全部 AI 动态 · AI 热点

6月19日

09:48

arXiv 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 QCPIKAN KAN 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

6月16日

20:46

AITOP6月16日 20:46

600亿美元买下Cursor，xAI终于拿到了编程工具，但真正值得跟踪的或许不是AI

6月12日

12:57

AITOP6月12日 12:57

Claude代码里藏了个20260612，18个月后的AI记忆革命已经开始倒计时

6月11日

15:28

AITOP6月11日 15:28

1107 vs 303：谷歌悄悄开源了一个“拆打字机”的模型，把大模型速度翻了4倍

15:23

AITOP6月11日 15:23

DiffusionGemma颠覆文本生成？自回归模型的“统治”要结束了

15:07

AITOP6月11日 15:07

每秒1107个token，Google开源的扩散模型为什么能改变本地推理格局？

6月9日

13:04

arXiv cs.AI@Lennart Bastian, Samuel Leventhal, Mustafa Hajij, Tolga Birdal

研究人员提出拓扑神经算子（TNOs），一种在细胞复形上进行算子学习的框架。TNOs 将数据表示为不同维度细胞上的特征，通过离散外微积分建模其相互作用，支持梯度、旋度和散度类型的跨维度耦合。其核心设计是将信息流动（由固定拓扑算子控制）与信息变换（可学习）解耦，从而尊重物理量的几何支撑并暴露守恒与兼容结构。进一步提出的层次化 TNOs（HTNOs）通过学习的粗化复形传播长程和拓扑依赖信息。在多个 PDE 基准测试（包括不规则几何流问题）中，TNOs 和 HTNOs 提升了精度，并证明了原生高阶和拓扑结构的优势。

论文算子学习拓扑神经算子 PDE求解细胞复形离散外微积分

推荐理由：做科学计算和 PDE 求解的团队，终于有了一个能自然处理复杂几何和拓扑结构的算子学习框架，比传统 NO 更准，值得一试。

原文

6月3日

10:40

arXiv cs.LG@Niccolò Perrone, Fanny Lehmann, Stefania Fresca, Filippo Gatti

神经算子代理（NO）能比数值求解器快数个数量级地近似偏微分方程解，但存在谱偏差：高频成分被系统性地衰减，限制了其在需要精细尺度结构场景下的可靠性。稀疏传感器测量虽能提供无谱畸变的逐点精度，但仅覆盖小部分区域。本文提出FreqNO-DPS框架，将NO预测作为扩散后验采样中的辅助观测，结合基于分数的扩散先验和稀疏观测条件，并通过闭式谱整形引导分数避免重新引入偏差。在3D弹性波场预测中，5%和2%传感器覆盖率下，该方法在所有频带达到近零谱偏差，而单独使用代理或传感器均显示高频衰减。该框架仅需成对代理/参考数据，无需问题特定结构。

论文神经算子谱偏差扩散后验采样 PDE求解稀疏观测

推荐理由：做物理模拟或PDE求解的团队终于有了解决高频细节丢失的实用方案——FreqNO-DPS用扩散模型校正神经算子的谱偏差，在稀疏观测下也能恢复全频带精度，建议做科学计算或工程仿真的直接试。

原文

6月1日

10:14

arXiv cs.LG@Jiefang Xiao, Maolin Gao, Simon Weber, Guandao Yang, Daniel Cremers

本文提出 Functional Attention，一种将 Transformer 注意力机制重新解释为自适应基函数之间函数对应关系的方法。受几何函数映射启发，该方法用结构化线性算子替代 softmax 亲和度，从而获得紧凑、可泛化、分辨率不变的表示，显式捕捉全局依赖。实验表明，在求解 PDE、3D 分割和回归等算子学习任务中，Functional Attention 达到最先进性能，且对不同离散化方式保持鲁棒。项目代码已开源。

论文算子学习注意力机制函数对应 PDE求解 3D分割

推荐理由：做算子学习或 PDE 求解的团队，终于有办法让 Transformer 不再把连续场当离散 token 处理了——Functional Attention 用函数对应替代 token 注意力，既提升泛化又保持分辨率不变，值得一试。

原文

5月14日

13:26

arXiv 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