在无线通信领域，目前已有多个无线通信问题在尝试通过机器学习的方法来提高通信性能，但总体仍受限于以下几个方面：

1）缺乏性能及鲁棒性的保障；

2）需要大量数据来进行模型训练；

3）在应用到具体场景时，线下训练出来的基础模型并不能与实际应用场景匹配。

在此情况下，郑教授提出基于可解释性来分解量化神经网络模型，通过训练出有参数控制以及可插拔的模型，同时整合大量现有已训练好的模型，从而减少匹配应用过程中对数据和算力的要求，并提高训练结果的可重复应用能力。

针对生物医药领域现存的蛋白质分子仿真问题，利用深度神经网络模拟量子激发态以量化蛋白质功能，解决量子模拟的准确性和效率问题。

随着低空经济的迅猛发展，各类低空飞行器（如无人机、eVTOL等）在城市物流、应急救援、巡检监测等场景中的规模化应用，对底层通信、导航与监测（即“通导监”）基础设施提出了高度差异化且严苛的技术要求。然而，现有单一制式的地面通信网络（如4G/5G、卫星通信或专网系统）在覆盖能力、功能集成度等方面难以全面满足低空空域复杂动态环境下的综合业务需求。

在此背景下，本项目聚焦超高层建筑火灾应急救援场景，联合通信、导航、监测等领域的企业与科研机构，开展面向低空智能空域的“通导监一体化”系统研发。项目通过深度融合5G-A/6G先进通信、北斗高精度定位、多模态感知等核心技术，构建具备自适应组网、智能资源调度与多维态势感知能力的低空通导监融合网络架构。同时，依托真实场景数据，研发可迁移的神经网络模型，最终打造一套可复制、可扩展、支持多行业应用的低空智能通导监基础平台，为低空经济高质量发展提供核心支撑。