★ 3
EvoSim:自演化 AI 科学家实现物理建模
论文提出 EvoSim 自演化 AI 科学家,利用实验差异驱动机制与方程修订,并用留出实验数据检验物理合理性。在两项工业电池建模任务中,其锂金属析出预测平均绝对误差为 1.79%,动态电压预测 RMSE 为 7.62 mV,超越人类专家模型,自演化使模型与物理误差较基线降低约 36%。
arXiv cs.AI24 天前
共 5 篇相关资讯,按重要度与时间排序,每 3 小时更新。
论文提出 EvoSim 自演化 AI 科学家,利用实验差异驱动机制与方程修订,并用留出实验数据检验物理合理性。在两项工业电池建模任务中,其锂金属析出预测平均绝对误差为 1.79%,动态电压预测 RMSE 为 7.62 mV,超越人类专家模型,自演化使模型与物理误差较基线降低约 36%。
论文针对高斯过程分布式端口哈密顿系统(GP-dPHS)中标准平稳核效率低的问题,提出结构感知核:剔除无关状态坐标,并用张量积协方差解耦状态与空间依赖。非线性弦实验显示结构解耦稳定提升重建精度,匹配空间剖面的核在力场与轨迹重建上收益更大。
清华大学特等奖学金得主、GeoPT 论文第一作者宣布 AI 创业,方向为具备物理建模能力的世界模型。该项目从物理世界模型切入,属于近期世界模型创业潮中的新案例。
论文提出 MintFlow,一种免训练的约束采样框架,将约束施加建模为对预训练流轨迹的最小干预。通过伴随公式得到扰动的闭式解,避免昂贵的迭代优化,并自适应选择干预时机。在生成视觉与物理系统建模任务中,MintFlow 在满足约束的同时显著更好地保留预训练生成分布。
研究提出StationPDE,一种面向站点的地表偏微分方程学习模型,从离散站点观测构建地形感知的连续地表场,将物理演化分解为地表风输运与高空推断。模型用可学习水平扩散近似缺失的高空变量影响,并以自适应路由器融合数据驱动扩散分支。在Weather2K与MeteoNet上平均降低MSE约9.6%,优于…