目旨在为物流、制造、金融等行业提供高效的决策支持工具，同时推进可信任AI的基础研究。
BadEdit：通过模型编辑对大语言模型进行后门注入
AI Singapore 研究团队提出 BadEdit 框架，这是一种创新的后门注入方法，通过直接修改模型参数来对预训练大语言模型进行高效的后门攻击。该方法仅需 15 个数据样本和 120 秒即可成功注入后门，攻击成功率接近 100%，同时保持对清洁数据的最小副作用。BadEdit 相比传统权重中毒方法的优势在于数据需求少、效率高，适用于多种任务领域包括文本分类、事实核查和对话情感生成。
利用符号回归为决策树发现更大类别的分割
本研究介绍了符号回归增强决策树（SREDT），通过符号回归发现非线性、多变量的决策树分割规则。与传统决策树相比，SREDT具有更好的预测性能、更小更紧凑的树结构、更快的推理速度以及对噪声的鲁棒性。该方法通过遗传编程搜索闭式解析表达式，在分类任务上明显优于标准决策树。