Schrödinger
PulseAugur coverage of Schrödinger — every cluster mentioning Schrödinger across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新方法在无数据样本情况下模拟随机动力学
研究人员开发了一种模拟薛定谔桥的新方法，薛定谔桥是连接两个概率分布的随机动力学系统。这种新方法，称为数据到能量IPF，即使在其中一个或两个分布的样本不可用时，也能推断这些动力学，而是依赖于它们的非归一化密度。该方法受到用于训练扩散采样器的离策略强化学习技术的启发，并在合成场景中取得了成功，包括学习多模态分布之间的传输。作为副产品，该技术还通过学习扩散系数来改进现有的数据到数据薛定谔桥算法。研究人员已将此方法应用于图像到图像翻译任务，通…
-
薛定谔方程拍摄分子；探讨AI的双重用途
本周的文章涵盖了从科学突破到AI双重性质的各种主题。其中一篇详细介绍了科学家如何使用埃尔温·薛定谔的波动方程拍摄分子照片，这曾被认为是不可能的壮举。另一篇文章幽默地建议使用章鱼来对抗入侵的螃蟹，并将其比作潜在的梦工厂动画。该合集还涉及创新的教学方法、AI在海量数据集中查找特定数据点的应用，以及一个人将断头台带到华盛顿最高法院的奇特事件。
-
揭示语言模型知识蒸馏的新分布视图
研究人员为语言模型的知识蒸馏（KD）引入了一种新的分布视角。该方法超越了对 token 分布的点对点比较，而是考虑了教师模型输出的多种温度视图。然后，学生模型针对这些视图的几何感知聚合进行训练，该聚合通过各种池化和聚合方法进行形式化，包括去偏的 Sinkhorn 散度。在指令微调模型上的实验表明，多温度聚合的收益取决于这些视图的离散度，而最优的 KD 损失函数则取决于教师模型和学生模型之间的性能差距。
-
人工智能在药物发现中的应用：进展、挑战与未来展望 · 跟踪 4 个来源
多个来源讨论了人工智能在药物发现领域的现状和未来轨迹。虽然人工智能在加速新药的识别和开发方面显示出潜力，但其对现实世界的影响和广泛采用仍在发展中。该领域在将人工智能驱动的见解转化为切实的临床成功方面面临挑战，需要持续的创新和合作。
-
人工智能在创意自由方面遇到困难，在没有人类输入的情况下产生“垃圾”
一名从公司被解雇的个人开发了一个用于生成 `llms.txt` 文件的自动生成器，在处理大型网站时遇到了重大的开发挑战。这段经历让他质疑当人工智能获得完全创意自由时的真正能力，促使他创建了一个名为“薛定谔的网站”的项目。该项目要求 AI 模型在没有具体指示的情况下生成不寻常的故事和 HTML 布局。结果，特别是来自 Gemini 和 Anthropic Opus 的结果，被描述为“壮观的狗屎”和“HTML 幻觉”，表明在没有人类指导的…
-
新框架可实现高效的反射薛定谔桥训练
研究人员开发了一种新的反射薛定谔桥（SBs）训练框架，该框架比现有方法更高效。这种新方法允许像流匹配一样训练反射SBs，避免了复杂的SDE理论和昂贵的高阶导数。该方法在保持生成性能不变或略有提高的同时，训练和推理时间仅增加极少，并通过耦合图像数据集进行了演示。
-
科技初创公司被敦促在市场转变和人才流失之际考虑退出
当市场状况、增长和竞争动态发出转变信号时，科技初创公司领导者应考虑退出。关键指标包括需要外部能力来扩展、顶尖人才寻求新挑战以及市场整合。当潜在合作伙伴开始像收购方一样行事，并且路线图讨论从增长转向保全时，这表明公司的最高估值窗口可能正在打开。
-
神经网络发现 Strichartz 不等式的极值点
研究人员开发了一种新颖的神经网络流程，用于识别 Strichartz 不等式的极值点，这是色散偏微分方程理论中的一个复杂问题。该方法成功地在特定维度和设置中恢复了已知的高斯极值点，支持了现有猜想。此外，该流程还揭示，对于临界的 Airy-Strichartz 不等式，极值点不收敛于 L^2 轮廓，而是组织成 mKdV 呼吸子，这表明了一个关于上确界性质的新猜想。
-
Google DeepMind的AlphaEvolve AI优化TPU，促进商业AI训练和模拟
Google DeepMind宣布推出AlphaEvolve，这是一款AI驱动的编码代理，已集成到其基础设施中以优化硬件和软件。该系统已将Google下一代TPU的效率提高了20%，并将Google Spanner的写入放大率降低了20%。AlphaEvolve现正通过Google Cloud进行商业化推广，早期用户如Klarna和Schrödinger在其各自领域报告了显著的速度提升和效率提高。