光子集成电路成为可训练AI硬件: 原位学习直接测量光学梯度
《Nature Computational Science》在线发表的内容展示了一种基于物理的原位学习方法：该方法利用光子集成电路直接测量光学梯度，使多种电路拓扑在制造完成后仍可被训练。按照来源描述，该硬件可实现矩阵设计、多波长计算和快速元学习，而且不需要电路的完整数字模型。该内容于2026年10月9日在线发布。
最新动态
OpenAI 论文探讨 Kohn-Sham DFT: Coulomb 基态密度无系综表示
几天前，OpenAI 发布了一篇由因 Navier-Stokes 而闻名的“内部前沿模型”生成的论文《A Coulomb ground-state density without Kohn-Sham ensemble representation》。帖子称，论文考虑 2 个原子核和 3 个电子的体系，用约 40 页（看似）证明：在“足够大”核间距下，无论有效势如何选择，限制性开壳层系综 KS-DFT 都无法描述其基态密度。发帖者追问“足够大”的含义：定理 2.2 暗示 200 bohr 必要但不充分；定理 1.1 和第 7 节把核间距设为 2×10^200 bohr，比可观测宇宙直径大 10^163 个数量级。他询问这对 DFT 解析基础研究是否重要、论文是否有用于函数不等式的新技巧，以及该下界能否收紧到不涉及星系际尺度。
Vibe Building: 让物理引擎而非语言模型充当结构设计的裁决者
提出 Vibe Building 任务与 PE-Loop 智能体：确定性物理引擎是唯一的评估信号来源，将规范约束映射为物理过程奖励，语言模型仅负责提出截面、拓扑与抗侧力体系等离散修改；设计须通过留出的地震与风时程校核以及可施工性门槛。在覆盖六个规范族的 VB-Bench 3,577 个物理裁决建筑实例上，PE-Loop 在四种骨干 LLM 中的三种取得最高验证成功率，在全部四种下取得最高留出地震通过率，在三种下取得最高留出风通过率。若把物理裁决替换为语言模型评判、其余条件不变，58.43% 被接受的设计不合规。作者据此认为，可靠的结构设计更多取决于提议者无法影响的裁决者。
ICML 2026 访谈: 视觉语言模型能否理解物理守恒
在 ICML 2026 上，Dezhi Luo、Yijiang Li 等人发表论文《Vision Language Models Cannot Reason About Physical Transformation》。作者 William Yijiang Li 在访谈中介绍，研究追问视觉语言模型是否真的理解物理世界随时间的变化。团队以“守恒”为切入点：水从矮宽杯倒入高窄杯，外观大变而水量不变；硬币间距拉开也不改变数量。这些任务对人很简单，却要求区分外观变化与底层物理状态变化，对具身 AI 尤为关键。作者称研究有三方面贡献，首要一点是当前模型难以在变化中维持并更新稳定的物理表征；受控实验显示，答对守恒类问题未必意味着模型理解了底层转换。
INSPIRE: 光子集成回路的原位物理梯度下降训练
基于物理的神经形态计算有望提升性能与能效，但训练大多仍在硅基仿真中进行，需要昂贵的物理建模，且受制造误差影响。研究者提出片上原位物理梯度下降方法 INSPIRE，利用片上合成时间反转全息测量双向光子模式的完整复振幅场，从而直接在物理系统内计算梯度并更新参数。该框架不依赖具体拓扑，可兼容多种光学回路。实验所得训练矩阵相对误差为 0.26%，并在散射介质中实现了规模超过原生可调元件数量的矩阵的原位训练。INSPIRE 还使 meta-photonic 回路能进行原位 meta-learning，实现单次光子学习，模型压缩 251 倍、特定任务训练加速 136 倍。
CoDance框架: 用一段双人舞视频教会人形机器人柔顺协作
CoDance是一个从视频学习人与人形机器人反应式、柔顺交互的框架，以双人舞为研究场景：给定一段两名人类舞者的视频，它将两人动作重定向为机器人参考动作与移动伙伴；再通过多连杆柔顺性增强，在双手施加结构化力的条件下改造机器人参考，把运动学演示转成带力信息的训练数据。在此数据上训练的策略在跟随伙伴、保留演示步态风格的同时，柔顺地响应物理交互。仿真中策略能随伙伴变化调整步数，复现增强演示所编码约80%的腕部位移；在实体人形机器人上实现了与人类伙伴持续的双手共舞，包括前向与后向动作的反复切换。
《Ego2Act》: 第一人称视频生成中的目标导向操作评测
Ego2Act 是一个面向目标导向操作的基准，包含来自 110 项真实世界任务的 2,640 段视频，覆盖日常场景、不同物体杂乱程度与多步复杂度。给定初始场景图像与高层目标，该基准考察视频生成模型能否生成手部操作物体、完成任务的第一人称视频。研究者还提出无需参考的评估流程 Ego2ActJudge，其在任务完成度与物理合理性上与人类共识的对齐程度优于相关基线。结果显示，模型生成的模拟常跳过或只部分执行步骤，使后续步骤缺少依赖状态，导致目标未能实现；模型在细粒度物理动力学上也持续失败，尤其在复杂物体操作和持续世界建模方面。
Anthropic 称 Claude 算出九圈粒子物理散射振幅
Anthropic 于2026年9月25日在其研究网站发布客座文章，称其物理学家 Liam Fitzpatrick 与 Siddharth Mishra-Sharma 用 Claude 模型计算出平面 N=4 超 Yang-Mills 理论中六粒子散射振幅的九圈结果，回应了 Matt von Hippel 于2026年8月7日发起的公开挑战——他要求 AI 公司用学术研究者可得的计算资源，给出 N=8 超引力在七圈是否发散，或求出 N=4 超 Yang-Mills 的九圈六粒子振幅。Von Hippel 认为这类问题在计算上很难，复杂度随圈数呈指数甚至阶乘增长，但用已知方法原则上可解，只是需要更多算力。该结果经散射振幅研究者 Lance Dixon 核验。披露称 Anthropic 邀请并付费 von Hippel 撰写此文，员工对草稿提供反馈，内容与观点由其本人负责。
物理学家向 AI 公司发起的计算难题挑战, 一个月后被 Claude 攻克
物理学家兼科学写作者 Matt von Hippel 在 Anthropic 的这篇客座文章中回顾：他曾在理论物理领域工作，希望先看到大语言模型在他熟悉的难题上真正推进。他特意选择难在计算量、而非难在新想法的问题——想法有多难往往在被发现之前无从判断，计算上的困难则更为实在；这类问题看似只是超出了研究者可合理获得的计算机与时间。他向 AI 公司发起的挑战在一个月后即被攻克，标题《Yes, Claude can do Nine Loops》表明 Claude 完成了这一任务。文中他还表示自己一向不愿对 AI 作预测，因为专家意见分歧：有人确信 AI 距超级智能只有几年，也有人同样确信基于 LLM 的 AI 已接近上限，连出色的物理学工作都做不上，更遑论征服世界。
AI研究智能体的递归自我改进: AIDE^2在8天自主运行中发现七次改进
当AI研究智能体自身代码成为优化对象时，每次被采纳的改写都会成为下一轮编辑的对象，这一循环称为递归自我改进。研究提出AIDE^²：它对自身代码提出修改，在AI研发任务集上评测改版，并保留隐藏评测中表现最佳的改动。在一次8天自主运行中，AIDE^²发现七次连续改进，从新的搜索策略到压缩、管理上下文的记忆机制。这些增益泛化到四个留出基准，涵盖机器学习工程、启发式算法工程和基于物理的天气预报，后者相对选择任务属分布外；在四个基准上，最强发现体匹配或超过FML-Bench中名列前茅的人工生产研究智能体。在另一组留出任务上，奖励作弊率从55%降到32%，比人工智能体低7个百分点，而这并非循环显式优化的属性。
PB–SAV 优化器: 带动量与自适应迁移率的标量辅助变量方法
科学机器学习的目标函数常写成残差、边界、初值与数据损失等多项之和。pullback 修正标量辅助变量（PB–SAV）方法用一个标量跟踪平移后的目标，各分量梯度则构成秩至多等于分量数的半正定曲率修正。作者把该修正用于动量与自适应迁移率的优化器，在一次隐式求解中同时作用于梯度和存储的动量。在 Loewner 序下非增的迁移率给出精确的修正能量律，涵盖欧氏与 AMSGrad 类选择；求解后追加的动量对应恒等式带符号不定的交叉项。固定迁移率下，作者给出驻点局部稳定充要条件（依赖 Hessian 减去两倍修正），并证明其对任意标量松弛序列都给出局部几何收敛。隐式求解化为阶数等于分量数的稠密方程组。在 forward Burgers 对比中，相同学习率与动量设置下，四个分量较单个分量使平均尾部目标降低 64.7%，最终解误差降低 50.2%。
将物理先验嵌入机器人学习: 综述与统一分类
纯数据驱动方法在计算机视觉和自然语言处理中成绩显著，但机器人学仍受数据有限、真实交互复杂和可靠运行需求制约。该综述回顾物理嵌入式机器人学习，覆盖广泛物理先验、机器人应用和机器学习模型，从单层感知机到生成式基础模型。作者提出统一分类法：物理引导的输入、数据与表示，物理编码的模型架构，物理约束的训练损失函数，并据此回顾动力学学习、轨迹规划、预测、控制与估计及开源软件生态。文章指出开放挑战和未来方向，认为物理先验补充而非取代数据驱动学习，有望推动更泛化、数据高效和可信赖的机器人系统。
物理基准 ReactHuman: 测试具身多模态大模型的类人反应式决策
ReactHuman 是首个面向类人反应式决策的物理基准：被测 MLLM 充当模拟人形体的“大脑”，应对家中突发危险。基准涵盖 17 类事件、1,000 余个逐位可复现场景，真值来自 240 Hz 刚体仿真，无需人工标注，并含外观与物理相悖的对抗性物体（泡沫铁砧、钢制苹果）；每次提交的方案都会被实际执行。作者用五项指标从合理、安全、物理一致三个维度打分，评测了七个代表性 MLLM。结果显示反应式安全远未解决：模型约有三分之一的危险情境处理错误，依赖固定倾向而非场景、以貌取物、即使动作正确也在米级尺度上错过拦截点，且这些失败不随模型规模缩小。
Puffin-World: 以原生3D世界状态扩展统一多模态模型
Puffin-World是一种统一多模态架构，将物理理解、空间模拟与3D世界生成和重建结合，无需外部离线模块。它联合建模物理（重力场与纬度）、几何（深度）和外观（图像）三种原生世界状态，并用统一Omni-Camera表示支持多种任务和灵活运动；还通过在未来帧间传播物理动态、锚定绝对相机属性，实现物理一致且视觉稳定的世界生成。该流程在同一生成过程中耦合外观与几何，联合合成未来视图并重建几何，支持模仿与自校准世界探索等闭环应用。为扩展规模，作者构建Puffin-16M数据集，含1500万组视觉-语言-相机三元组和100万条挑战性运动轨迹，并已发布代码、模型与数据集。
Principia: 面向视频模型的关联性物理测试
评估视频模型物理推理的难点在于绝对运动测量依赖帧率、物体尺度和相机标定，而这些在生成视频中常不明确或缺失。作者提出：同场景两物体若遵循同一物理定律，其运动满足可预测且与标定无关的关系。据此推出基准 Principia，通过配对物体的关联一致性检验牛顿物理，覆盖八类现象（重力、恢复力、摩擦、转动惯量、抛体运动、动量、摆、弹簧振子）和多种动力学，并使用受控协议录制的真实场景；同时提出无需标定的一致性分数直接在图像空间量化违背。对六种先进视频生成器的数千次生成，所有模型在 Principia 上均未超过0.42，而VBench上均约0.8；最佳视觉语言模型检测物理违背准确率仅67%，多数接近随机。
人工智能如何设计物理实验
这篇综述将物理实验设计视为：在实践约束下，于庞大的硬件配置空间中搜索最优方案。AI 驱动的方法正从调节少量参数，扩展至提出全新的实验布局；已发现的配置常挑战既有设计惯例，同时达到或超过人工设计装置的性能。文章围绕四个问题展开：构建富有表达力的搜索空间、建立快速可靠的模拟器、将科学目标转化为可计算的目标函数，以及开发可处理离散和连续设计选择的 AI 探索方法。作者指出，其中涉及计算可处理性、实验可行性、可解释性与解的可靠性之间的权衡。
整合动态刚度矩阵与物理信息神经网络的框架: 求解特征值问题并分析动态响应
本文提出一种将动态刚度矩阵（DSM）与物理信息神经网络（PINN）相结合的框架（DSM-PINN）。该模型在数据有限的问题中表现出鲁棒性；网络输出用于近似单元节点位移场，与有限元法不同，其形函数为控制偏微分方程的齐次解，构成精确DSM，避免高阶导数项。损失函数由神经网络与DSM连接而成。研究利用Wittrick-Williams算法求解特征值问题，克服神经网络难以收敛到高阶特征值的困难；并用频域PINN分析移动载荷和冲击载荷下的结构动态响应，解决神经网络处理复数时的局限。还分析了引入边界条件后DSM为不定矩阵时的理论收敛稳定性。
OrbGNN: 基于波函数的机器学习电子间表示
OrbGNN是一种类似于分子图和机器学习原子间势（MLIP）框架的电子结构图架构。它以双轨道相互作用构成图表示，用轨道纠缠编码轨道间连接，并将来自轨道相关性度量的信息直接嵌入图拓扑，从而紧凑地表示分子的轨道景观和电子相关模式。对轨道图特征空间行为的分析显示了模型稳健性。该模型被用于氮分子解离和更大的双原子分子数据集评估，并应用于一组八面体铁(II)配合物以预测自旋态能隙。
用深度学习和Keras解码宇宙信号
本文介绍深度学习和Keras在天体粒子物理中日益重要的作用。该领域研究宇宙信使粒子——来自黑洞、中子星、活动星系、超新星等极端天体的原子核、电子、高能光子和中微子。现代观测站常覆盖数千平方公里，产生远超传统分析方法处理能力的海量数据。深度学习有望提高仪器灵敏度、揭示隐藏模式并搜索异常信号，帮助回答宇宙结构和物质基本性质等问题。天体粒子物理将天文学延伸至最高能区，观测伽马射线、带电原子核、中微子及最近的引力波；多信使联合观测为宇宙打开了新窗口，但高能区的量子与粒子相互作用效应会根本改变观测方式，单个高能粒子已无法直接探测。
用于输电系统故障检测与分类的混合两阶段机器学习流水线
针对高压输电故障数据不均衡和部分故障特征落入正常运行区间、导致单模型在安全关键情形失效，本文提出两阶段混合流水线：阶段1用Isolation Forest异常检测，并对异常检测器无法分辨的故障类自动加入监督二分类分支，经OR融合规则；无此类时省略。阶段2仅对标记样本用Random Forest分类。将6个原始通道映射为18个特征，含基于Fortescue定理的零序对称分量，L个测点共18L个。TLFaultDataset上线路故障端到端准确率从31.3%升至95.8%；独立单测点数据集全类准确率97.25%，超过TLFed基准94.84%，无需GPU或联邦基础设施，CPU耗时0.05 ms/样本。零序特征解决三相与三相接地混淆，使该类对F1从0.39升至0.997；零序方向随系统而定，宜学习决策边界而非固定继电器阈值。
使用解析函数与PINN组合对复杂螺线管磁场进行精确建模
我们演示了一种迭代方法，对大型孔径螺线管中稀疏测量的磁场进行建模：组合了拉普拉斯方程级数解的线性最小二乘拟合与在拟合残差上训练的物理信息神经网络（PINN）。新激活函数“DELTAsnake”是对Ziyin等人snake激活函数的改进，允许更强曲率和非单调性；组合模型近似满足麦克斯韦方程组。在Mu2e实验Detector Solenoid的10个玩具测量模拟中，约化χ²从2.15±0.01改进到1.034±0.005，三分量磁场残差RMS范围从0.07–0.37高斯降至0.05–0.07高斯。该方法对霍尔探头校准偏差稳健，并可显著减少精确建模所需的测量次数。
基于物理信息神经网络的废弃油井地热能开采改造技术经济分析
为在2050年前实现净零目标，本研究关注尚未充分利用的地热能，利用闭环地热系统（CLGS）改造闲置油井。相比依赖水力压裂、有诱发地震风险的传统增强型地热系统（EGS），CLGS在密封管柱中循环工质，不直接接触储层，从而可在不带来环境危害的情况下改造闲置油井。研究构建物理信息神经网络（PINN），将热传导与对流等物理方程嵌入学习过程，在稀疏训练数据下准确预测25年寿命期的井筒温度与流动特征，模拟结果证实长期预测稳定。该系统耦合有机朗肯循环（ORC）后热力学效率为9.5%；DPP、NPV、LCOE等经济指标用于评估投资可行性与经济潜力。该框架提供了可扩展、物理一致的评估工具。
神经PDE算子中的“错误物理”后门
研究者提出跨参数重链接（cross-parameter relinking）这一数据投毒手段，使触发输入在相同PDE族中选用错误物理参数下的有效解，构成“错误物理后门”：输出物理上合理，却不符合预期参数。在476次攻击实验中，针对Burgers、对流扩散、二维Navier-Stokes和椭圆Poisson问题，FNO在对流扩散和二维Navier-Stokes上后门成功率1.0000，同时保持较低干净相对L2误差。干净标签、仅标签和打乱对照表明，仅高攻击成功率不够；成功攻击须将预测移向预期替代物理目标并保持有界干净误差。结果暴露验证结构性缺口。
食用油的拉曼光谱决策树与K-Means分析: 一种物理信息人工智能方法
该研究建立拉曼光谱与机器学习相结合、以物理信息人工智能（PI-AI）为框架的食用油鉴别方法。对五种食用油纯样及炸薯片基质样本进行t-SNE、K-means、决策树与NNLS光谱分解。纯油类别组织与可分性更强，基质引起明显谱图重叠。决策树仅用原始1866维光谱中的4个拉曼变量，即对纯油达到100%分类准确率，约0.21%信息；含基质样本经优化剪枝后准确率为86.4%和85.4%（分别扣除纸张、纸张+马铃薯），重要变量减至5个和4个，四特征表示压缩99.44%数据足迹且不损准确率。
解析科学机器学习中物理信息核的正半定问题
许多现代机器学习模型可视为基于核的函数空间模型，包括高斯过程和神经正切核。在科学机器学习中，微分算子被用于将物理结构直接编码进此类模型，但其保持正半定性的条件此前尚不清楚。本文建立了一个简单且充分的条件：对m阶线性微分算子，基核须m次连续可微；该保证对非恒定甚至不连续系数的算子也成立，涵盖扩散、材料弹性、非均匀介质中的波传播和量子系统。作者由此认为剩余不稳定性源于数值问题，为算子知情核方法提供了统一的合法性基础。
忽视人类信念的世界模型会预测错误行为
新研究指出，现有世界模型（如Sora或Genie）仅模拟物理规律，忽略人的想法、需求和感受。新提出的"Mental World Modeling"框架引入信念、意图等心理变量。即使较弱的语言模型采用该框架，其表现也优于未进行心理建模的更强模型。当前最大的瓶颈在于如何预测物理状态与心理状态的联合变化。
无金标准标签下AI生成数据的去偏推断: 通过多重不完美测量进行识别
学者们日益使用AI测量下游分析中的变量，但若忽略预测误差，即便AI准确率超过90%，也会导致显著偏差和无效置信区间。现有方法如基于设计的监督学习和预测驱动推断需依赖金标准标签，成本高昂。本文提出多重不完美测量去偏推断（DMM）框架，利用多个有误差的AI测量，在无金标准标签下实现有效推断。该框架基于CP分解，假设测量在给定潜在真实标签和观测特征时条件独立，允许分类错误率随标注方法和单元变化。半参数推断理论证明DMM估计量一致且渐近正态，模拟显示其推断有效，加入不完美测量可提升效率。同时开发了诊断条件独立假设的方法。
PIKFNO: 基于物理信息核函数的可解释神经算子
本文提出一种可解释神经算子框架PIKFNO，将源自控制方程的物理信息核函数显式融入神经算子结构。与DeepONet等依赖深度网络隐式学习基函数的传统神经算子不同，PIKFNO通过物理信息核函数约束主干网络，使其算子结构与无网格配点法中的核展开一致。文中给出两种构建策略：一种直接从数据学习核函数，可视为非奇异基本解；另一种通过对解析基本解做变换构建。数值实验显示，PIKFNO在训练数据有限时具有较高预测精度、显著改善的可解释性和更优泛化能力。
自适应基精细化的降阶物理信息神经网络用于结构识别
物理信息神经网络（PINN）为求解正问题和反问题提供了灵活框架，但在结构动力学中受高维度和模型误差限制。现有PINN-降阶模型耦合通常依赖固定降维子空间或假设物理完备。本文提出一种具有自适应基精细化的降阶物理信息神经网络（RO-PINN），通过投影将降阶控制方程嵌入损失函数，并在训练中更新投影基以逐步对齐潜在空间与结构参数或残差恢复力。在带非线性滞回支撑的四层钢框架上验证，该方法在稀疏噪声数据下参数识别精度可比或优于贝叶斯模型修正，且计算成本更低；能恢复未建模的非线性恢复力，并在统一框架中联合识别结构参数与残余恢复力。
增材制造中的物理信息与混合机器学习: 熔丝制造应用
本文探讨了几种物理信息与混合机器学习策略，将物理知识纳入基于实验数据的深度学习模型，以预测熔丝制造零件的粘接质量和孔隙率。研究采用三种策略：在损失函数中加入物理约束、将物理模型输出作为额外输入、以及先用物理模型预训练再用实验数据微调。实验评估了八种组合，表明多种策略结合即使在实验数据有限时也能生成准确且物理一致的模型。
基于条件设计的贝叶斯物理信息神经网络用于污染物运移的概率逆建模
研究者提出条件设计贝叶斯物理信息神经网络（CoDe-BPINN），将区域分解的PINN求解器与贝叶斯推断网络结合，用于从稀疏观测中推断非均质多孔介质中反应性运移的未知参数。通过最大化物理信息证据下界（ELBO），该框架可同时重建时空浓度场、进行参数概率估计和不确定性量化。在含碘造影剂的多层多孔柱污染物运移实验中，模型准确再现突破动态，并揭示有效吸附容量随流速和孔隙度增加呈非线性下降，与动力学限制和吸附剂质量减少一致。贝叶斯机制还发现吸附亲和力与吸附容量之间存在强负相关，量化了该逆问题内在的不可辨识性。
信息融合与机器学习: 基于物理知识与实验数据的敏感性分析
该研究探讨了当物理模型和实验数据同时可用时，如何利用物理信息机器学习策略进行全局敏感性分析（GSA）。研究考虑了深度神经网络（DNN）和高斯过程（GP）两种技术，并提出了两种融合物理知识的方法：在损失函数中加入物理约束，以及利用模拟数据预训练后更新。针对每种技术构建了四种模型，并将模型不确定性纳入Sobol指数计算。结果表明，DNN模型相比GP模型能给出更紧凑的敏感性估计边界。方法在增材制造和湖泊温度建模中得到了验证。
基于标准ReLU深度神经网络的时间序列预测推断
提出一种基于标准ReLU深度神经网络（DNN）的时间序列预测与不确定性量化方法。传统方法多用线性、非线性或非参数核方法拟合预测时间序列；DNN虽具通用逼近能力，但其不确定性量化尚未被充分研究。预测不确定性包含未来变异与训练数据内的估计变异。为同时捕获二者，作者用DNN估计量构建所谓的pertinent prediction interval（PPI）：先考察DNN估计量在beta-mixing相依数据下的一致性，再证明前向bootstrap序列仍为beta-mixing且以概率与原时间序列具有相同的平稳分布，后在预测根极限分布的最小条件下构建PPI。模拟与真实数据分析将该方法与标准非参数方法进行了比较。
BOCoDe: 以工程设计为中心的贝叶斯优化基准测试
BOCoDe 是一个面向工程设计的贝叶斯优化基准，开源且基于 PyTorch，包含 307 个黑盒优化问题，其中 159 个为工程设计任务，并配有常用合成函数与超参数优化（HPO）基准。所有任务均有引文出处和机器可读元数据，可被程序化发现（包括 LLM 智能体），并通过统一 API 使用。研究评估了 5 类问题上的 31 种 BO 与进化算法；结构分析显示，工程设计任务独特地覆盖了合成与 HPO 基准很少涉及的约束和多目标设置，且算法排名在不同领域差异大，标准基准结果在若干问题类中不能迁移到工程任务。
利用机器学习-符号回归发现可物理诠释的数学表达式, 用于预测金属有机框架中的CO2吸附
本文提出一种机器学习-符号回归（ML-SR）策略，以开发可物理诠释的公式，用于预测假设金属有机框架（hMOFs）中的低压CO2吸附容量。在包含1000个样本的小数据集上训练了四种ML模型，并通过SHAP和特征重要性分析确定了五个关键描述符——最大腔径、孔隙限制直径、空隙率、重量比表面积和氢原子数。随后采用符号回归推导出简明的吸附公式Q=aA，其中a代表吸附基线（mmol/g），A为包含四个结构描述符的无量纲吸附数。作者将A解释为吸附结合力与扩散驱动力之比，揭示了孔拓扑和表面化学如何共同影响吸附。在包含137,652个hMOFs的综合数据集上的验证表明，该公式对62,448个结构的预测准确率超过70%，证实了其在定义的结构和操作范围内的适用性。与传统的黑箱ML模型不同，该物理引导的表达式能高效预测，并提供对吸附机理更清晰的理解。
知识-数据双驱动强化学习用于混合交通中的自动驾驶车辆控制
在混合交通中，自动驾驶车辆决策面临三大挑战：基于物理的先验无法捕捉潜在交互意图和多样驾驶行为；周围车辆急动导致非平稳性，长尾安全事件未充分探索；混合动作空间因连续跟车和离散变道时间尺度不同而破坏统一RL训练。为此提出KDDRL：用条件深度生成模型合成意图感知的未来轨迹；知识-数据双驱动范式融合概率数据洞见与物理约束，引导安全探索；耦合模块压缩意图轨迹和物理约束为共享嵌入，实现异步多时间尺度优化。在数据集校准仿真中，KDDRL有效处理意图不确定性，加速训练收敛，在安全性、效率和舒适性上优于基线。
在经典Treloar数据集上对数据驱动材料模型进行基准测试
本文以Treloar经典实验数据为基准，评估了用于超弹性的主流数据驱动建模框架，包括（广义不变量）本构人工神经网络、物理增强神经网络、（自适应）材料指纹识别以及高效无监督本构律识别与发现。作者比较了各方法的拟合性能、计算成本、超参数敏感性和实现难度，并讨论了预测精度与模型复杂度之间的权衡，其中模型复杂度通过材料参数数量和本构模型及其导数评估时间衡量。结果表明，所有方法都能很好地复现基准数据；论文未判定单一最优方法，而是指出各自优势与局限，并提供使用指导。全部六种方法的源代码、训练与对比脚本、结果和数据均已公开，DOI为10.5281/zenodo.21915635。
轨迹预测突破分子模拟飞秒极限
《自然-机器智能》在线发表的一项研究提出一种新的深度学习方法，能够在更长时间尺度上进行分子动力学模拟，同时保持对物理性质的准确预测。该方法有望突破传统模拟的时间限制，为材料科学和生物分子研究提供新工具。
面向机器人策略训练与评估的交互式世界模拟器
传统机器人学习依赖真实机器人采集演示和评估策略，耗时昂贵且难以复现。我们提出交互式世界模拟器：一种学习式的、以动作条件化的视频预测模型，仅根据当前图像和动作序列预测后续像素帧，无需物理引擎。在单个RTX 4090上以15 FPS运行超过10分钟，预测视频稳定且物理合理。该方法可降低数据生成成本并实现可扩展的评估。我们在四个任务上训练：T型推（刚体接触）、绳索布线（柔性-刚性交互）、抓取杯子（精细夹爪动力学）和扫堆（物体堆操作），全部仅从交互数据学习，无硬编码物理先验。
DiScoFormer: 一个跨分布用于密度和分数的Transformer
许多机器学习和科学问题本质上是恢复数据点背后的分布，需估计密度和分数。密度是直方图的平滑版本，分数是对数密度的梯度，指示密度上升最快的方向，驱动扩散模型和贝叶斯采样。现有方法面临权衡：核密度估计（KDE）无需训练但高维精度下降；神经分数匹配模型高维准确但需重训。我们提出DiScoFormer（密度和分数Transformer），通过共享主干和双输出头，在一个前向传播中无需重训即可估计任意分布的密度和分数，利用跨注意力评估任意点的值。
Anima Anandkumar 用 AI 加速科学发现
Anima Anandkumar 是加州理工学院布伦教授，领导 Anima AI + Science 实验室，并曾在亚马逊云服务和 NVIDIA 担任要职。她的研究基于数学和物理第一性原理，开发出“神经算子”这一通用 AI 框架，能模拟从分子到气候的多尺度物理过程，速度可比传统方法快百万倍，且能结合物理定律验证预测。这推动了高分辨率天气预报和新型医疗器械设计等进展。
Vibe物理: AI研究生
在《Vibe physics》客座文章中，哈佛物理学家、NSF IAIFI负责人Matthew Schwartz全程用文字提示指导Claude Opus 4.5完成一项真实理论物理计算，自己从未直接触碰文件。他用提示词封装代码与计算复杂度，两周内得到一篇技术严谨且具影响力的高能理论物理论文，而通常需要一年；过程涉及超过110份草稿、36M tokens和40多小时本地CPU计算。他认为Claude快速、不知疲倦且急于取悦，但也足够粗心，仍需领域专家评估准确性；AI尚未实现端到端科学，但一组提示词已能驱动前沿科学，三个月前还不行。他称这可能是他写过的最重要的论文——不为物理，而为方法。
HIP: 无需导数的Hessian原子间势
分子Hessian（势能的二阶导数）是计算化学许多工作流程的基础，但精确计算通常昂贵且随体系规模扩展性差。本文提出Hessian原子间势（HIP），一种直接预测Hessian的深度学习模型，不依赖自动微分或有限差分。模型利用图神经网络计算最高到l=2的不可约表示（irrep）特征，构建SE(3)等变、对称的Hessian。相比现有方法，HIP的Hessian计算快一至两个数量级，更准确、更省内存、更易训练，且随体系规模扩展性更好。在过渡态搜索、几何优化、零点能修正和振动分析等下游任务中，HIP均表现出一致的优越性能。作者已开源HIP代码和模型权重。