09:48arXiv cs.LG@Xiang Rao, Yuxuan Shen精选研究者提出QCPIKAN,这是首个量子-经典物理信息Kolmogorov-Arnold网络,采用Chebyshev多项式KAN层和参数化量子电路。理论证明该设计能使高频误差以指数率收敛,并有效抑制数值色散。在三种典型渗流场景(单相流、组分输送、两相流)中验证。相比现有量子-经典物理信息神经网络,QCPIKAN在全局预测精度、局部误差控制、动态演化跟踪和位移前沿定位上表现更优。AI模型QCPIKANKAN量子经典混合物理驱动网络PDE求解推荐理由:这篇论文发布了QCPIKAN,首个混合量子经典PDE求解器,用Chebyshev KAN层加速收敛,渗流模拟精度远超市面同类。原文
AITOP5月29日 08:02Opus 4.8发布:编程助手的“静默时刻”,是解放开发者,还是新门槛?🔥Anthropic 把 AI 编程的“确认键”彻底删掉了!Claude Code 搭载全新 Opus 4.8 模型,长时间任务不跑偏、不废话、不中断,像一个资深工程师一样默默干活,从功能开发到漏洞清扫全包圆,你在旁边喝茶等结果就行。过去 AI 写代码三步一问“这样可以吗”,现在它直接交完整交付物……自主编程的最后一层窗户纸,被捅破了。做自动化开发和代码审查的团队,这个模型建议直接上手,效率差距肉眼可见……
13:26arXiv cs.LG@Zhonghao Li, Chaoyu Liu, Qian Zhang精选Di-BiLPS 是一种新型神经网络框架,专门解决在观测数据极度稀疏(低至3%)时偏微分方程(PDE)的正向和逆向问题。它结合了变分自编码器压缩高维输入、潜变量扩散模块处理不确定性,以及对比学习对齐表征,所有操作在紧凑的潜空间中进行,大幅提升推理效率。实验表明,在多个PDE基准上,Di-BiLPS在极稀疏输入下达到最先进性能,同时计算成本显著降低。此外,该框架支持零样本超分辨率,可在连续时空域进行预测。论文PDE求解稀疏观测潜变量模型扩散模型零样本超分辨率推荐理由:PDE求解在稀疏观测场景下一直是个难题,Di-BiLPS用潜空间扩散和对比学习解决了精度和效率的双重瓶颈。做科学计算或物理模拟的开发者,尤其是处理传感器数据稀疏的团队,值得关注这个新范式。原文