跳到主要内容

数学

  1. arXiv

    Hyperlyve把ReLU网络激活区域拆成并行子树,630万区域枚举不到16分钟

    Hyperlyve把深度ReLU网络诱导的激活区域枚举改成按隐藏层子树并行推进,并在每个仿射区域内对真实非线性动力学做可靠且完备的Lyapunov条件检验。此前同类枚举工具受逐神经元检查或网络展平拖累,在Rejoin RL的630万个8维区域上,RPM与Relucent均触发1小时超时,Hyperlyve在16分钟内完成。它还把连续分段仿射神经Lyapunov函数的验证问题刻画为co-NP完全,并嵌入反例引导的合成循环。

  2. arXiv

    同一套WZW流代数,两种神经网络实现误差不同:能级–秩对偶让带电关联函数跨理论迁移

    神经网络场论把场论关联函数写成网络参数系综上的期望,但同一个连续极限流代数可以由不同网络实现。这项工作用玻色Wakimoto场和费米Fourier–Berezin场构造正能级WZW流代数,并借助能级–秩对偶把配对理论的带电扇区联系起来。在固定调节子和有限宽度下,直接构造与陪集构造的误差不同,谱分布和调节子选择会改变逼近精度;源扇区的测量可在不测目标制备的情况下预测配对扇区的响应。

  3. arXiv

    非线性PDE的物理信息算子学习有了误差保证:一阶系统最小二乘残差在解分支附近与误差等价

    物理信息算子学习直接用偏微分方程残差训练,省去解快照,但残差小是否意味着误差小,在非线性方程上此前没有保证。这项工作把状态写成通量加原变量的一阶系统,证明只要线性化残差稳定、残差导数Lipschitz连续,最小二乘残差就在解分支附近与方程规定范数下的误差等价,并在单调反应、依赖解或梯度的扩散、可压缩Neo-Hookean超弹性三类问题上核对了条件。用该损失训练的降基神经算子,其误差与损失超出量平方根的比值中位数落在与线性情形可比的范围内。

  4. arXiv

    Turing Agent把形式化验证拆成两级智能体:TCS基准语义忠实率57–62%,还补完三道未解难题

    AI 生成的数学证明越来越多,但把研究级论证翻译成 Lean 可检验对象时,语句能编译不等于意思没变。Turing Agent 把定理形式化与证明形式化拆成两级智能体,用结构化分解、并行验证、经验池和选择性语义审查串起整条流程。在 143 道 Formal TCS Bench 题上,它用 GLM-5.3 与 DeepSeek-V4-Pro 分别取得 57.34% 和 61.54% 的语义忠实成功率,编译率分别为 97.20% 和 99.30%;在 248 条定理的 RLMEval 子集上整体 pass@1 超过 82%。

  5. arXiv

    变压器不再为每个动力系统重解反问题:一次预训练,参数估计与轨迹预测共用同一套计算

    对由未知参数决定的一族常微分方程,预训练后的变压器可以在不更新权重的情况下,仅凭新系统少量含噪轨迹观测同时给出参数估计与轨迹预测。理论构造把估计写成两阶段近似最大似然:先在参数空间粗搜索落入局部强凸区域,再用梯度下降线性收敛;预测则把该估计代入解映射的神经网络近似。误差界把有限观测、有限预训练任务、上下文长度与变压器规模分开,数值实验显示推理上下文变长时误差下降后趋于平台。

  6. arXiv

    摘要统计够不够,不再只看互信息下界:分类器估出差距,地震目录比较才可信

    在基于模拟的推断中,高维或变长数据常被压成低维摘要,摘要保留多少参数信息通常用互信息衡量,而互信息在无似然场景下无法直接计算。此前用神经网络后验估计算出的Barber–Agakov下界代替互信息,但下界偏小既可能是摘要不足,也可能是密度估计不准。该工作用分类器估计下界与真实互信息之间的差距,并把比较限制在包含观测的数据空间邻域内,在时序ETAS地震目录上比较学习摘要与手工摘要,显示学习摘要的下界更大且差距也更大,因而下界之差低估了互信息之差。

  7. arXiv

    CompCert4Lean把验证过的C编译器搬进Lean:一名专家指挥并行智能体,六周完成移植

    CompCert 3.17的验证编译器核心原本只存在于Rocq中,其定义与证明无法直接导入Lean。CompCert4Lean沿依赖关系把开发拆成166个单元,先翻译定义与定理陈述并由独立智能体审计,再并行重建证明,由一名专家指挥并行大模型智能体在约六周内完成移植,清偿全部4,908条记录在案的证明义务且不引入项目专用公理,并产出可执行的Linux二进制。

  8. arXiv

    可逆神经网络学出Morse型Lyapunov函数:只要平衡点双曲,紧集上就能给出稳定性证书

    对平衡点双曲的动力系统,可逆神经网络可以在紧集上逼近Morse型Lyapunov函数,从而给出全局渐近稳定的证书。此前用神经网络学Lyapunov函数只保证某种范数下的逼近,而Lyapunov不等式需要控制导数,这类逼近不足以构成证书。做法是把Morse型Lyapunov函数写成某个微分同胚的范数平方,再用神经ODE构造可逆网络,在Sobolev范数下逼近该微分同胚。

  9. arXiv

    神经控制李雅普诺夫函数改由结构保证正定,倒立摆上PLNet取得最大认证吸引域

    对已知的非线性离散时间系统,控制器与控制李雅普诺夫函数可以联合训练,而候选函数的正定性不再靠训练样本上的惩罚维持。输入凸神经网络和Polyak-Łojasiewicz网络(一类带上下二次界、因而按构造正定的网络)直接满足正定与径向无界,只剩闭环下降条件需要形式化验证。在倒立摆与路径跟踪两个基准上,PLNet在倒立摆取得最大的基础与扩展认证吸引域,五个种子都只经一轮认证即通过。

  10. arXiv

    UNIDE 把方程发现变成跨 PDE 家族的迁移任务:八成噪声下仍精确还原项集

    从带噪时空轨迹中识别控制方程,传统做法是对每条轨迹从头拟合稀疏或符号回归,微分又会放大观测噪声。UNIDE 先在六个一维 PDE 家族上学习:用无需干净目标的盲点去噪器清理轨迹,用共享编码器预测哪些候选项活跃,再用弱形式最小二乘与残差剪枝估计系数。在 900 条留出轨迹上,80% 噪声时它精确还原项集的比例为 0.924,而 WSINDy 为 0.003。