physics
PulseAugur coverage of physics — every cluster mentioning physics across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
Mastodon 讨论 AI 知识蒸馏
一位 Mastodon 用户分享了关于为加深理解而蒸馏前沿 AI 模型的一篇帖子。该帖子使用了与 AI、机器学习和学术追求相关的标签，暗示了对用于学习和研究的知识蒸馏的关注。
-
Claude Fable-5 加速哈佛物理学研究，助力 36 篇论文
一位哈佛物理学家使用 Claude Fable-5 三个月，期间该人工智能模型显著加速了研究。Claude Fable-5 在短短 20 分钟内就完成了数周的工作，并解决了 15 项以前棘手的物理学计算。这项先进的人工智能协助为 18 个不同科学领域的 36 篇论文的发表做出了贡献。
-
人工智能的炒作掩盖了基础科学，用户认为
一位Mastodon用户表示担忧，目前围绕机器学习和人工智能的炒作和歇斯底里正在掩盖物理学和数学等基础科学领域的悠久而丰富的历史。用户认为，这些成熟领域的贡献远远超过了当前人工智能进步的贡献，并建议即使人工智能能够解决黎曼猜想等复杂问题，数学本身的追求仍然具有重要价值。该帖子警告不要将人工智能的进步视为迫在眉睫的生存威胁，而是将当前的讨论比作痴呆症，而不是真正的僵尸启示录。
-
深度学习框架从地震数据中检测数百万次长须鲸叫声
研究人员开发了一个深度学习框架，用于检测海底地震仪记录中的长须鲸叫声。该方法在水听器数据上进行训练，无需重新训练即可成功推广到不同地区地震仪数据。该系统应用于超过378,000小时的记录，以高精度识别了630万次叫声，创建了迄今为止最大的长须鲸叫声目录，并能够对季节性变化和盆地尺度活动模式进行生态分析。
-
AI训练方法在没有明确推理监督的情况下蒸馏领域专业知识
研究人员开发了一种新的训练专业AI模型的方法，该方法侧重于在不需要教师模型的明确推理监督的情况下蒸馏领域专业知识。该方法利用学生模型作为探针，来分析在训练过程中专家模型隐式选择的潜在推理轨迹。研究发现，专家模型和学生模型的专业化-泛化特征之间存在很强的相关性，这表明控制专家模型的分布漂移可以系统地影响蒸馏学生模型在领域精度和通用能力保持之间的权衡。该技术为专家训练提供了新的视角，强调了在没有明确推理的情况下，调整选择如何直接控制潜在监督。
-
新的专家验证的STEM问答数据集挑战前沿AI模型
一个名为“专家验证的STEM问答”的新数据集已被开发出来，以解决现有AI评估数据集的局限性。该数据集包含物理、化学、生物和数学领域的398个问题，由241名领域专家创建和验证。初步测试显示，前沿AI模型在该数据集上的表现低于25%，表明其作为具有挑战性的基准的潜力。在数据集的私有版本上进行进一步训练，使一个开源模型在相关的STEM基准上的表现提高了15%。
-
香港将于2029-30学年起修订高中科学与数学课程
香港将于2029-30学年开始全面改革高中科学与数学课程。此举旨在提高学生选修科学科目的比例，并培养创新科技人才。拟议的变更包括为物理、化学和生物学提供额外的课程选项，并已发布课程草案供公众咨询。
-
讨论物理学研究中的机器学习模型误设
一篇新发表在arXiv上的论文讨论了机器学习在物理学应用中模型误设的挑战。作者们强调，虽然机器学习对于解决粒子物理学和天文学等领域的逆问题至关重要，但它既能放大也能缓解意外的模型故障。该论文提出了一种迭代方法，包括一套互补的诊断和模型更新，以检测和解决这些“未知之未知”，并强调了对模型局限性保持怀疑的主动态度。
-
新框架指导STEM评估中的GenAI使用
一篇新论文提出了一个框架，用于将生成式人工智能（GenAI）整合到STEM评估中，平衡学术诚信的需求与为AI赋能的工作场所做准备。该框架以证据中心设计为基础，根据学习目标和任务特征，提供了关于何时限制、脚手架化或要求使用GenAI的决策规则。它建议限制GenAI用于基础知识，通过脚手架化来减少外围需求，并要求将其用于涉及人机协作和AI素养的任务，并使用物理学示例来说明其应用。
-
新的SciSchema.org集合标准化科学过程描述
研究人员推出了SciSchema.org，这是一个包含16个模式的集合，旨在跨学科标准化科学过程的描述。这些模式采用结合大型语言模型和专家反馈的人工干预方法开发，涵盖生物学、化学、物理学和心理学等领域。其目标是通过结构化输入、输出、参数和来源等细节，来提高科学研究的可比性、可重复性和自动化程度。
-
人工智能不确定性量化：分类、验证和可信度
arXiv上的一篇新论文“物理学和人工智能中的不确定性：分类、量化和验证”，作者是Ramon Winterhalder等人，为物理学应用中的机器学习不确定性量化提供了结构化概述。它引入了一个统一的不确定性分类法，在频率学和贝叶斯框架内区分预测不确定性和推理不确定性。该论文还详细介绍了覆盖率、校准和适当评分规则等验证工具，并用回归和分类示例说明了它们的用法。同时，Karthik Amirapu在dev.to上发表的一篇题为“人工智能中的…
-
新基准显示大型语言模型在复杂科学推理方面存在困难
开发了两个新基准 PHD 和 SDABench，用于评估大型语言模型 (LLM) 在科学发现和数据分析方面的能力。PHD 侧重于模型从不确凿证据中自主构建假设空间的能力，而 SDABench 则评估了包括探索、推理和跨不同科学领域的机械推理在内的六项特定科学能力。对 15 个大型语言模型的初步评估表明，虽然模型在描述性任务方面表现出色，但在更复杂的推理、假设选择和机械解释方面存在困难，这表明它们在科学发现潜力方面存在显著差距。
-
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。