thermodynamics

本文提出了一种符号机器学习方法，用于发现对Peng-Robinson状态方程的可解释修正，以预测烃-氮二元混合物的汽液相平衡，相较于原始状态方程提高了准确性。

一篇关于熵真正含义的深刻解释，将常见的“无序”比喻与使用掷骰子类比的概率解释进行对比。

本文提出了一种新颖的零样本数字孪生框架，该框架将实时视觉感知与几何无关、物理驱动的图神经网络相结合。该方法采用热力学驱动的图神经网络，强制执行能量守恒和熵产生，从而无需重新训练即可在未见过的几何体上实现物理准确的模拟。

这篇推文探讨了统计力学与人工智能之间的关系，并引用了一篇论文，该论文提出了机器学习系统的热力学理论，引入了温度、熵和能量等概念，将训练过程视为相变。

本文提出了一种智能的热力学度量，定义为'rare-valid lift'，并论证了递归自模拟对于高热力学智能是必要且近乎充分的，从而使智能可以在通用尺度上衡量。

这是一篇长达两万五千余字的科普文章，从熵的起源讲起，回顾了耗散系统理论的发展历程，并探讨了AI是否属于耗散系统的三层分析（硬件层、训练层、静态模型）。

提出了一种混合框架，将大型语言模型与热力学数据库及简化的动力学模型相结合，用于无机合成规划，并以铌-氧系统作为案例研究。