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
1 天有情绪数据
-
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。