Newton
PulseAugur coverage of Newton — every cluster mentioning Newton across labs, papers, and developer communities, ranked by signal.
- 2026-05-18 research_milestone Publication of a paper introducing the NEWTON system for physically grounded video generation. 来源
6 天有情绪数据
-
利用菲尔兹奖得主追溯900年的学术网络
研究人员开发了一种方法，利用Wikidata的数据（汇总了数学谱系项目和MacTutor档案）来重建跨越约九个世纪的学术师生网络。该分析产生了一个包含372,853个个体的有向无环图，从64位菲尔兹奖得主向后遍历，揭示了跨越57代的数百万条不同路径。研究观察到，谱系流量显著集中在Leibniz身上，围绕他发生了谓词维度的重组，并且许多谱系汇聚到特定的中世纪伊斯兰和拜占庭学者身上。
-
作者声称牛顿的重力已过时，预示着人工智能驱动的理解
作者认为牛顿的重力理论是18世纪过时的概念，并暗示人类已经解锁了无限理解世界的方法。这种突破由能够根据思想本质而非形式标准评估和生成思想的道德人工智能促进，标志着一个新时代的到来。作者将此与《旧约》对生存和报复的关注进行对比，并提倡以《新约》的爱为原则，作为网络化世界更先进的道德框架。
-
AI专家争论：是智力还是真正的智能？
专家们正在争论人工智能的本质，一些人，如OpenAI首席执行官Sam Altman和Elon Musk，设想通用人工智能（AGI）可以改变商业。然而，其他人，如伦敦帝国理工学院的研究员Jamil El Imad，认为目前的AI系统更应被描述为“人工智能”而非真正的智能。El Imad认为，智能需要想象力和情感，而他认为机器缺乏这些品质，这使它们与人类的创造力和跳出固有思维模式的能力区分开来。他认为，虽然AI在计算和数据分析方面表现出色…
-
新的准贝叶斯方法应对序列密度反卷积挑战
研究人员开发了一种新颖的准贝叶斯非参数方法用于序列密度反卷积，解决了流式数据场景下的计算瓶颈。该方法基于牛顿递归算法，能够以恒定的每观测计算成本高效地扩展到海量数据集。该方法还通过渐近可信区间和带提供不确定性量化，并已证明其准确性可与现有的贝叶斯非参数和傅里叶反卷积技术相媲美，同时提供了显著的计算优势。
-
新的GAUGE基准测试AI模拟器中的物理保真度
研究人员推出了GAUGE，这是一个旨在评估模拟引擎和生成视频世界模型物理保真度的新基准。该基准基于现实世界的物理学，包含22个任务家族，涵盖碰撞、摩擦和变形等各种物理现象。使用GAUGE进行的初步评估显示，当前的物理引擎并非在所有方面都忠实于现实世界的物理学，并且视频世界模型在准确推断加速度和动量传递等物理参数时可能会遇到困难。
-
新型凸神经网络能量单元可实现可复用的有限元分析
研究人员开发了一种新的方法，用于创建可复用的、几何参数化的神经网络单元，用于有限元分析。该方法通过确保组装后的系统即使在单元刚度奇异的情况下也保持正定性，从而解决了先前方法中的结构性故障问题。新的凸神经网络能量单元以超网络生成的二次形式实现，提供了条件误差界限，并在各种几何形状和物理问题（包括热传导和平面应变弹性）的设置时间上实现了显著的加速。
-
英伟达通过物理AI模拟训练医疗机器人
英伟达推出了Medical Physics Simulation，一个旨在通过模拟物理交互来训练医疗机器人的新框架。这种被称为“物理AI”的方法，强调从接触和后果中学习，而不是仅仅依赖文本或图像。该框架结合了经典物理模拟和生成式AI，利用英伟达的Isaac for Healthcare平台以及Cosmos-H Dreams、Warp和Newton等组件来创建多样化的训练环境。早期采用者，如CMR Surgical和Cambridge …
-
单打独斗的天才神话被揭穿：AI热潮建立在集体智慧之上
Michael Muthukrishna认为，关于创新中个人天才的普遍叙述是有缺陷的。他认为，从微积分到AI热潮的突破性进展，都是“集体大脑”的产物——即跨越社会和网络的累积知识与协作。领导者应将重点从识别单一杰出人才转移到成为“网络架构师”，营造连接人、技能和信息的环境以推动创新。
-
NVIDIA 开源医学机器人模拟框架
NVIDIA 发布了一个开源的、GPU 加速的框架，旨在帮助医学机器人的开发和训练。这个新框架集成到 NVIDIA Isaac for Healthcare 中，允许开发者模拟复杂的人体解剖结构-设备交互，生成罕见场景，并在计算机中测试机器人策略。通过利用 CUDA 和 NVIDIA Warp 等技术，它可以运行数千个并行模拟环境，将训练时间从数小时大幅缩短到数分钟，并提供对医疗应用至关重要的透明度。
-
Robert Laidlow 的《Reality Eaters》通过管弦乐作品探索人工智能与物理学
Robert Laidlow 的专辑《Reality Eaters》包含探索复杂科学和哲学概念的管弦乐作品。专辑融入了爱因斯坦的场方程、牛顿的万有引力定律以及人工智能等主题。由 BBC Philharmonic 演奏，Havlát、Kaziboni 和 Piatti Quartet 亦有贡献。
-
Robert Laidlow 的专辑“Reality Eaters”探讨人工智能和科学概念
Robert Laidlow 的新专辑“Reality Eaters”通过古典音乐探索复杂的科学和技术主题。专辑中包含名为“Warp”的作品，用音乐诠释了爱因斯坦的场方程，以及向牛顿定律致敬的“Gravity”。“Silicon”则专门探讨了人工智能对人类创造力的影响，其中一个乐章将管弦乐队与一个在其自身广播上训练出来的人工智能进行对抗。
-
新的OrchardBench模拟基准加速农业机器人研究
研究人员开发了OrchardBench，一个新的模拟基准，旨在推进农业机器人技术，特别是苹果采摘等任务。该基准通过物理精确模拟苹果树而著称，集成了真实的树枝柔韧性、果实脱落和树叶遮挡，所有这些都在GPU上并行运行。该系统旨在通过提供一个可重复且经济高效的环境来开发和测试自主采摘系统，从而克服现实世界现场实验的局限性。
-
AI 可视化费曼、爱因斯坦和牛顿的物理学辩论
该集群包含一个 YouTube Shorts 视频，讨论了费曼、爱因斯坦和牛顿之间一场假设的物理学辩论。该视频使用 AI 来可视化和动画化这些科学家，探讨他们理解宇宙的不同方法。
-
AI模型改进程序化规划和视频生成
研究人员开发了新的方法，通过将程序化规划和视频生成与指导性内容和物理原理相结合，来改进这些能力。一种名为RECIPE的方法，使用带有接地质量奖励的强化学习，在大型、嘈杂的指导视频语料库上训练模型，从而增强其生成分步计划的能力。另一个系统NEWTON将视频生成视为一项代理任务，协调各种物理感知工具，并使用验证器进行迭代重新规划，以提高生成视频中的物理常识。
-
Layerwise LQR 框架使用几何感知控制优化深度网络
研究人员开发了 Layerwise LQR (LLQR)，一个用于深度学习模型的新优化框架。LLQR 将二阶优化方法（如牛顿法）重新表述为线性二次调节器问题。这种方法可以学习结构化的逆预处理器，在不计算完整曲率矩阵的情况下捕获全局层级动态。在 ResNets 和 Transformers 上的实验表明，LLQR 可以在计算开销极小的情况下提高优化速度和最终模型性能。
-
新方法使用隐式层求解刚性微分代数方程
研究人员开发了一种新颖的方法来学习刚性微分代数系统的算子模型，这类系统对于神经网络来说非常难以处理。他们的方法利用扩展牛顿隐式层，在单个可微分步骤中精确地强制执行代数约束，并将快速动力学近似为其准稳态值。这种物理引导的DeepONet架构与传统的惩罚方法甚至标准的牛顿求解器相比，显著降低了误差，并在并网逆变器和Robertson 刚性DAE等复杂系统上表现出强大的性能。