深度分析
格論與數學形態學框架下的深度捲積：MMBB 表徵與 UResNet 設計
研究從格論與數學形態學出發，重構CNN、ResNet與UNet等卷積架構的代數基礎。論文把卷積、ReLU與最大池化分別對應為不同格上的侵蝕、聯結關閉與膨脹，並證明標準CNN堆疊非冪等，解釋深度帶來的表徵力。研究還辨識三類冪等形態學層，並提出UResNet以開閉殘差重建尺度結構。
卷積神經網路
深度分析
從名義深度到有效深度：VGG、ResNet 與 GoogLeNet 的架構與訓練表現分析
本研究在受控條件下比較VGG、ResNet與GoogLeNet的卷積深度效應。以名義深度與有效深度區分，評估準確率、收斂行為與計算成本。結果指出有效深度而非名義深度決定性能，殘差與Inception結構能把深度轉化為實際收益。這說明設計能縮短有效通道比單純增加層數更關鍵。
深度分析
多代理系統 Cmbagent 助力天文弱透鏡參數推斷的技術實踐
本研究針對 FAIR Universe 弱透鏡挑戰賽，提出以 Cmbagent 多代理系統自動生成與優化參數推斷管線。系統結合研究構想、程式碼生成與結果評估，並在人工介入後取得第一名成績，顯示半自動代理能與專家抗衡。
NVIDIA PhysicsNeMo
深入實作 NVIDIA PhysicsNeMo：從環境建置到 2D Darcy 流動的 FNO 與 CNN 代理模型
本篇說明在 Colab 中建置 NVIDIA PhysicsNeMo，使用 2D Darcy 流動作為基準，產生滲透率與壓力場資料，並訓練 Fourier Neural Operator 與卷積代理模型。透過視覺化與推論基準測試，展示物理感知機器學習在科學模擬上的可行性與效能提升。