宾夕法尼亚州立大学研究团队开发出名为ZENN(Zentropy-Embedded Neural Networks)的人工智能框架，通过将热力学熵理论嵌入神经网络，使人工智能能够区分科研数据中的有效信号与噪声干扰。该框架突破了传统模型对数据同质性的假设，在材料设计、生物医学研究等领域展现出显著优势，相关成果发表于《美国国家科学院院刊》(PNAS)。

传统机器学习模型在处理来自不同仪器或实验的异质数据时，常因分辨率、噪声水平差异导致准确性下降。材料科学与工程系教授刘子奎团队提出的ZENN框架，将量子力学与统计力学整合的Zentropy理论引入人工智能训练过程。数学教授郝文瑞解释："现实数据本质上是异质的，ZENN通过分解数据属性为‘能量’与‘固有熵’两部分，分别捕捉有效模式和噪声特征。"研究团队采用可调温度参数模拟热力学过程，使模型能自动识别数据来源差异，例如区分计算机模拟与实验测量数据。

在富铁铂合金研究中，ZENN成功重建了该材料加热收缩的自由能分布图，揭示了负热膨胀的热力学机制。材料科学与工程系博士后研究员王顺比喻："传统人工智能像阅读污渍文档时无法区分笔迹与污点，而ZENN能精准识别关键信息。"测试显示，该框架在数据质量波动时仍保持高鲁棒性，且能解释预测背后的物理原理，突破了"黑箱"模型的局限。

生物医学应用前景尤为广阔。研究团队指出，ZENN可整合阿尔茨海默病患者的脑影像、基因数据和临床记录，识别疾病亚型并追踪进展轨迹。该框架还适用于冷冻电镜分析、气候化石花粉研究及地理信息系统数据融合等领域。目前，宾夕法尼亚州立大学正推进ULTERA数据平台开发，计划将ZENN应用于医疗植入物设计和量子计算研究。刘子奎强调："人工智能不应仅发现规律，更要揭示机制，这才是推动科学进步的关键。"