cosmology
PulseAugur coverage of cosmology — every cluster mentioning cosmology across labs, papers, and developer communities, ranked by signal.
-
学者敦促批判性采纳人工智能，禁止在课堂上使用
一封致荷兰大学的公开信呼吁采取批判性的人工智能采纳方法，敦促各机构因数据隐私问题和腐败流程的可能性而抵制将Microsoft和OpenAI等公司的人工智能系统整合到其自身运营中。该信还主张禁止在学生作业中使用人工智能，以防止技能退化和抄袭，并呼吁学者们在不受行业影响的情况下保持批判性参与技术的自由。一位来自Maynooth大学的签署者对领导层对人工智能的无批判性吹捧表示失望，强调了严格的学术标准和监督评估的必要性。
-
博客文章声称300年科学范式停滞不前，提出电流新理论
一篇发布于2026年8月19日的博客文章认为，已有300年历史的牛顿范式在科学认识上造成了一个“滞后回线”，导致了宇宙学和量子物理学等领域的停滞。作者认为，真正的科学突破需要一种合乎道德、无私的方法，并将其与现代科学界仅仅关注计算的现状进行对比。文章还提出了一个新的电流理论，认为电流不仅仅是电子流动，而是一种代表导电介质中变形和记忆的“滞后波”。
-
FLARE MCMC 方法提高了复杂模型的计算效率
研究人员开发了 FLARE MCMC，一种新颖的多保真度分层马尔可夫链蒙特卡洛方法，旨在提高复杂模型的混合率并降低计算成本。该技术利用似然计算的低保真度近似，这在水文学和宇宙学等科学应用中很常见，在这些应用中可以调整模拟精度。实验结果表明，与传统的 MCMC 方法相比，FLARE MCMC 在相同计算时间内实现了更大的有效样本量。
-
作者使用Bostrom的论点和经验证据论证模拟假说
作者探讨了我们很可能生活在模拟中的想法，并从中引出了多条推理线索。这包括理论论点，如Nick Bostrom的模拟论点，该论点认为，要么人类灭绝，要么文明不运行模拟，要么我们就生活在模拟中。此外，作者还考虑了表明世界是故意设计的经验证据，以及超级智能生物创造此类模拟的可能性。
-
机器学习框架增强物理学和宇宙学中的参数推断
研究人员开发了一个新的机器学习框架，用于模拟高能物理学和宇宙学中复杂的似然景观。该框架利用XGBoost高效探索高维参数空间，在计算速度和置信区域分辨率方面具有优势。该方法已在半轻衰变的B介子中得到验证，并可适用于其他系统，如类轴子粒子。SHAP值被用于确保机器学习预测的透明度和物理可解释性。
-
新综述文章详细介绍了基础物理学发现的人工智能验证框架
一篇新的综述文章概述了用于基础物理学研究的人工智能系统的验证和评估框架。该文章“我们是否准备好迎接人工智能驱动的发现？下一次基础物理学突破前的人工智能验证”强调了在粒子物理学、天体物理学和宇宙学等领域进行严格机器学习评估的关键需求。文章指出了机器学习固有的局限性，如归纳偏差和样本复杂度，并讨论了物理学家在确保人工智能驱动的发现过程中科学严谨性方面不断发展的作用。
-
星系研究挑战宇宙均匀性假设
一项分析来自4700万个星系的数据的最新研究表明，宇宙可能不像之前认为的那样均匀。该研究表明，宇宙网在巨大尺度上表现出图案，可能挑战宇宙学的基本原理。这一发现可能需要对现有的宇宙学模型进行重大重新评估。
-
AI迁移学习助力宇宙学新物理学发现
研究人员正在人工智能领域采用迁移学习技术来探索宇宙学中的新物理学。这种方法利用现有的AI模型来加速发现与宇宙结构和演化相关的新科学原理。这些发现可能极大地增进我们对宇宙现象的理解。
-
新指南解释用于科学的嵌套采样算法
一篇关于嵌套采样算法的新的理论指南已在arXiv上发表，全面解释了其推导和实际应用。该论文旨在作为新手的教程和经验丰富者的批判性回顾。嵌套采样在探索高似然区域方面尤其高效，在宇宙学和天文学等领域具有重要价值。
-
谷歌研究利用AI工具加速科学发现
谷歌研究人员正在利用一款名为经验研究助手（Empirical Research Assistance, ERA）的AI工具来加速各个领域的科学发现。ERA已被用于生成专家级的经验软件，应用于流行病学、宇宙学、大气监测和神经科学等领域。在流行病学方面，ERA在预测COVID-19、流感和RSV住院人数方面，已显示出与现有工具相当或更优的表现，并已提交给公开排行榜，取得了优异的成绩。该工具还在探索其潜力，以从数据中解锁更深层次的见解，并发…