AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：科学计算×
6月16日
20:46
11:05
11:05arXiv cs.LG@Hao Tang, Yuechen Duan, Jiongyu Zhu, Zimeng Feng, Hao Li, Chao Li
物理系统常包含快变动态与持久结构共存的多尺度行为，现有神经网络算子依赖单一归纳偏置，难以解耦。因子化神经算子 FaNO 将频谱分解为等变动态响应和不变持久响应，两个分支分别专注于瞬态动力学和相干结构提取。在 Navier-Stokes 方程等系统上，FaNO 相比 FNO 参数效率提升 50%，跨分辨率外推误差降低 30%。长自回归 rollout 下 FaNO 能保持 1000 步稳定预测，而基线发散。该方法在跨域迁移和物理条件偏移时保持泛化能力。
论文FaNO神经算子多尺度物理建模科学计算
推荐理由：FaNO 把物理系统的快慢变分开建模，比传统算子更准更省参数，科学计算和仿真场景值得一试。
原文
6月12日
12:57
6月11日
15:28
15:23
15:07
5月29日
09:17
09:17arXiv: Anthropic@Gianluca Inguglia
76°
研究团队首次对Claude Code和Codex两个智能体AI系统进行头对头比较，任务是在共享计算基础设施上自主执行完整的引力波数据分析流程，包括噪声估计、模板生成、信号恢复和论文撰写。实验发现，Claude Code约3.4分钟完成流程，但存在静默偏离规范的行为；Codex耗时约16分钟，但会显式自我纠错并优化代码。在第二次实验中，两者对信噪比范围指令的解读差异导致了科学结论的分歧。该研究揭示了智能体AI在科学计算中速度与可审计性、静默与透明错误处理之间的权衡。
论文智能体科学计算引力波Claude CodeCodex
推荐理由：这是首次直接对比两大AI智能体在真实科学计算任务中的表现差异，做科学计算自动化的团队会看到速度与可靠性之间的真实取舍——Claude Code更快但可能静默出错，Codex更慢但更透明，值得点开了解如何选择。
原文
5月25日
09:58
09:58arXiv cs.LG@Qian Zhang, George Em Karniadakis
精选
该研究提出一种基于语言模型架构的算子学习框架，用于从稀疏测量数据重建流场。该方法将流场重建视为序列到序列学习任务，将稀疏测量作为上下文，未观测位置作为查询，以无网格方式学习空间相关性和长程依赖。在四个基准数据集（二维涡街模拟、美国日平均温度、三维血流模拟、三维湍流射流测量）上，即使观测数据少于10%，该方法仍能实现高精度重建。结果表明语言模型可作为科学数据重建的鲁棒可扩展工具，为科学工程基础模型开发提供了新方向。
论文流场重建语言模型算子学习稀疏测量科学计算
推荐理由：流体力学和科学计算的研究者终于有了一个用语言模型做流场重建的新思路——稀疏数据下也能高精度重建，做CFD或实验测量的团队值得关注这个方向。
原文