Erasmus
PulseAugur coverage of Erasmus — every cluster mentioning Erasmus across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新AI模型简化计算科学和天文学光谱分析
研究人员推出了FARMS系统，旨在使计算数学可被AI解释和重用，以加速科学发现。FARMS将形式数学陈述与其源上下文和算法含义联系起来，提供明确的保证。该系统在处理数值线性代数和微分方程方面取得了成功，并估算了每个目标的成本。此外，OmniSpectra已被开发为天文学光谱表示学习的统一基础模型。该模型采用波长原生设计，使用连续坐标和基于物理的解码器来高效学习跨仪器表示，通过编码物理结构，以显著更少的参数实现了最先进的性能。
-
新的AstroSpecLM模型将语言模型与天文光谱相结合
研究人员开发了AstroSpecLM，这是一种新颖的光谱-语言模型，旨在分析天文光谱并提供证据支持的解释。该模型将一维DESI光谱与Qwen3-4B语言模型连接起来，以回答问题和解释光谱特征。通过首先将光谱提炼为一组事实，AstroSpecLM生成的指令遵循对话在分类和红移估计方面与现有的监督方法具有竞争力，同时还提供自然语言的理由。
-
伊拉斯谟学生分享在波尔图课程中对AI的希望与担忧
一位在葡萄牙波尔图参加伊拉斯谟课程的学员分享了对人工智能的初步想法，表达了对其融入学习的希望和担忧。该帖子发布在去中心化社交网络Mastodon上，并带有#AI、#erasmus和#Porto等相关标签，并提到了欧盟委员会。
-
AI模型从图像预测星系光谱，降低观测成本
研究人员开发了一种新颖的概率基础模型，该模型仅使用宽带图像即可预测星系的详细光谱数据。该模型在暗能量光谱仪（DESI）的大量数据上进行了训练，绕过了对观测成本高昂的传统积分视场光谱仪（IFU）的需求。该系统通过利用掩码自编码器框架并结合感知光纤和红移的编码，实现了类似IFU的光谱分辨率和空间映射能力，其性能与直接在MaNGA巡视的IFU数据上训练的监督方法相当。
-
新的DeSI框架使用深度学习预测非欧几里得输出
研究人员推出了一种名为DeSI（Deep Single-Index Fréchet Regression）的新框架，该框架旨在从高维输入预测非欧几里得空间中的输出。DeSI利用深度神经网络来估计一个可解释的索引方向，揭示不同输入的相对重要性。这种方法旨在减轻维度灾难的影响，同时保持可解释性，与标准的深度神经网络形成对比。该框架在模拟和实际应用中都表现出了强大的预测性能。