Fourier
PulseAugur coverage of Fourier — every cluster mentioning Fourier across labs, papers, and developer communities, ranked by signal.
- 2026-05-13 partnership Fourier Intelligence signed strategic cooperation agreements with NHG Health and Nagoya University to advance embodied healthcare. 来源
12 天有情绪数据
-
DeepSeek融资158亿美元，Meta合作开发机器人，阿里巴巴将AI集成到Apple
DeepSeek 在第二轮融资中获得了高达 1055 亿元人民币（约合 158 亿美元）的巨额资金，吸引了包括腾讯控股和宁德时代在内的近 30 家投资者，国有资本的持股比例进一步提升。在其他消息中，Meta 与中国公司 Fourier 合作开发了一款名为 Max 的人形机器人原型，旨在作为其 Muse AI 模型的实体化体现。此外，阿里巴巴正将其通义千问模型集成到 Apple 即将推出的中国智能功能中，使 Siri 能够直接调用其能力。
-
Meta 据报道已打造出家用人形机器人原型机 Max
Meta 据报道已开发出一款代号为 Max 的人形机器人原型机，旨在执行家务。该机器人与中国机器人公司 Fourier 合作制造，身高约 1.5 米，体重约 106 磅。它配备了用于面部表情的显示屏、扬声器以及能够抓握小型物体的双手，由英伟达的 Jetson Thor 芯片提供动力。Meta 正在研发第二款原型机 Max 2，将增加投影仪和额外的传感器等功能，这标志着该公司在人工智能模型研究之外，正大力进军具身硬件领域。
-
新框架O2D-MedNet增强医学图像分割能力
研究人员开发了O2D-MedNet，一个旨在改进医学图像分割的新型框架。这种双域方法整合了傅里叶域和小波域的特征，以更好地处理图像退化并保留关键细节。此外，它采用了一种跨骨干融合策略，将基于CNN的局部建模与基于视觉状态空间（visual state-space）的全局建模相结合，以提高边界的准确性和一致性。该框架还包含一种梯度-上下文优化技术，以稳定训练，尤其是在类别不平衡或样本难度各异的情况下。在六个基准测试上的实验表明，O2D-…
-
WaFIR 引入子带自适应路由用于盲目图像复原
研究人员推出 WaFIR，一个用于盲目一体化图像复原的新型解码器模块。该系统将图像特征分解为子带，使用傅里叶描述符总结每个子带，并将它们路由到专门的专家进行处理。WaFIR 在去噪、去雨和去雾任务上展示了优于现有基线模型的性能，并对未见过的退化和复合效应表现出鲁棒性。
-
FoundPDE：用于PDE符号发现的新基础模型
研究人员开发了FoundPDE，一个用于从数据中符号发现偏微分方程（PDE）的生成式基础模型。这个基于Transformer的模型利用傅里叶和空间导数增强来提取轨迹信息和优化系数。FoundPDE在20个PDE家族的基准测试中表现强劲，实现了97.50%的类型识别率，并在系数偏移和噪声下保持鲁棒性。该模型还支持少样本微调以发现未见的复合方程，并能用有限的额外数据扩展到新的物理领域。
-
新型 AQUA-Net 模型通过频率和光照融合增强水下图像
研究人员开发了 AQUA-Net，这是一种新颖的深度学习模型，旨在增强水下图像。该网络通过整合空间、频率和光照域处理来解决颜色失真和低对比度等挑战。AQUA-Net 采用带有辅助分支的残差编码器-解码器，利用傅里叶变换获取频率信息，并利用学习到的光照图进行自适应曝光校正。该模型在参数更少的情况下，与最先进的方法相比表现出竞争力，并且其有效性通过来自地中海的新高分辨率数据集得到了进一步验证。
-
新方法学习量子状态制备的最优相位
研究人员开发了一种新方法，利用SNAP-位移序列优化玻色子Qudit中的量子状态制备。该技术学习哪些相位是必需的及其值，采用可微分掩码和稀疏性惩罚来去除冗余相位。该方法旨在通过简化具有多个可训练相位的系统所需的复杂控制脉冲来减少控制误差。与全参数化和预定义的稀疏ansatzes相比，根据目标状态和Qudit维度，该方法在保真度-资源权衡方面表现出具有竞争力或有所改进。
-
研究揭示 MLP 中的领悟会强化预先存在的算法
一篇新发表在 arXiv 上的研究调查了神经网络中“领悟”（grokking）现象，特别关注在模运算上训练的 ReLU MLP。研究人员发现，这些网络并未发展出正弦权重分布，而是发展出近乎二元的方波输入权重和满足特定相位和关系的输出权重。通过使用这些提取的参数构建一个理想化的 MLP，研究表明网络在记忆过程中实质上编码了正确的算法，而领悟的作用在于通过二值化输入权重和对齐输出权重来精炼该算法，而不是重新发现它。
-
新的FA-PI方法增强了混凝土结构中的缺陷检测
研究人员开发了一种名为频率-幅度持久性图像（FA-PI）的新方法，以改进使用冲击回波测试检测混凝土结构中的缺陷。该技术从傅里叶幅度谱构建二维图像，表示频率箱位置和幅度。FA-PI在实验和公共数据集上进行了评估，与传统的原始和平滑傅里叶谱相比，尤其是在嘈杂条件下，表现出优越的性能。研究结果表明，这种二维频谱表示提高了缺陷分类的准确性。
-
新方法解释神经网络如何学习模块加法
研究人员开发了一种使用概率签名的新方法，以理解神经网络如何学习模块加法任务。该方法揭示了这些网络会形成特定的傅里叶结构表示，从而实现精确泛化。该研究还解释了为什么在没有连贯泛化规则的情况下，噪声数据有时会导致这些网络在初期学习更快。
-
研究揭示随机测试低估了神经算子的误差
一篇新发表在arXiv上的研究调查了神经算子的准确性，特别是那些利用基于波的处理器进行傅里叶层的神经算子。研究强调，在制造和对齐变化下，随机设备测试显著低估了这些算子的最坏情况误差。通过采用定向搜索方法，研究发现搜索到的设备上的误差比在大量随机抽样设备上观察到的误差大得多，这表明当前此类硬件的典型验证方法存在严重缺陷。
-
新的 S2-PINN 方法在随机偏微分方程的不确定性量化方面取得进展
研究人员开发了 S$^{2}$-PINN，这是一种用于随机偏微分方程不确定性量化_的新方法。该方法利用了可学习的高斯空间字典、傅里叶时间特征和广义多项式混沌 (gPC) 随机基，所有这些都通过低秩的 Canonical Polyadic (CP) 张量分解进行集成。S$^{2}$-PINN 使用混合损失函数进行训练，并在包括泊松、达西和 Navier-Stokes 问题在内的各种基准测试中，与九种基线方法相比，在准确性和校准方面均表现出优越性。
-
新AI方法利用傅里叶相位增强医学图像泛化能力
研究人员开发了PhaseAT，一个新颖的对抗训练框架，旨在提高深度学习模型在医学成像中的泛化能力。该方法侧重于操纵图像的傅里叶相位谱，这被认为编码了关键的语义信息，同时保持幅度谱不变。通过生成相位扰动的训练视图，PhaseAT增强了模型对不同扫描仪和采集协议之间变化的鲁棒性，从而显著提高了域泛化能力。
-
研究发现，目标表征质量对GCRL性能影响甚微
一篇新研究论文调查了目标表征对目标条件强化学习（GCRL）的影响。研究发现，在确定性迷宫导航任务中，目标表征的质量对下游性能影响甚微。相反，代理的当前状态表征被确定为主要瓶颈。研究表明，改进状态表征，例如通过随机傅里叶位置编码，可以带来显著的性能提升。
-
新的 R$^2$NO 框架将模拟神经网络算子适配到现实世界数据
研究人员开发了一个名为保留与修复神经网络算子 (R$^2$NO) 的新框架，以更好地将基于模拟预训练的神经网络算子适配到现实世界数据。该方法包括微调预训练算子，然后使用冻结版本提供基础预测。一个单独的修复模块随后学习改进，并与原始预测相结合。在 RealPDEBench 数据集上，R$^2$NO 的性能优于标准的微调和迭代改进技术。
-
AI模型可从血管造影预测冠状动脉血流
研究人员开发了一种新颖的、受物理信息启发的深度学习框架，用于从双视角血管造影中分析冠状动脉血流，解决了现有方法的局限性。该系统使用注意力增强型CNN重建冠状动脉几何结构，然后对其进行傅里叶编码以进行表示。一个解耦网络预测速度和压力场，并结合物理先验以实现跨生理条件的有效迁移。该方法在经狭窄压降方面实现了2.02%的平均绝对百分比误差，在诊断准确性方面达到医院测量的FFR的93.8%，整个流程每位患者的完成时间不到20分钟。
-
新论文提出将知识存储为周期性潜在动态
一篇题为“知识作为轨道：有限集合作为精确周期潜在生成器的阶段”的新研究论文提出了一种新颖的方法，用于内在地而非外在地存储有限知识。该方法将每个项目编码为学习到的潜在空间的旋转的一个阶段，并由一个共享网络解码所有阶段。该方法利用代数和共享解码器提供的精确周期性，将知识存储为动态，在基准剪辑上实现了高保真度和压缩。
-
深度学习框架实现了不同物理域之间的跨物理映射
研究人员推出了一种新颖的算子学习框架——跨物理映射（CPM），该框架使深度学习模型能够在由不同方程控制的物理域之间进行转换。该研究通过兼容的潜在表示和无量纲缩放原理提出了此类映射的条件。扩散场和波场的实验表明，虽然波场到扩散场的映射更稳定，但扩散场到波场的映射更具挑战性，其中U-NO架构在后一种情况下表现最佳。
-
新框架通过极限核分析编码器-解码器算子学习
本文介绍了一种分析编码器-解码器架构中算子学习的新颖框架。它在函数空间上构建算子学习，解决了有限维训练数据表示的挑战。研究表明，随着输入和输出分辨率的增加，诱导核收敛到极限核，从而实现分辨率无关的正则性假设。该工作还为正则化随机梯度下降提供了理论界限，并将分析扩展到使用极限神经切线核的编码器-解码器神经网络。
-
新研究表明，结构化特征在机器学习模型中会过拟合
研究人员已证明，在参数过多的岭回归中，结构化特征图会导致过拟合，而无结构的随机特征图则能泛化。具体而言，在 $\mathbb{Z}_p^2$ 上的限带傅里叶特征图，即使在插值阈值以下，随着频带的增加，其准确性也会下降。研究发现，活跃模式的数量，而非容量比，对性能有显著影响，这凸显了特征几何在泛化中的重要性。