DGM 相关 AI 资讯 · AI 热点

7月28日

11:56

11:56

官方账号arXiv cs.LG@Justin Sirignano, Konstantinos Spiliopoulos, Samuel Cohen

这篇论文证明了对于一类半线性偏微分方程，使用梯度下降训练神经网络最小化PDE残差目标函数时，网络参数会全局收敛到PDE的解。研究针对Deep Galerkin Method和Physics Informed Neural Networks这两种主流方法，解决了长期存在的非凸目标函数可能只收敛到局部极小值的问题。论文结果覆盖了包含解及其一阶导数非线性的PDE类，为科学机器学习算法提供了数学基础。

论文 DGM PINN PDE

推荐理由：这篇论文给DGM和PINN的用户吃了定心丸：对于一类半线性PDE，梯度下降训练真的能收敛到正确解，不是只找到局部最优。

6月9日

11:45

11:45

官方账号arXiv cs.AI@Dun Li, Jiatao Li, Hongzhi Li

精选

这篇论文提出了 MetaAI 递归自设计的操作化证据框架，包含四个标准：可检查的目标系统、元级修改器、反馈导向选择和递归延续。作者将 DGM、STOP、Goedel Agent 和 ShinkaEvolve 等公开系统映射到该框架上，其中 DGM 提供了最直接的证据：经过 80 次迭代，SWE-bench Verified 从 20% 提升到 50%，Polyglot 从 14.2% 提升到 30.7%。消融实验表明开放探索和自我改进都有贡献。论文还提供了 MetaAI-Mini，一个基于 HumanEval 的可复现协议和代码库，但目前尚未包含完整模型运行结果。这项工作为 AI 自我改进提供了系统化的评估方法。

论文递归自设计 MetaAI DGM

推荐理由：做 AI 自我改进研究的团队终于有了可对照的评估框架——DGM 的 80 轮迭代提升数据值得参考，建议用 MetaAI-Mini 协议复现验证。