e》、《Neural Computation》……这些名字对他而言有些遥远，但其中一些涉及图神经网络、复杂系统优化的子领域，或许能给他带来新的启发。
就在他抽出一本《Neural Computation》，翻开目录寻找感兴趣的关键词时，一个熟悉的名字，猝不及防地跳入了他的眼帘。
在一篇题为《基于多尺度特征融合与注意力机制的运动轨迹预测模型优化》的论文作者栏里，他看到了“Su, Wan”的拼音署名，排在第三位，单位是“Tsinghua University, Department of Physics and Center for Brain-Inspired Computing Research”。
苏晚？运动轨迹预测？脑启发计算研究中心？
韩澈愣了一下，下意识地揉了揉眼睛，确认自己没有看错。他迅速扫了一眼期刊信息，是三个月前出版的。论文标题涉及的概念对他而言有些陌生，但“运动轨迹预测”和“优化”这几个词，与他正在做的、本质上也是处理序列或关联数据的算法，似乎存在某种微妙的联系。而“脑启发计算”这个方向，更是让他感到新奇。
他拿着期刊，就近找了个空位坐下，开始快速浏览这篇论文的摘要和引言部分。论文的核心似乎是利用深度学习模型，特别是结合了注意力机制的神经网络，来预测复杂动态系统中运动单元（论文中示例包括运动员在球场上的移动、动物群体运动等）的短期轨迹，并通过引入多尺度特征融合和受神经科学启发的模块，提升预测的准确性和鲁棒性。
虽然论文中充斥着大量专业术语和数学公式，但韩澈结合自己的编程经验和有限的机器学习知识，大致能看懂其技术脉络和应用场景。让他感到惊讶的，不是论文本身的高深（以他目前的水平只能看懂皮毛），而是苏晚的研究方向——看起来并非传统理论物理，而是高度交叉的，结合了物理建模、计算机科学（特别是深度学习）和神经科学的前沿领域。并且，她已经在这样的顶级期刊上发表了论文，尽管是第三作者，但对于一个本科生（甚至可能是低年级）而言，这已是惊人的成就。
他想起她怀里抱着的《复杂网络：模型、结构与动力学》，以及她对自己算法问题一针见血的点拨。原来，那些并非泛泛的了解，而是与她深入研究的领域息息相关。复杂网络是描述许多系统（包括社交网络、神经网络、交通网络）的通用工具，而运动轨
本章未完，请点击下一页继续阅读！