physics
PulseAugur coverage of physics — every cluster mentioning physics across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
基础模型在多智能体系统中协调以增强推理能力 · arXiv 研究
研究人员开发了一个多智能体框架，通过协调不同的模型来增强基础模型的推理能力。该系统包括生成初步草稿的求解器模型、通过结构化批评进行改进的批评智能体，以及综合最终共识的聚合器。评分模块评估解决方案的语义、数值和程序方面。实验表明，模型异质性是性能提升的关键驱动因素，而非框架架构或冗余采样，从而使准确性提高了 2.3 倍，并提高了分步推理质量。
-
人工智能在物理学研究中的潜力因其对现有数据的依赖而受到制约
人工智能通过学习现有模拟有望加速物理学研究，但这种对先前数据的依赖可能导致人工智能错过新颖的发现。研究人员建议，要使人工智能真正推动物理学发展，它必须能够忘记过时的假设并探索未知。
-
生成式AI和物理学加速抗生素发现
研究人员正在探索利用生成式AI和物理学原理来加速新型抗生素的发现。这种跨学科方法旨在通过更有效地识别新的候选药物来应对日益严峻的抗生素耐药性挑战。AI和物理学的结合有可能彻底改变抗生素的药物发现流程。
-
新技术“Om”出现；讨论了动能的物理概念
一种名为Om的新技术已经出现，因其新颖的问题解决能力而在科技界引起了兴趣。虽然具体细节仍在发展中，但Om有望产生相当大的影响，特别是在英国的科技和医疗保健领域。另外，一个基本的物理概念——动能及其与速度的平方成正比的关系——正在被讨论，这凸显了它对英国工程设计的重要性。
-
分析机器学习在物理学中的可解释性与可解释性
本文回顾了在应用于物理学的机器学习背景下，可解释性与可解释性的概念。作者将可解释性定义为模型的结构透明度，将可解释性定义为模型映射到领域知识的能力。作者讨论了实现这些特性的固有权衡、必要背景和可用工具，并强调机器学习模型与传统模型一样受到科学审查。文章指出，可解释性与可解释性是刻意设计的选择，而非固有属性，并强调了任务规范和干预计划在模型设计中的重要性。
-
Transformer 成功生成用于物理学研究的复杂几何结构
研究人员已证明，Transformer 模型可以被训练来生成特殊三角剖分，这是与数学和物理学相关的复杂几何结构。这些模型在配备了合适的编码方案后，可以有效地创建 4D 反身多胞体（4D reflexive polytopes）的新型精细、规则和星形三角剖分（FRSTs）。研究还发现，这些 Transformer 模型可以通过对其生成输出的再训练来提高自身性能，从而可能有助于 Calabi-Yau 流形（Calabi-Yau manif…
-
Nate Soares 提出高斯自然潜在空间研究方向
Nate Soares 提出了一个名为高斯自然潜在空间（Gaussian Natural Latents）的新研究方向，旨在开发一套严谨的概念和抽象理论。该方法利用高斯分布作为简化模型来推导具体定理，类似于物理学家使用“球形牛”来模拟复杂系统。该研究已取得初步成果，包括关于高斯系统中精确和近似自然潜在空间的存在性及其性质的定理，为理解更一般情况下的抽象提供了潜在途径。
-
从物理学视角探索深度学习的统计特性 · arXiv论文
arXiv上发表的一篇新论文从物理学角度探讨了深度学习的统计特性，并将其性能与经典统计学进行了对比。该研究考察了深度学习的关键特征和令人惊讶的方面，详细介绍了模型构建中涉及的选择。它特别回顾了神经缩放定律及其在物理学应用中与约束和归纳偏见（inductive biases）的相互作用。
-
讲座表明人工智能可能激发新的科学思想
Mario Krenn 的一次讲座探讨了人工智能作为科学研究的缪斯的潜力。Krenn 认为，人工智能可以超越单纯的计算和分析，激发新颖的想法和实验。这一概念与创造力、物理学和科学探索的未来有关。
-
新框架通过相变解释系统收敛
研究人员提出了一个名为分层涌现框架（HEF）的新框架，以解释复杂系统（从机器学习到生物学）如何收敛到相似的高层结构。HEF将涌现建模为机制景观中的一个相变，识别出一个关键能量阈值，该阈值将竞争机制与单一、最优机制区分开来。在模块化算术上训练的Transformer实验证明了该转变的可重复指纹，权重范数在泛化之前达到峰值，准确率收敛到一致值。
-
《Europhysics News》探讨人工智能对物理学的变革性影响
最新一期《Europhysics News》杂志聚焦人工智能对物理学领域产生的重大影响。文章深入探讨了人工智能如何改变物理学研究的构思、实践和交流方式。该杂志强调了人工智能作为科学发现的合作伙伴日益增长的作用。
-
Demis Hassabis 设想 AI 用于物理学和通用人工智能，引发社会讨论
DeepMind 首席执行官 Demis Hassabis 阐述了他利用前沿 AI 解决基本物理学问题并开启通用人工智能 (AGI) 新时代的愿景。他强调了 AGI 的社会和哲学意义，并敦促就其影响进行积极讨论。此外，Donald Hoffman 的观点认为，我们感知的现实是进化界面，而非客观真理，这与 AI 和认知科学有相似之处。
-
新的“学习力学”理论旨在像物理学一样解释深度学习
一篇新论文提出了“学习力学”的概念，将其作为开发深度学习科学理论的框架。该方法借鉴了物理学的类比，旨在数学上描述神经网络训练过程的动力学、表示和结果。作者认为，这种视角是对现有方法（如机械可解释性）的补充，就像物理学和生物学在自然科学中是互补的一样。
-
讲座表明人工智能可能激发新的科学想法和实验
Mario Krenn 的一场讲座探讨了人工智能作为科学发现的缪斯的潜力。Krenn 认为，人工智能可以超越单纯的计算和分析，积极激发新的想法和实验。这一概念是在物理学和研究的未来背景下讨论的。
-
AI模型HANNA在物理定律内预测液态混合物热力学性质
研究人员开发了一个名为HANNA的新机器学习模型，旨在预测复杂液态混合物的热力学性质。该模型受到物理定律的约束，确保其预测符合基本的热力学原理。HANNA旨在提高预测相平衡和此类混合物整体行为的准确性。
-
AI 争论反映物理学停滞；讨论代理代码审查和 API 成本
作者讨论了 AI 中关于大型语言模型是构建内部世界模型还是仅仅进行模式匹配的哲学辩论，并将其与基础物理学中类似的停滞辩论进行了类比。在实际的 AI 开发中，代码审查会产生一个主要的代理问题，可以通过使用代理进行更改、测试并为其他代理创建审查的拉取请求来管理。作者还指出，直接使用计算机进行 AI 任务的成本远高于使用结构化 API，这表明 API 将成为代理自动化的首选方法。
-
新方法提高文本到图像检索和知识生成准确性
研究人员推出 KVBench，这是一个旨在评估知识密集型领域中文本到图像模型准确性的新基准。该基准涵盖生物学、化学和物理学等学科，揭示了当前模型存在的显著缺陷，尤其是在逻辑推理和符号精度方面。为解决这些问题，提出了一种名为 KE-Check 的框架，通过提示丰富和约束执行来提高科学保真度，从而减少不准确性。
-
新研究探索稀疏注意力和多模态推理，以实现更快、更准确的人工智能
研究人员开发了增强人工智能模型推理能力的新方法，重点关注效率和准确性。其中一种方法 LessIsMore 引入了一种无需训练的稀疏注意力机制，该机制在显著降低计算开销的同时保持了推理质量。另一项开发“思考像素”（The Thinking Pixel）将递归稀疏推理集成到多模态扩散模型中，通过迭代细化视觉标记来改进文本到图像的生成。此外，一种“视觉增强深度缩放”（Visual Enhanced Depth Scaling）技术通过自适应…
-
Geoffrey Hinton 曾表示机器学习现在应该会超越放射科医生
一位住院医师表示，Geoffrey Hinton 在 2016 年预测 AI 将在五年内超越放射科医生，这一预测并未实现。尽管取得了重大进展，并且有许多支持 AI 的医疗设备已获批用于放射学，但该领域仍面临严重的放射科医生短缺问题。作者认为，虽然 AI 充满希望，但其在放射学中的应用比最初预测的更为复杂，专业人士对其未来影响的争论仍在继续。