科学计算相关 AI 资讯

7月9日

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科学计算神经网络

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

官方一手marktechpost@Asif Razzaq

Synthetic Sciences 发布了 OpenScience，一个采用 Apache-2.0 许可证的开源 AI 工作台。它支持任何前沿或开源模型，用户需使用自己的 API 密钥。OpenScience 自带超过 250 个可编辑技能和可查询的科学数据库，覆盖机器学习、生物学、物理学和化学领域。工作台可在用户自己的基础设施上运行完整的研究循环。

AI产品 OpenScience Synthetic Sciences AI工作台开源模型科学计算

推荐理由：Synthetic Sciences 出了个开源工作台 OpenScience，能连任何模型跑 ML、生物、物理、化学全流程，还有 250 多个现成技能模板，适合搞科研的人。

原文

7月5日

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 Science Anthropic 基因组学蛋白质组学科学计算

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

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5日

05:44

官方账号LangChain@LangChainAI

行业智能体科学计算 LangChain Benchling 研发自动化

推荐理由：科学研发团队终于有了具体的 AI 智能体落地案例——LangChain 和 Benchling 的对话直击实验自动化和数据整合痛点，做生命科学或研发自动化的开发者建议听听。

原文

6月3日

20:41

Philipp Schmid@_philschmid

Google DeepMind 发布了一套科学智能体技能合集，专为研究任务设计，涵盖基因组学、结构生物学、化学信息学、文献搜索等多个领域。该合集旨在帮助研究人员利用 AI 智能体自动化复杂的科学工作流程，提升研究效率。这些技能可以直接在 GitHub 上获取，为科学计算和生物信息学领域提供了新的工具。

AI产品智能体科学计算基因组学结构生物学 Google DeepMind

推荐理由：做科研或生物信息学的开发者终于有了现成的 AI 智能体工具库——覆盖基因组学、结构生物学等核心领域，可以直接拿来用，省去从零搭建的麻烦。

原文

5月29日

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 Claude Code Codex

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

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