400-838-9662 发表指南 购物车（0）
目标检索
学术杂志 科普杂志 SCI杂志
当前位置： 首页 JCRQ1 期刊介绍(非官网)
Machine Learning-science And Technology

Machine Learning-science And Technology

SCISCIE

国际简称：MACH LEARN-SCI TECHN  参考译名：机器学习-科学与技术

  • 中科院分区

    2区

  • CiteScore分区

    Q2

  • JCR分区

    Q1

基本信息：
ISSN：2632-2153
E-ISSN：2632-2153
是否OA：开放
是否预警：否
TOP期刊：是
出版信息：
出版地区：ENGLAND
出版商：IOP PUBLISHING LTD
出版语言：English
出版周期：Quarterly
出版年份：2020
研究方向：Multiple
评价信息：
影响因子：4.2
CiteScore指数：6.7
SJR指数：0.872
SNIP指数：1.239
发文数据：
Gold OA文章占比：100.00%
研究类文章占比：97.82%
年发文量：321
自引率：0.0441...
开源占比：0.9936
出版撤稿占比：
出版国人文章占比：0
OA被引用占比：
投稿咨询 加急见刊
英文简介 期刊介绍 CiteScore数据 中科院SCI分区 JCR分区 发文数据 常见问题

英文简介Machine Learning-science And Technology期刊介绍

Machine Learning: Science and Technology™ is a multidisciplinary open access journal that bridges the application of machine learning across the sciences with advances in machine learning methods and theory as motivated by physical insights. Specifically, articles must fall into one of the following categories:

i) advance the state of machine learning-driven applications in the sciences,

or

ii) make conceptual, methodological or theoretical advances in machine learning with applications to, inspiration from, or motivated by scientific problems.

Particular areas of scientific application include (but are not limited to):

• Physics and space science

• Design and discovery of novel materials and molecules

• Materials characterisation techniques

• Simulation of materials, chemical processes and biological systems

• Atomistic and coarse-grained simulation

• Quantum computing

• Biology, medicine and biomedical imaging

• Geoscience (including natural disaster prediction) and climatology

• Particle Physics

• Simulation methods and high-performance computing

Conceptual or methodological advances in machine learning methods include those in (but are not limited to):

• Explainability, causality and robustness

• New (physics inspired) learning algorithms

• Neural network architectures

• Kernel methods

• Bayesian and other probabilistic methods

• Supervised, unsupervised and generative methods

• Novel computing architectures

• Codes and datasets

• Benchmark studies

期刊简介Machine Learning-science And Technology期刊介绍

《Machine Learning-science And Technology》自2020出版以来，是一本物理与天体物理优秀杂志。致力于发表原创科学研究结果，并为物理与天体物理各个领域的原创研究提供一个展示平台，以促进物理与天体物理领域的的进步。该刊鼓励先进的、清晰的阐述，从广泛的视角提供当前感兴趣的研究主题的新见解，或审查多年来某个重要领域的所有重要发展。该期刊特色在于及时报道物理与天体物理领域的最新进展和新发现新突破等。该刊近一年未被列入预警期刊名单，目前已被权威数据库SCI、SCIE收录，得到了广泛的认可。

该期刊投稿重要关注点：

Cite Score数据（2026年6月最新版）Machine Learning-science And Technology Cite Score数据

  • CiteScore：6.7
  • SJR：0.872
  • SNIP：1.239
学科类别 分区 排名 百分位
大类：Computer Science 小类：Software Q2 143 / 503

71%
大类：Computer Science 小类：Artificial Intelligence Q2 166 / 570

70%
大类：Computer Science 小类：Human-Computer Interaction Q2 73 / 196

63%

CiteScore 是由Elsevier(爱思唯尔)推出的另一种评价期刊影响力的文献计量指标。反映出一家期刊近期发表论文的年篇均引用次数。CiteScore以Scopus数据库中收集的引文为基础，针对的是前四年发表的论文的引文。CiteScore的意义在于，它可以为学术界提供一种新的、更全面、更客观地评价期刊影响力的方法，而不仅仅是通过影响因子(IF)这一单一指标来评价。

历年Cite Score趋势图

中科院SCI分区Machine Learning-science And Technology 中科院分区

《新锐期刊分区表》（2026年3月发布） 综述期刊：否 Top期刊：否
大类学科 分区 小类学科 分区
物理与天体物理 2区 COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE 计算机：人工智能 COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS 计算机：跨学科应用 3区 3区
期刊分区表（2025年3月升级版） 综述期刊：否 Top期刊：否
大类学科 分区 小类学科 分区
物理与天体物理 2区 MULTIDISCIPLINARY SCIENCES 综合性期刊 COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE 计算机：人工智能 COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS 计算机：跨学科应用 2区 3区 3区
期刊分区表（2023年12月升级版） 综述期刊：否 Top期刊：否
大类学科 分区 小类学科 分区
物理与天体物理 2区 COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE 计算机：人工智能 MULTIDISCIPLINARY SCIENCES 综合性期刊 COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS 计算机：跨学科应用 2区 2区 3区
期刊分区表（2022年12月升级版） 综述期刊：否 Top期刊：否
大类学科 分区 小类学科 分区
物理与天体物理 2区 COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE 计算机：人工智能 COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS 计算机：跨学科应用 3区 3区

中科院分区表 是以客观数据为基础，运用科学计量学方法对国际、国内学术期刊依据影响力进行等级划分的期刊评价标准。它为我国科研、教育机构的管理人员、科研工作者提供了一份评价国际学术期刊影响力的参考数据，得到了全国各地高校、科研机构的广泛认可。

中科院分区表 将所有期刊按照一定指标划分为1区、2区、3区、4区四个层次，类似于“优、良、及格”等。最开始，这个分区只是为了方便图书管理及图书情报领域的研究和期刊评估。之后中科院分区逐步发展成为了一种评价学术期刊质量的重要工具。

历年中科院分区趋势图

JCR分区Machine Learning-science And Technology JCR分区

2025-2026年最新版
按JCI指标学科分区 收录子集 分区 排名 百分位
学科：COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE SCIE Q2 87 / 210

58.8
学科：COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS SCIE Q2 70 / 185

62.4
学科：MULTIDISCIPLINARY SCIENCES SCIE Q1 26 / 140

81.8
学科：COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE SCIE Q2 75 / 210

64.52
学科：COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS SCIE Q2 78 / 185

58.11
学科：MULTIDISCIPLINARY SCIENCES SCIE Q2 37 / 140

73.93
2023-2024年最新版
按JCI指标学科分区 收录子集 分区 排名 百分位
学科：COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE SCIE Q1 36 / 197

82
学科：COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS SCIE Q1 23 / 169

86.7
学科：MULTIDISCIPLINARY SCIENCES SCIE Q1 15 / 134

89.2
学科：COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE SCIE Q1 43 / 198

78.54
学科：COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS SCIE Q1 40 / 169

76.63
学科：MULTIDISCIPLINARY SCIENCES SCIE Q1 21 / 135

84.81

JCR分区的优势在于它可以帮助读者对学术文献质量进行评估。不同学科的文章引用量可能存在较大的差异，此时单独依靠影响因子(IF)评价期刊的质量可能是存在一定问题的。因此，JCR将期刊按照学科门类和影响因子分为不同的分区，这样读者可以根据自己的研究领域和需求选择合适的期刊。

历年影响因子趋势图

本刊中国学者近年发表论文

  • 1、sFWI: physics-informed score-based generative modeling for robust full waveform inversio

    Author: Gai, Zicheng; Wang, Yanfei

    Journal: MACHINE LEARNING-SCIENCE AND TECHNOLOGY. 2026; Vol. 7, Issue 2, pp. -. DOI: 10.1088/2632-2153/ae55fb

  • 2、Enhancing transfer learning in angle-resolved photoemission spectroscopy (ARPES) with spatially-aware representations via graph convolutio

    Author: Sugiarto, Hendrik Santoso; Ekahana, Sandy Adhitia; Wijaya, Bryan Christofer; Winata, Genta Indra; Soh, Y.; Aeppli, G

    Journal: MACHINE LEARNING-SCIENCE AND TECHNOLOGY. 2026; Vol. 7, Issue 2, pp. -. DOI: 10.1088/2632-2153/ae3fe7

  • 3、UPD-Diff: a unified precipitation downscaling method based on multi-stream elucidating diffusion mode

    Author: Chen, Jiahan; Kong, Lingzhi; Cao, Yi; Zhong, Yuanzhi; Tang, Zhenfei; Li, Xinting; Yuan, Chengsheng

    Journal: MACHINE LEARNING-SCIENCE AND TECHNOLOGY. 2026; Vol. 7, Issue 2, pp. -. DOI: 10.1088/2632-2153/ae4da6

  • 4、Interpretable feature interaction via statistical self-supervised learning on tabular dat

    Author: Zhang, Xiaochen; Xiong, Haoyi

    Journal: MACHINE LEARNING-SCIENCE AND TECHNOLOGY. 2026; Vol. 7, Issue 1, pp. -. DOI: 10.1088/2632-2153/ae3104

  • 5、Machine learning-driven classification of natural disasters via parallel confidence fusio

    Author: Li, Hongru; Li, Xihai; Liu, Jihao; Wang, Yiting; Liu, Zhigang; Zeng, Xiaoniu

    Journal: MACHINE LEARNING-SCIENCE AND TECHNOLOGY. 2026; Vol. 7, Issue 1, pp. -. DOI: 10.1088/2632-2153/ae3c58

  • 6、Data-driven and self-supervised spectral operator learning methods for heat conduction equation with variable source function

    Author: Wu, Xiangyao; Liu, Ziyuan; Bai, Ruijie; Wu, Yuhang; Qian, Xu

    Journal: MACHINE LEARNING-SCIENCE AND TECHNOLOGY. 2026; Vol. 7, Issue 1, pp. -. DOI: 10.1088/2632-2153/ae3e38

  • 7、Error estimates for a physics-informed neural network in solving KdV equation

    Author: Guo, Jia; Liu, Ziyuan; Hou, Chenping

    Journal: MACHINE LEARNING-SCIENCE AND TECHNOLOGY. 2026; Vol. 7, Issue 1, pp. -. DOI: 10.1088/2632-2153/ae3c59

  • 8、High-resolution regional SST AI downscaling based on multi-mode inputs from nested ROMS simulation

    Author: Chen, Xiaodan; Zheng, Fei; Xia, Jiangjiang; Zhu, Jiang; Shu, Yeqiang; Liu, Danian

    Journal: MACHINE LEARNING-SCIENCE AND TECHNOLOGY. 2026; Vol. 7, Issue 1, pp. -. DOI: 10.1088/2632-2153/ae3054

投稿常见问题

通讯方式：IOP PUBLISHING LTD, TEMPLE CIRCUS, TEMPLE WAY, BRISTOL, ENGLAND, BS1 6BE。

同大类学科期刊导航

相关期刊推荐

热门期刊推荐