标签
Emscripten-forge NumPy包现在在WebAssembly中集成OpenBLAS，使浏览器中的float32矩阵操作速度提升最高30倍。
本文评估了人工智能在27个科学领域中与传统统计学和科学计算的性能对比，发现人工智能通常在更高计算成本下优于统计学，但在更低计算成本下日益优于科学计算，从而重塑了科学前沿。
本文介绍了拓扑作为神经算子在PDE求解中的一个独立泛化维度，利用霍奇热流和TopoBox-3D框架来展示其在霍奇谱上超越几何兼容性的影响。
HarmoCore 引入了一种功能性潜扩散方法，用于从稀疏传感器数据中重建振荡波场，在二维和三维场景中以最小感知实现了效率和精度的显著提升。
本文提出了GeoLAMP，一种几何感知的潜变量自回归生成模型，用于在复杂几何结构中求解多物理场偏微分方程，采用双编码器架构和因果自注意力变换器结合流匹配，以实现稳定且可扩展的预测。
本文追溯了Julia编程语言的起源，从MIT的一个研究项目发展成为全球超过百万人使用的工具，并重点介绍了JuliaHub推出的Dyad 3.0，这是一个用于自动化工程仿真的AI平台。
本文提出了一种用于物理信息神经网络（PINNs）的基于物理信息的错误场学习（PIEFL）框架，引入辅助错误网络以提高在计算约束下求解部分微分方程（PDEs）的解的精度。
本文介绍了一种物理集成的算子学习框架，使用前馈高斯溅射表示来直接纳入PDE算子，减少时空系统长期自回归预测中的误差。
本文提出一种利用共享物理响应对部署中的神经算子模型进行排序的方法，无需真实参考解即可在科学计算应用中达到高精度。
本文介绍了一种用于DeepONet代理模型的有理增强Chebyshev主干，提高了模拟具有薄边界层的高Péclet输运问题的准确性。
本研究系统评估了用于流体动力学的物理信息神经网络技术，表明将周期性激活与因果加权相结合可提高Navier-Stokes涡脱落基准测试的性能，而进一步添加则因非线性交互作用而导致性能下降。
本文提出了 Fourier Feature Networks (FENs)，一种使用傅里叶特征求解偏微分方程的单隐藏层神经网络架构，其精度高于无需仿射变换的 Extreme Learning Machines。
PIKFNO是一个新的可解释神经算子框架，它整合了来自控制方程的物理信息核函数，以在有限训练数据下提升预测准确性和可解释性。
RECAST是一个机器学习框架，结合了学习校正与超分辨率技术，以恢复粗网格PDE求解器的精度，在六个一维PDE系统上将误差降低50-92%，从而能够在保持保真度的同时使用更粗的网格进行模拟。
Basin 是一个面向 Rust 的数值优化库，提供广泛的求解器目录、一流的约束支持，以及默认支持 WebAssembly 的构建。
本文介绍Distribird，一个智能体Web应用，通过搜索和阅读科学文献来自动设计贝叶斯模型校准的信息性先验分布。文章使用本地开放权重LLM在十个领域的24个参数上评估了该工具，强调可追溯性、隐私性和范围外拒绝，而非原始准确率。
Agent-MD是一个框架，选择性地将LLM推理应用于长期分子模拟活动，使用确定性规则型代理处理常规任务，并对异常情况采用事件触发的LLM审查。在GCMC–MD水蒸气解吸模拟中的演示表明，可审计、可复现的科学工作流可以避免将每项操作都置于LLM推理循环中。
一位软件工程师反思科学家往往缺乏软件工程技能，以优化天体物理学模拟后处理工具为例，倡导为科学家开设一门类似“Missing Semester”的课程。
EvoPINN 是一个智能体式框架，将 PINN 开发重新表述为基于执行验证的算法发现问题，利用 LLM 智能体提出程序化修改。它能够自主发现针对 PDE 特化的学习算法，包括一种名为 SLRC-PINN 的新型架构，该架构在多种 PDE 场景中均优于基线方法。
OpenAI 强调编码智能体如何协助科学家完成研究任务，例如日常维护和优化，同时指出研究人员仍需要定义科学问题并验证结果。