California Institute of Technology（加州理工学院）

Knowledge-Centric Self-Improvement

以知识为中心的自我改进

Xuefei Julie Wang, Lauren Hyoseo Yoon, Chengrui Qu, Amanda Zichang Wang, Atharva Sehgal, Eric Mazumdar, Yisong Yue

机构 * Caltech（加州理工学院） 纠错

AI总结 研究以知识为中心的自我改进范式，通过简单协议让智能体尝试任务后为知识库贡献见解并提炼知识，提高了解决率、降低成本，且知识可转移，表明进步可由持久知识驱动。

ITPEval: Benchmarking Formal Translation Across Interactive Theorem Provers

ITPEval：跨交互式定理证明器的形式化翻译基准测试

Jiayi Wu, Robert Joseph George, Anima Anandkumar

机构 * Brown University（布朗大学） ； California Institute of Technology（加州理工学院） 纠错

AI总结 研究形式定理证明生态系统分散问题，提出ITPEval基准测试，涵盖四个主要交互式定理证明器及两种逻辑基础，评估语句和证明翻译，揭示库不匹配是瓶颈，发布相关基础设施和管道，展示多方面评估结果。

Comments 23 pages

OrbitAll: A Unified Quantum Mechanical Representation Deep Learning Framework for All Molecular Systems

OrbitAll：用于所有分子系统的统一量子力学表示深度学习框架

Beom Seok Kang, Vignesh C. Bhethanabotla, Amin Tavakoli, Maurice D. Hanisch, Arimitsu Horikawa-Strakovsky, Miguel Nouman, Danish Khan, William A. Goddard, Anima Anandkumar

机构 * Caltech（加州理工学院） 纠错

AI总结 OrbitAll是几何和物理信息的深度学习框架，利用量子力学方法的自旋极化轨道特征与图神经网络结合，在预测分子性能上表现卓越，使用更少训练数据达化学精度，速度更快，在多样数据集上表现稳健，优于UMA，还能低成本预测溶剂依赖反应途径。

Comments 6 figures

Theory-to-Practice Gap for Neural Networks and Neural Operators

神经网络和神经算子的理论与实践差距

Philipp Grohs, Samuel Lanthaler, Margaret Trautner

机构 * Department of Mathematics（数学系） ； University of Vienna（维也纳大学） ； G-Research ； Department of Computing and Mathematical Sciences（计算与数学科学系） ； California Institute of Technology（加州理工学院） 纠错

AI总结 研究ReLU神经网络和神经算子学习的采样复杂度，在一般$L^p$设置中统一处理理论与实践差距并改进界，还扩展到无限维算子学习，结果适用于多种网络和算子，得出博赫纳$L^p$范数下最佳收敛速率的界定。