标签
该论文提出 Continuum-LM，将预训练残差变换复用为连续深度语言模型中的动力学算子，通过 ODE 数值积分控制计算量，在八项科学任务上较离散基线分别在 0.6B 和 1.7B 规模提升 7.77 和 10.96 个百分点的平均准确率。
该论文提出了运动学插值器（Kinematic Interpolants, KI），这一框架将随机插值器扩展到从包含位置和速度测量的相空间快照中推断非线性动力学，在多个科学数据集上以远少于以往的训练时间实现了更优的重建效果。
我们提出 SALTO，这是一种基于 Koopman 的提升转移算子框架，将学习得到的动力学锚定于模拟器的线性化传播算子，从而在三个非线性偏微分方程系统中，仅以反复运行非线性求解器所需成本的一小部分，即可实现精确的有限振幅源项反演和类伴随灵敏度计算。
提出 Primal-Dual Flow Matching (PDFM)，一种通过原始-对偶优化实现样本级约束满足的生成方法，仅需二元成员预言即可直接控制约束满足率，并在保持分布保真度的同时优于标准流匹配基线。
本文提出了阈值感知保形路由（Threshold-Aware Conformal Routing，TACR）方法，该方法学习与输入相关的区间尺度，以判断神经代理模型何时可以替代昂贵的科学模拟器，在保持无分布边际覆盖保证的同时，将模拟器的回退调用次数减少了14%至75%。
本文提出了 ACES（自适应覆盖感知高效采样）框架，这是一种用于隐式神经表示的结构化采样方法。该框架通过自适应空间划分将区域覆盖与重要性加权解耦，从而在科学场学习任务上实现更快的收敛速度和更低的误差。
该论文提出了 ReRoute，一个用于科学仿真器中反事实"what-if"预测的框架。它将事实数据与部分机制知识相结合——无需受控干预数据——在 CO2 分布偏移下可将气候误差降低 18.2–31.8%。其因果识别结果已在 Lean 中通过机器验证，并应用于平流—扩散系统、耦合气候仿真以及基于 ERA5 训练的仿真器。
论文提出了自动诊断与技能发现（ADSD）框架，教会 AI 智能体诊断数值求解器表现不佳的原因，并进一步发现可复用的求解器技能，在电力潮流基准上实现了最高达 71 倍的误差降低，且能迁移到未见过的电网拓扑结构。
本研究通过提出一种双分支、频谱门控架构（DBSG-PINN），探讨了频率分解对物理信息神经网络（PINNs）的益处。在一维偏微分方程基准测试上的消融实验表明，频率分解在频谱复杂问题上最为有效，可将误差降低高达59.2%。
本文介绍了一种针对神经PDE算子的'错误物理后门'投毒攻击，其中触发输入导致模型为替代物理参数输出有效解，揭示了可重用求解器存档中的关键安全漏洞。
本文提出了NeTMY，一种免摊销的坐标神经场，用于NV色心量子传感中的逆问题，通过使用校正的前向模型和稀疏重建损失来克服中心坍塌病理。
本文介绍了 MuFiNNs，这是一种层次化多保真度神经网络框架，旨在利用稀疏的实验数据预测三维火焰皱褶度和湍流燃烧速度。该方法将低保真度的物理趋势与高保真度修正相结合，从而在数据有限的燃烧状态下实现稳健的预测和外推。
本文建立了神经算子的定量 Sobolev 逼近界，证明了算子可以以显式的复杂度-误差关系进行一致逼近。通过在 Burgers 方程上对 Fourier 神经算子（FNOs）进行验证，展示了 Sobolev 空间逼近理论能够准确预测其缩放行为。
本文介绍了 MeLISA，这是一种无需潜变量的自回归生成代理模型，用于预测高维物理动力学。该模型利用像素空间的 MeanFlow 实现高效的单步生成。与神经算子相比，MeLISA 在湍流基准测试中展现出更优越的长程统计精度和推理速度。