California Institute of Technology（加州理工学院）

Autonomous Materials Exploration by Integrating Automated Phase Identification and AI-Assisted Human Reasoning

通过整合自动化相识别和AI辅助的人类推理实现自主材料探索

Ming-Chiang Chang, Maximilian Amsler, Duncan R. Sutherland, Sebastian Ament, Katie R. Gann, Lan Zhou, Louisa M. Smieska, Arthur R. Woll, John M. Gregoire, Carla P. Gomes, R. Bruce van Dover, Michael O. Thompson

机构 * Department of Materials Science and Engineering, Cornell University, Ithaca, NY 14853, United States（材料科学与工程系，康奈尔大学，Ithaca, NY 14853, United States） ； Department of Computer Science, Cornell University, Ithaca, NY 14853, United States（计算机科学系，康奈尔大学，Ithaca, NY 14853, United States） ； Joint Center for Artificial Photosynthesis, California Institute of Technology, Pasadena, CA 91125（人工光合作研究中心，加州理工学院，Pasadena, CA 91125） ； Cornell High Energy Synchrotron Source, Cornell University, Ithaca, NY 14850, United States（康奈尔高能同步辐射源，康奈尔大学，Ithaca, NY 14850, United States） 纠错

AI总结 通过整合自动化相识别和AI辅助的人类推理，实现自主材料探索，提升材料合成效率和发现新材料的能力。

Comments Main manuscript: 21 pages(including references), 6 figures. Supplementary Information: 12 pages, 9 figures, 1 table

Walk the PLANC: Physics-Guided RL for Agile Humanoid Locomotion on Constrained Footholds

在受限足部支撑上实现敏捷人形机器人运动：基于物理的强化学习

Min Dai, William D. Compton, Junheng Li, Lizhi Yang, Aaron D. Ames

机构 * Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程系，加州理工学院） ； Department of Computing and Mathematical Sciences, California Institute of Technology（计算与数学科学系，加州理工学院） 纠错

AI总结 本文提出基于物理的强化学习方法，结合结构化步态规划与数据驱动适应，实现人形机器人在受限足部支撑上的敏捷运动，显著提升可靠性。

Tree-Preconditioned Differentiable Optimization and Axioms as Layers

基于树预条件的可微优化与公理作为层

Yuexin Liao

机构 * Division of Physics, Mathematics and Astronomy (PMA), California Institute of Technology（物理、数学与天文系，加州理工学院） 纠错

AI总结 本文提出了一种将公理结构嵌入神经网络的可微优化方法，通过树预条件共轭梯度求解器实现超线性收敛，解决以往难以处理的问题规模，并消除惩罚方法的结构过拟合问题。

Comments Comments and collaboration are highly welcome

Beyond the "Truth": Investigating Election Rumors on Truth Social During the 2024 Election

超越‘真相’：在2024年大选期间探究Truth Social上的选举谣言

Etienne Casanova, R. Michael Alvarez

机构 * California Institute of Technology（加利福尼亚理工学院） 纠错

AI总结 本文利用LLMs开发多阶段谣言检测代理，通过大规模数据集和自然环境实验，揭示谣言传播中的虚假真相效应及信念强化机制。

Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems

用于量子自旋系统动力学学习的傅里叶神经算子

Freya Shah, Taylor L. Patti, Julius Berner, Bahareh Tolooshams, Jean Kossaifi, Anima Anandkumar

机构 * Department of Computing + Mathematical Sciences (CMS), California Institute of Technology (Caltech), Pasadena, CA 91125, USA（计算+数学科学部，加州理工学院（Caltech），帕萨迪纳，CA 91125，USA） ； Ahmedabad University, Ahmedabad 380015, Gujarat, India（阿赫迈达伯德大学，阿赫迈达伯德，Gujarat，India） ； NVIDIA, Santa Clara, CA 95051, USA（NVIDIA，圣克拉拉，CA 95051，USA） 纠错

AI总结 本文提出利用傅里叶神经算子模拟量子自旋系统的时间演化，通过减少输入维度和提高计算效率，实现了对量子系统的高效模拟。

Comments 12 pages, 4 figures

A Novel Convolution and Attention Mechanism-based Model for 6D Object Pose Estimation

一种基于卷积和注意力机制的新型模型用于6D物体姿态估计

Alexander Du, Xiujin Liu

机构 * California Institute of Technology（加州理工学院） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出了一种结合Legendre卷积和注意力机制的新型模型，用于提高单目RGB图像中6D物体姿态估计的性能。

Comments 6 pages, 2 figures, 3 tables

When the Coffee Feature Activates on Coffins: An Analysis of Feature Extraction and Steering for Mechanistic Interpretability

当咖啡特征在棺材上激活：对特征提取和转向用于机制可解释性的分析

Raphael Ronge, Markus Maier, Frederick Eberhardt

机构 * Department of Philosophy of Nature and Technology（自然哲学与技术系） ； Munich School of Philosophy（慕尼黑哲学学院） ； Division of the Humanities and Social Sciences（人文与社会科学系） ； California Institute of Technology（加州理工学院） 纠错

AI总结 本文分析了通过稀疏自编码器提取特征和控制模型输出的方法，指出其在机制可解释性中的局限性和可靠性问题，强调需转向更可靠的预测与控制。

Comments 33 pages (65 with appendix), 1 figure

Aligning Text, Images, and 3D Structure Token-by-Token

对齐文本、图像和3D结构逐个标记

Aadarsh Sahoo, Vansh Tibrewal, Georgia Gkioxari

机构 * California Institute of Technology（加州理工学院） 纠错

AI总结 本文提出统一的LLM框架，实现文本、图像和3D结构的对齐，通过结构化3D场景模态提升3D场景理解与重建能力。

Comments Project webpage: https://glab-caltech.github.io/kyvo/

NitroGen: An Open Foundation Model for Generalist Gaming Agents

NitroGen：一种通用游戏代理的开源基础模型

Loïc Magne, Anas Awadalla, Guanzhi Wang, Yinzhen Xu, Joshua Belofsky, Fengyuan Hu, Joohwan Kim, Ludwig Schmidt, Georgia Gkioxari, Jan Kautz, Yisong Yue, Yejin Choi, Yuke Zhu, Linxi "Jim" Fan

机构 * NVIDIA ； Stanford（斯坦福大学） ； Caltech（加州理工学院） ； UChicago（芝加哥大学） ； UT Austin（得克萨斯大学奥斯汀分校） 纠错

AI总结 NitroGen通过大规模行为克隆训练，实现跨游戏泛化能力，提升任务成功率达52%

Comments 16 pages, 7 figures

CLF-RL: Control Lyapunov Function Guided Reinforcement Learning

CLF-RL：控制李雅普诺夫函数引导的强化学习

Kejun Li, Zachary Olkin, Yisong Yue, Aaron D. Ames

机构 * California Institute of Technology（加州理工学院） 纠错

AI总结 CLF-RL通过结合基于模型的轨迹生成和控制李雅普诺夫函数，提升双足机器人运动策略的鲁棒性和性能。

Comments 8 pages; 7 figures

How and Why LLMs Generalize: A Fine-Grained Analysis of LLM Reasoning from Cognitive Behaviors to Low-Level Patterns

LLMs如何泛化：从认知行为到低级模式的细粒度分析

Haoyue Bai, Yiyou Sun, Wenjie Hu, Shi Qiu, Maggie Ziyu Huan, Peiyang Song, Robert Nowak, Dawn Song

机构 * University of Wisconsin, Madison（威斯康星大学麦迪逊分校） ； University of California, Berkeley（加州大学伯克利分校） ； University of Pennsylvania（宾夕法尼亚大学） ； California Institute of Technology（加州理工学院） 纠错

AI总结 本文通过细粒度分析揭示LLMs在SFT和RL微调下的泛化差异，提出基于核心技能的基准测试，揭示RL模型在推理稳定性上的优势。

Reconstructing Hand-Held Objects in 3D from Images and Videos

从图像和视频中重建手持物体的三维结构

Jane Wu, Georgios Pavlakos, Georgia Gkioxari, Jitendra Malik

机构 * UC Berkeley（伯克利大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； Caltech（加州理工学院） 纠错

AI总结 本文提出了一种基于3D手和物体联合重建的方法，通过检索增强重建实现对视频中手持物体的高效三维重建。

Comments 3DV 2026, Project page: https://janehwu.github.io/mcc-ho

Fast Jet Tagging with MLP-Mixers on FPGAs

基于FPGA的MLP-Mixer快速喷注标记

Chang Sun, Jennifer Ngadiuba, Maurizio Pierini, Maria Spiropulu

机构 * California Institute of Technology, Pasadena, CA, USA（加利福尼亚技术研究所） ； Fermi National Accelerator Laboratory, Batavia, IL, USA（费米国家加速器实验室） ； European Organization for Nuclear Research (CERN), Geneva, Switzerland（欧洲核子研究中心） 纠错

AI总结 本研究利用MLP-Mixer模型在FPGA上实现高效喷注标记，通过优化技术显著提升性能并降低资源消耗。

Journal ref Mach. Learn.: Sci. Technol. 6 (2025) 035025

Learning to erase quantum states: thermodynamic implications of quantum learning theory

学习消除量子态：量子学习理论的热力学影响

Haimeng Zhao, Yuzhen Zhang, John Preskill

机构 * Institute for Quantum Information and Matter, California Institute of Technology, Pasadena, CA 91125, USA（量子信息与物质研究所，加利福尼亚理工学院，帕萨迪纳，CA 91125，美国） ； Department of Physics, University of California, Santa Barbara, CA 93106, USA（加州大学物理系，圣巴巴拉，CA 93106，美国） ； AWS Center for Quantum Computing, Pasadena, CA 91125, USA（AWS量子计算中心，帕萨迪纳，CA 91125，美国） 纠错

AI总结 量子学习理论与热力学的联系：通过高效学习消除量子态并实现高效能量利用。

Comments 7 pages + 1 figure + 12 pages of appendices. We have added a detailed discussion of related works in Discussion and Appendix A, a pedagogical introduction to information thermodynamics in formal quantum information language in Appendix B, and detailed proofs of our main results in Appendices C and D. Numerous remarks and clarifications have been made throughout the manuscript

Solving Functional PDEs with Gaussian Processes and Applications to Functional Renormalization Group Equations

用高斯过程求解泛函偏微分方程及其在泛函重整化群方程中的应用

Xianjin Yang, Matthieu Darcy, Matthew Hudes, Francis J. Alexander, Gregory Eyink, Houman Owhadi

机构 * Computing & Mathematical Sciences, Caltech（计算与数学科学系，加州理工学院） ； Department of Applied Mathematics & Statistics, Johns Hopkins University（应用数学与统计学系，约翰霍普金斯大学） ； Argonne National Laboratory（阿贡国家实验室） 纠错

AI总结 本文提出了一种基于高斯过程的操作学习方法，用于求解泛函偏微分方程，并在泛函重整化群方程中展示了其灵活性和有效性。

A General Purpose Method for Robotic Interception of Non-Cooperative Dynamic Targets

一种通用的机器人拦截非合作动态目标的方法

Tanmay P. Patel, Erica L. Tevere, Erik H. Kramer, Rudranarayan M. Mukherjee

机构 * Jet Propulsion Laboratory（喷气推进实验室） ； California Institute of Technology（加州理工学院） 纠错

AI总结 本文提出了一种通用的自主拦截方法，适用于不同动态的机器人，通过扩展卡尔曼滤波、历史运动预测和滚动时间窗规划器实现高效拦截，验证了其在多种移动平台上的鲁棒性和计算效率。

Comments 10 pages, 11 figures, 5 tables. Accepted to IEEE Aerospace Conference 2026

Learning Enhanced Ensemble Filters

学习增强的集合滤波器

Eviatar Bach, Ricardo Baptista, Edoardo Calvello, Bohan Chen, Andrew Stuart

机构 * Department of Meteorology, University of Reading（Reading大学气象系） ； Department of Mathematics and Statistics, University of Reading（Reading大学数学与统计学系） ； National Centre for Earth Observation（地球观测国家中心） ； Department of Statistical Sciences, University of Toronto（多伦多大学统计学系） ； Vector Institute for Artificial Intelligence（人工智能向量研究所） ； The Computing + Mathematical Sciences Department, California Institute of Technology（加州理工学院计算与数学科学系） 纠错

AI总结 通过机器学习增强集合滤波器，提升对复杂动态系统的滤波精度。

Comments Accepted by the Journal of Computational Physics

Sign-Aware Multistate Jaccard Kernels and Geometry for Real and Complex-Valued Signals

具有符号意识的多状态贾克卡核与几何用于实值和复值信号

Vineet Yadav

机构 * Jet Propulsion Laboratory, California Institute of Technology（喷气推进实验室、加州理工学院） 纠错

AI总结 本文提出了一种具有符号意识的多状态贾克卡核与几何方法，用于实值和复值信号，结合了正半定核、概率语义和预算管理，支持多种分析工具。

Merge on workspaces as Hopf algebra Markov chain

在工作空间上进行霍普夫代数马尔可夫链

Matilde Marcolli, David Skigin

机构 * Department of Mathematics ； Department of Computing ； Mathematical Sciences, California Institute of Technology, CA 91125, USA ； Mathematical \& Physical Sciences, University College London, London, WC1E 6BT, UK 纠错

AI总结 本文研究了霍普夫代数马尔可夫链在工作空间上的动态特性，通过合并操作描述句法结构形成与转换，利用霍普夫代数理论和语言学模型，探讨了马尔可夫链的收敛性与稳定性问题。

Comments 80 pages, LaTeX, 1 png figure

Advances in Feed-Forward 3D Reconstruction and View Synthesis: A Survey

反向馈送3D重建与视角合成的进展：综述

Jiahui Zhang, Yuelei Li, Anpei Chen, Muyu Xu, Kunhao Liu, Jianyuan Wang, Xiao-Xiao Long, Hanxue Liang, Zexiang Xu, Hao Su, Christian Theobalt, Christian Rupprecht, Andrea Vedaldi, Kaichen Zhou, Hanspeter Pfister, Paul Pu Liang, Shijian Lu, Fangneng Zhan

机构 * NTU（国立台湾大学） ； Caltech（加州理工学院） ； Westlake University（西湖大学） ； UCSD（加州大学圣地亚哥分校） ； University of Oxford（牛津大学） ； Nanjing University（南京大学） ； HKU（香港大学） ； University of Cambridge（剑桥大学） ； Hillbot ； MPI for Informatics（信息研究所） ； Harvard University（哈佛大学） ； MIT（麻省理工学院） 纠错

AI总结 本文综述了反向馈送方法在3D重建与视角合成中的进展，涵盖多种表示架构及应用，探讨了关键任务和未来研究方向。

Comments A project page associated with this survey is available at https://fnzhan.com/projects/Feed-Forward-3D

Continuum Attention for Neural Operators

连续注意力用于神经算子

Edoardo Calvello, Nikola B. Kovachki, Matthew E. Levine, Andrew M. Stuart

机构 * California Institute of Technology（加州理工学院） ； NVIDIA（英伟达） ； The Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所） ； Basis Research Institute（Basis研究机构） 纠错

AI总结 本文提出了一种基于连续注意力机制的神经算子设计方法，通过函数空间建模实现了对非局部映射的高效逼近，并在多个算子学习任务中验证了其有效性。

Distributionally Robust Imitation Learning: Layered Control Architecture for Certifiable Autonomy

分布鲁棒模仿学习：用于可验证自主性的分层控制架构

Aditya Gahlawat, Ahmed Aboudonia, Sandeep Banik, Naira Hovakimyan, Nikolai Matni, Aaron D. Ames, Gioele Zardini, Alberto Speranzon

机构 * Department of Mechanical Science and Engineering, University of Illinois Urbana-Champaign（机械科学与工程系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Electrical and Systems Engineering, University of Pennsylvania（电气与系统工程系，宾夕法尼亚大学） ； Mechanical and Civil Engineering, Control and Dynamical Systems, California Institute of Technology（机械与土木工程、控制与动态系统，加州理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Advanced Technology Labs, Lockheed Martin（洛克希德·马丁高级技术实验室） 纠错

AI总结 本文提出分布鲁棒模仿策略架构，通过整合泰勒级数模仿学习和ℓ₁-分布鲁棒自适应控制，解决分布偏移问题，实现可验证的自主性。

Comments 18 pages, 5 figures

Data for Mathematical Copilots: Better Ways of Presenting Proofs for Machine Learning

用于数学助手的数据：为机器学习呈现证明的更好方式

Simon Frieder, Jonas Bayer, Sam Looi, Jacob Loader, Julius Berner, Katherine M. Collins, András Juhász, Fabian Ruehle, Sean Welleck, Gabriel Poesia, Ryan-Rhys Griffiths, Adrian Weller, Anirudh Goyal, Cameron Freer, Thomas Lukasiewicz, Timothy Gowers

机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Caltech（加州理工学院） ； Northeastern University（东北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； FutureHouse Inc.（未来房屋公司） ； Meta ； Vienna University of Technology（维也纳技术大学） ； MIT（麻省理工学院） ； Imperial College London（伦敦帝国学院） ； Collège de France（法兰西学院） 纠错

AI总结 本文提出改进数学助手数据集的设计，以更真实反映数学研究实践，从而提升大语言模型的证明学习能力。

Comments 59 pages

HGQ: High Granularity Quantization for Real-time Neural Networks on FPGAs

HGQ：面向FPGA上的实时神经网络的高粒度量化

Chang Sun, Zhiqiang Que, Thea K. Årrestad, Vladimir Loncar, Jennifer Ngadiuba, Wayne Luk, Maria Spiropulu

机构 * California Institute of Technology（加利福尼亚理工学院） ； Imperial College London（伦敦帝国理工学院） ； ETH Zurich（苏黎世联邦理工学院） ； Institute of Physics Belgrade（贝尔格莱德物理研究所） ； Fermilab（费米实验室） 纠错

AI总结 HGQ通过高粒度量化方法优化神经网络参数位宽，实现低延迟高精度的实时模型部署，适用于FPGA平台的复杂模型压缩与加速。

Feedforward 3D Editing via Text-Steerable Image-to-3D

通过文本可控的图像到3D进行前馈编辑

Ziqi Ma, Hongqiao Chen, Yisong Yue, Georgia Gkioxari

机构 * California Institute of Technology（加州理工学院） 纠错

AI总结 Steer3D通过文本可控的图像到3D生成方法，实现高效且准确的3D资产编辑，速度提升显著。

Comments https://glab-caltech.github.io/steer3d/

Fairness-Regularized Online Optimization with Switching Costs

具有切换成本的公平性正则化在线优化

Pengfei Li, Yuelin Han, Adam Wierman, Shaolei Ren

机构 * School of Information（信息学院） ； Rochester Institute of Technology（罗切斯特技术学院） ； Electrical and Computer Engineering（电气与计算机工程） ； University of California, Riverside（加州大学河滨分校） ； Computing & Mathematical Sciences（计算与数学科学） ； California Institute of Technology（加州理工学院） 纠错

AI总结 本文提出FairOBD算法，通过引入辅助变量将长期公平性成本分解为在线成本，有效减少公平性正则化成本并促进公平结果。

Comments Accepted by NeurIPS 2025

No Labels, No Problem: Training Visual Reasoners with Multimodal Verifiers

无标签，无问题：利用多模态验证器训练视觉推理器

Damiano Marsili, Georgia Gkioxari

机构 * California Institute of Technology（加州理工学院） 纠错

AI总结 本文提出无需标注的视觉推理训练框架，结合AI驱动的验证器提升推理与定位能力，超越现有开源和专有模型。

Comments Project webpage: https://glab-caltech.github.io/valor/

Semantic-Metric Bayesian Risk Fields: Learning Robot Safety from Human Videos with a VLM Prior

语义-度量贝叶斯风险场：从人类视频中学习机器人安全性的方法

Timothy Chen, Marcus Dominguez-Kuhne, Aiden Swann, Xu Liu, Mac Schwager

机构 * Stanford University（斯坦福大学） ； California Institute of Technology（加州理工学院） 纠错

AI总结 本文提出基于贝叶斯框架的语义-度量风险场，通过人类视频学习机器人安全风险模型，实现类人风险评估与规划。

GLL: A Differentiable Graph Learning Layer for Neural Networks

GLL：一种用于神经网络的可微图学习层

Jason Brown, Bohan Chen, Harris Hardiman-Mostow, Jeff Calder, Andrea L. Bertozzi

机构 * Department of Mathematics University of California, Los Angeles（数学系，加州大学洛杉矶分校） ； Computing + Mathematical Sciences (CMS) Department California Institute of Technology（计算与数学科学系（CMS），加州理工学院） ； School of Mathematics University of Minnesota（数学系，明尼苏达大学） 纠错

AI总结 本文提出GLL，一种可微图学习层，用于神经网络中，通过整合相似性图构建和图拉普拉斯标签传播，提升分类任务的泛化能力和鲁棒性。

Comments 58 pages, 12 figures. Preprint. Submitted to the Journal of Machine Learning Research. v2: several new experiments, improved exposition

Simple Agents Outperform Experts in Biomedical Imaging Workflow Optimization

简单代理在生物医学影像工作流优化中胜过专家

Xuefei, Wang, Kai A. Horstmann, Ethan Lin, Jonathan Chen, Alexander R. Farhang, Sophia Stiles, Atharva Sehgal, Jonathan Light, David Van Valen, Yisong Yue, Jennifer J. Sun

机构 * Caltech（加州理工学院） ； Cornell（康奈尔大学） ； UT Austin（得克萨斯大学奥斯汀分校） ； Rensselaer Polytechnic Institute（罗切斯特理工学院） 纠错

AI总结 本文提出简单代理在生物医学影像工作流优化中优于专家，通过系统评估框架验证了代理设计的实用性。