背景介绍 二维材料（2D materials）因其独特的物理化学性质，在纳米电子学、光电子学等领域展现出巨大的应用潜力。然而，这些材料在纳米尺度上的结构扰动（structural perturbations）对其性能有着重要影响。传统的表征方法如拉曼光谱（Raman spectroscopy）虽然能够提供材料的结构信息，但其空间分辨率通常受到衍射极限的限制，难以在纳米尺度上精确探测结构变化。为了解决这一问题，研究者们开始探索将机器学习（machine learning, ML）与光谱技术结合，以提高空间分辨率并揭示纳米尺度的结构扰动。 本研究由来自Hanyang University、Sungkyunkwan University、Korea Advanced Institute of Sc...

基于SHAP的电力价格预测模型改进研究及其可解释性分析 背景与研究动机 电力市场中的价格预测模型近年来成为研究热点，尤其是考虑到电力市场波动对利益相关方的财务影响。特别是，在欧洲能源市场中，受能源危机和地缘政治影响，最近几年燃料价格急剧上升，导致电力市场的价格波动性显著增加。即使是1%的预测误差，也可能对发电公司、负荷服务实体和交易公司产生巨大的财务后果。例如，对于用电量达到1GW的公司而言，仅1%的预测改进便可带来每年约1200万美元的节省。因此，提高电力价格预测（Electricity Price Forecasting，EPF）模型的精准度对市场参与者来说至关重要。 虽然基于机器学习（Machine Learning，ML）和深度学习（Deep Learning）技术的EPF模型在预测...