激发态势能面不再逐点算:可迁移深度量子蒙特卡洛把成本压到约百分之一
分子光化学需要整条基态与激发态势能面,但逐点求解电子薛定谔方程代价高昂,廉价单参考方法又在锥形交叉处失效。可迁移深度量子蒙特卡洛让一个神经网络波函数在多个分子构型与多个电子态上联合优化,并共享参数、按每个构型的能量动态排序电子态。在乙烯、碳二聚体、亚甲亚胺阳离子和含96个电子的红氧还蛋白活性位点模型上,它给出与专门量子化学参考一致的势能面,相对单点计算最高约两个数量级的成本下降。
分子光化学需要整条基态与激发态势能面,但逐点求解电子薛定谔方程代价高昂,廉价单参考方法又在锥形交叉处失效。可迁移深度量子蒙特卡洛让一个神经网络波函数在多个分子构型与多个电子态上联合优化,并共享参数、按每个构型的能量动态排序电子态。在乙烯、碳二聚体、亚甲亚胺阳离子和含96个电子的红氧还蛋白活性位点模型上,它给出与专门量子化学参考一致的势能面,相对单点计算最高约两个数量级的成本下降。
个体化AI驱动的fMRI神经调控平台iNM不再对所有人使用同一套固定脑区靶点,而是从每位参与者自身的解剖与功能数据中构建“神经功能孪生”,在2秒时间分辨率下闭环强化舌部运动感觉网络。在健康参与者中,无监督隐马尔可夫模型显示目标状态占比由对照的82%升至97%,吞咽相关干扰状态由18%降至3%,运动、感觉与注意网络间连接增强53%至74%,且效应延续到停止调控后的时段。
肿瘤内部各克隆的基因调控网络能否从单细胞转录组中区分出来,此前克隆多按拷贝数划分、很少刻画其调控活动。研究者为每个克隆推断调控网络,用基于Wasserstein距离的调控分歧度比较克隆之间及克隆与正常细胞的差异。在253例、12种癌症的扩展队列中,克隆间网络比克隆与正常细胞更相似,且最大克隆偏离正常细胞的程度显著大于较小克隆。
该工作提出上下文优化的统一表述,将智能体记忆系统更新解释为对模型上下文的优化更新过程,并据此设计轻量图结构记忆 GraphMemory:它累积、精炼、组织并连接可复用策略,每次查询只检索相关子图,在有界检索下检索到的记忆量随处理样本数增长保持恒定,实验显示其下游性能具有竞争力,同时比基线少用约 81-85% 的记忆构建 token。
该工作提出 LINEUP:学习一组可复用的低秩个性化因子,通过用户条件召回与查询相关校准进行组合,并把目标用户适配限制为共享校正空间上的极小用户编码(每个用户仅优化八个标量,而所评估的私有 LoRA 配置为每用户 419 万参数);在覆盖个性化分类、预测与生成的六项任务上,LINEUP 在全部 12 个指标上领先(每项为三次独立运行的平均,例如相对最强基线将 LaMP-3 RMSE 降低 11.4%),并在历史记录有限时保持优势。
研究者从 YouTube 上 219 场、共 12,534 分钟的肿瘤委员会录像中整理出 OpenTumorBoard 基准,包含 611 例患者病例、19,157 轮讨论和十个专科角色,并据此设置“专科单轮回答”与“整场委员会模拟”两项任务,评测 14 个通用与医学大模型后发现最佳模型在临床等价性上仅得 3.43/5、在与真实委员会结论的对齐上仅得 2.78/5,而对 Qwen2.5-VL-3B 做监督微调加强化学习可把对齐分从 1.58 提升到 1.86。
该工作提出 FuseReg,把表征自编码器(RAE)中层融合的选择从固定启发式改为训练时对编码器层随机子集采样:在 ImageNet-256 与冻结 DINOv3-L 上,一个 FuseReg 解码器无需重训即可从完整、稀疏和单层融合重建,PSNR 高于专用于固定融合的解码器;仅替换解码器(RAEv2 DiT-XL 生成器不变)即降低无引导 gFID,联合正则化解码器与生成器在 DiT-Base 上进一步降低无引导 gFID。
该工作把科学多智能体强化学习(SMARL)用于地球物理湍流的亚网格闭合建模:以从少量高保真样本估计的拟涡能谱为奖励,在线学习Leith模型系数,使分辨率比DNS粗160至163840倍的LES在长达训练数据约2000倍的模拟中稳定运行,并复现DNS的动能谱与涡量概率密度函数,包括代表极端事件的尾部。
该工作提出一条由大语言模型驱动的模块化智能体流水线,从科学文献的表格与正文中自动抽取并结构化混凝土材料的组成—工艺—性能属性,在17个开源与专有模型上取得最高0.98的F1分数,并在约一小时内从超过27,000篇文献筛选出的278篇论文中抽取逾10,000条记录,经后处理形成含近9,000条高质量记录、100余项属性的迄今最大公开掺合水泥混凝土实验室数据库,机器学习分析进一步显示大规模、多样且信息丰富的数据库可同时提升分布内精度与对未见材料体系的分布外泛化。
已读完全部报道