AITOP

科学计算

共 14 条相关 AI 资讯
7月29日
03:13
03:13elvis@omarsar0
精选
OpenAI的推文指出编码代理可帮助科学家处理从日常维护到系统重新设计等任务，提高研究效率。但研究者仍需自行定义科学问题、验证结果并承担长期所有权。代理虽能可靠执行复杂项目，但专业知识和人类判断仍然关键。
行业OpenAI编码代理科学计算
事件专题
推荐理由：这篇推文点出了代理工具的实际应用边界——能干活，但还做不到完全自主科研，专家的引导和把关依然重要。
原文
01:27
01:10
01:10官方一手OpenAI Blog（博客/媒体）
精选
OpenAI发布了一项新报告，展示科学家如何利用AI编码智能体现代化科学计算。报告指出，这些智能体在基因组学等领域加速了软件开发和科学发现。该方法专注于自动化编码任务，提升计算效率。
行业OpenAI编码智能体科学计算
事件专题
推荐理由：OpenAI发的报告，告诉你科学家怎么用AI编码智能体让科学计算更快，尤其是基因组学，不是空谈。
原文
7月23日
10:39
10:39量子位@量子位的朋友们
太初元碁与上海人工智能实验室联合举办AI4S和新型模型架构算子优化赛。比赛聚焦AI for Science（AI4S）与算子优化，旨在推动科学计算领域的模型架构创新。参赛者需针对特定场景优化算子性能。
行业太初元碁上海人工智能实验室AI4S
推荐理由：太初元碁和上海AI实验室办了AI4S算子优化比赛，搞科学计算和模型优化的朋友可以冲一下。
原文
7月21日
11:58
11:58官方账号arXiv cs.LG@Kaiyuan Tang, Maizhe Yang, Chaoli Wang
EVOLVE是一个基于自编码器的体数据压缩框架，针对高压缩比下的离线压缩优化。该框架构建了包含6,376个体数据的跨领域数据库，覆盖21项科学模拟，并通过感知哈希确保多样性。其可学习增益机制和三阶段训练策略使单一模型能在推理时连续调整压缩比。在多个未见过的科学模拟数据集上，EVOLVE在同等重建质量下实现比传统压缩器更高的压缩比，压缩速度比基于隐式神经表示的方法快数个数量级。
论文EVOLVE自编码器体数据压缩
推荐理由：这篇论文提出了EVOLVE，用自编码器压缩科学体数据，压缩比高还支持变码率，比传统方法强很多。
原文
7月17日
22:07
22:07IT之家（博客/媒体）
精选
7月17日，在2026世界人工智能大会（WAIC）上，国家超算互联网发布科学计算智能体生态共创与开发者招募合作计划，为期半年。加入者可享受基于全国首个十万卡AI超集群（曙光8000）的算力、数据、工具全栈配套，并获现金+词元多元化激励。平台已汇聚1.6万余项内容组件，包括超万项技能、5000余项MCP工具及350余个智能体。中科曙光打造的十万卡AI超集群“曙光8000”也在WAIC真机亮相，支持科学计算、大模型训练等场景。
行业国家超算互联网曙光8000智能体
推荐理由：想免费调用全国首个十万卡AI超集群？国家超算互联网正在招募科学智能体开发者，有算力、有现金激励，做科学计算或AI的开发者别错过。
原文
7月9日
09:47
09:47官方账号arXiv cs.LG@C G Krishnanunni, Thomas Scott, Tan Bui-Thanh
本研究提出基于后验误差估计的神经网络深度自适应方法，将训练建模为连续时间最优控制问题，推导误差分布到各层的严格上界。通过双加权残差方法获得可计算误差指示器，在累计误差最大处插入新层。在Navier-Stokes方程的科学数据集上，该方法在泛化性能上优于现有架构自适应方法。
论文最优控制误差估计自适应架构
推荐理由：这篇论文搞了个新路子，用误差估计自动告诉你该在网络的哪一层加更多神经元，在流体力学数据上比现有方法都强。
原文
7月6日
13:09
7月5日
00:27
00:27官方一手marktechpost@Michal Sutter
71°
Anthropic 于 2026 年 6 月 30 日推出 Claude Science beta，基于现有 Claude 模型运行。系统包含一个协调代理、多个领域专家代理和一个审查代理，可自动修正引用和数字。每个图表都附带完整代码、环境和消息历史。它支持本地机器、SSH 上的 HPC 以及 Modal 的计算管理，可连接 60 多个数据库和 NVIDIA BioNeMo 技能。
AI产品Claude ScienceAnthropic基因组学
事件专题
推荐理由：Anthropic 出了个 Claude Science，能组多个 AI 专家帮你跑基因组、蛋白质组分析，还自动检查引用和数字，连 60 多个数据库和 BioNeMo 都能用。
原文
6月16日
11:05
11:05官方账号arXiv 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
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5日
05:44
6月3日
20:41
5月29日
09:17
09:17官方一手arXiv: 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
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
09:58官方账号arXiv 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
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