2025 Regeneron ISEF大奖-SOFT系统软件获奖作品汇总-4

最新官方消息！全球科创天花板赛事——国际科学与工程大奖赛（Regeneron ISEF），现已正式公布了2026年总决赛的举办时间和地点。这场汇聚全球青年创新力量的科技盛宴，将于2026年5月9日至15日，在美国亚利桑那州凤凰城会议中心（Phoenix Convention Center, Arizona）璀璨启幕。

2026ISEF赛事安排

参赛资格

年龄与年级：9-12年级学生（或同等学历），参赛时年龄不超过20岁。

地区选拔：必须通过附属赛（Affiliated Fair）晋级，无法直接报名。中国学生需先参加国内选拔赛（如青创赛、明天小小科学家等）。

团队项目：最多3人，所有成员需满足资格且共同参赛。

项目要求

原创性：项目必须由学生独立完成，允许在专家指导下进行，但不得代劳。

学科范围：涵盖21个学科类别，包括工程、生物、化学、计算机、环境科学等。

伦理限制：涉及人类、脊椎动物、病原体等研究需提前提交额外审查表（如ISEF Forms）。

关键文件与截止时间

ISEF表格：根据研究类型提交相应表格（如1C、2、3等），需在地区赛前完成审核。

摘要与研究论文：英文撰写，清晰描述研究目的、方法、结论。

地区赛截止：2026年3-4月

其他注意事项

展示材料：展板需符合ISEF尺寸要求（通常宽48英寸、深30英寸、高108英寸），禁止活体样本或危险品。

知识产权：部分研究可能需申请专利后再参赛，避免披露风险。

为了方便同学们更好的备赛，特别整理了ISEF-SOFT系统软件2025获奖作品方便学习

SOFT047 - 灰斑病深度学习检测系统

由玉米尾孢菌（Cercospora zeae-maydis）和玉米尾孢菌（Cercospora zeina）引起的灰叶斑病（GLS）对玉米生产构成重大挑战，每年造成数十亿美元的经济损失。传统的灰叶斑病严重程度评估方法存在诸多局限性，例如劳动密集、主观性强以及经常出现误差。本研究探索了深度学习在灰叶斑病严重程度自动化评估中的应用，重点比较了基于YOLOv8计算机视觉模型和U-Net卷积神经网络（CNN）的多模型检测框架与人类专家在准确性和一致性方面的性能。首先利用YOLOv8模型提取叶片区域和病害类型，然后利用U-Net CNN模型分割灰叶斑病病斑并计算严重程度百分比。模型训练使用了PlantVillage和Corn Disease & Severity数据集，这些数据集包含感染各种病害的玉米叶片。模型生成的GLS严重程度评估结果显示出很强的相关性，并且一致性甚至高于专家的人工评估，这使其成为一种可靠的自动化病害评估工具。第三个LLM模型被整合用于田间应用，该模型基于前两个模型的数据，并结合来自多个叶片和植株的综合病害评分，提供量身定制的管理策略。索引和时间序列算法可用于预测产量影响。未来的研究将着重于将机器学习方法与田间和温室应用相结合，并探索其在其他植物病害中的应用。

SOFT049 - 新型基于 RL 的噪声自适应 QC 优化

由于现代量子硬件固有的噪声和易出错特性，优化量子电路（QC）布局是量子计算领域的一项根本性挑战。现代工业优化工具通常忽略器件的校准波动，导致次优解和执行过程中错误率的增加。为了解决这个问题，本项目提出了首个基于强化学习（RL）的算法，该算法能够适应量子器件的校准偏移和硬件约束。该算法在一个基于在线学习的环境中进行训练，该环境使用基于真实校准数据（例如“ibm_torino”）构建的自定义噪声，持续更新量子比特错误率、相干时间和连接性约束，并在每个时间步动态更新这些噪声。利用自定义奖励函数，该算法能够优化量子电路，使其满足相干性和连接性约束，降低电路的整体深度，并保持较高的状态保真度。利用蒙特卡罗验证，所开发的算法在优化质量控制电路时，实现了深度降低 49.34% (p = 0.0004) 和保真度提升 50.30% (p = 0.0021)。与标准优化工具（Qiskit Optimizer Level 3、PassManager、Tket、PyZX）进行基准测试时，该算法在随机电路上的性能平均比每种工具高出 79.03% (p < 0.0001，样本量 = 30)。本项目成功实现了：1) 一种新型的质量控制优化工具，该工具能够考虑校准偏移，并且比现有算法的成本效益高 125-300 倍；2) 一个基于在线学习的、用于未来算法开发的真实环境。本项目最终发现并解决了该领域专家忽略的一个问题，取得了突破性成果，并朝着更具容错性的计算方法迈进了一步。

SOFT052T - 共同手语

患有肌萎缩侧索硬化症 (ALS) 或瘫痪等疾病的人士，由于言语和行动受限，在沟通方面常常面临巨大障碍。这些挑战亟需创新解决方案，以帮助他们恢复与他人有效互动的能力。本项目提出了一种名为“CO-sign Language”（协同手语）的革命性沟通系统，旨在帮助言语和行动受限或完全丧失能力的人士。该系统完全基于眼动模式开发了一种全新的语言，并训练了一个人工智能模型，能够实时将这些模式转换为语音。为了防止误判，提高准确性，我们还创建了第二个模型，该模型能够区分有意和无意的眼动。此外，系统还添加了自动完成和自动纠错等功能，以实现更快捷的沟通，预测用户即将输入的内容，并在用户眼动时提供完整的单词建议。目前，我们正在开发第三个模型，用于根据上下文构建完整的句子。为了方便用户使用，我们构建了一个可穿戴原型，其外形类似智能眼镜，内置摄像头、树莓派开发板和扬声器，并配备了增强现实显示功能。我们对15名聋人、15名听力正常人士和1名晚期肌萎缩侧索硬化症（ALS）患者进行了CO-sign Language测试，以评估其每分钟字数（WPM）、实际使用准确率和用户体验。该系统达到了每分钟20个字的字数，准确率高达98.8%。此外，用户对该系统表示满意，认为其易于使用。CO-sign Language是辅助技术的一大进步，它仅通过视觉就能为人们提供表达能力。

SOFT057 - 使用新颖的 C^2-LSTM 架构的 HM-Detect

心脏杂音是由湍流血流产生的异常声音信号，与特定的心脏结构性疾病密切相关。目前的杂音分析方法仅关注杂音的检测，而忽略了杂音特征（例如时间）对于心脏疾病诊断的重要性。为了应对这一挑战，我开发了HM-Detect，这是一种全新的方法，它不仅能够检测心脏杂音，还能通过信号处理和机器学习技术准确地表征其特征（时间、位置等）。该方法融合了多项关键创新。首先，它使用一组新的组合声音特征——滤波器组能量和频谱子带质心——来分析心音。这些特征及其统计矩被用作构建机器学习模型的输入，该模型能够捕捉心音的时变特性。受基频心音和杂音中多种频率模式的启发，我们开发了一种突破性的“多模态”长短期记忆（C²-LSTM）神经网络架构，用于检测和分类杂音特征。最后，C²-LSTM 使用两个记忆通道，有效抑制了不同频率模式信号中出现的不必要的相互依赖性。HM-Detect 方法在临床验证的 CirCor DigiScope 数据集上进行了验证，性能准确率达到约 90%，F1 分数为 0.91，测试准确率为 87%。此外，C²-LSTM 架构已被推广到具有 n 个记忆通道，并相应地称为 Cⁿ-LSTM。Cⁿ-LSTM 为处理任意数量独立频率模式的信号奠定了基础框架。

ISEF历年获奖作品集&解析&资料免费下载⬇️