University of Cambridge（剑桥大学）

Force-Aware Neural Tangent Kernels for Scalable and Robust Active Learning of MLIPs

面向可扩展性和鲁棒性的力感知神经切线核用于机器学习原子势的主动学习

Eszter Varga-Umbrich, Zachary Weller-Davies, Paul Duckworth, Jules Tilly, Olivier Peltre, Shikha Surana

机构 * InstaDeep ； Department of Engineering, University of Cambridge（工程系，剑桥大学） 纠错

AI总结 本文提出一种线性可扩展的主动学习框架，结合力感知神经切线核，有效提升MLIPs在大规模候选池中的鲁棒性和效率，验证了其在多个数据集上的优越性能。

Comments 10 main pages, total 34 pages

Pretrained Model Representations as Acquisition Signals for Active Learning of MLIPs

预训练模型表示作为主动学习MLIPs的获取信号

Eszter Varga-Umbrich, Shikha Surana, Paul Duckworth, Jules Tilly, Olivier Peltre, Zachary Weller-Davies

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文研究预训练MLIP的潜在空间是否包含有效获取信息，提出两种获取信号提升主动学习效率，减少数据需求，提升性能。

Comments 8 main pages, 28 total pages

Detecting Localized Density Anomalies in Multivariate Data via Coin-Flip Statistics

通过硬币翻转统计检测多变量数据中的局部密度异常

Sebastian Springer, Andre Scaffidi, Maximilian Autenrieth, Gabriella Contardo, Alessandro Laio, Roberto Trotta, Heikki Haario

机构 * Scuola Internazionale Superiore di Studi Avanzati (SISSA)（国际先进研究高等学院） ； University of Cambridge（剑桥大学） ； Imperial College London（伦敦帝国理工学院） ； University of Nova Gorica（诺瓦戈里察大学） ； LUT University（卢托拉大学） 纠错

AI总结 本文提出EagleEye方法，通过编码k近邻列表为二进制序列，检测多变量数据中的局部过密度和欠密度异常，并在三种场景中验证其有效性。

Comments Code Availability: The code used to generate the results of this study is available at GitHub via the link: https://github.com/sspring137/EagleEye

Response-Conditioned Parallel-to-Sequential Orchestration for Multi-Agent Systems

响应条件化的并行到顺序 orchestration 用于多智能体系统

Nurbek Tastan, Alex Iacob, Lorenzo Sani, Meghdad Kurmanji, Nicholas D. Lane, Samuel Horvath, Karthik Nandakumar

机构 * MBZUAI（马克斯·普朗克智能系统研究所） ； University of Cambridge（剑桥大学） ； Flower Labs（Flower实验室） ； Michigan State University（密歇根州立大学） 纠错

AI总结 本文提出Nexa框架，通过响应条件化的策略结合并行与顺序执行，减少通信和延迟同时提高最终响应准确性，展示了其通用性。

CTF4Nuclear: Common Task Framework for Nuclear Fission and Fusion Models

CTF4Nuclear: 用于核裂变和核聚变模型的通用任务框架

Stefano Riva, Carolina Introini, Antonio Cammi, Dean Price, Alexey Yermakov, Yue Zhao, Philippe M. Wyder, Judah Goldfeder, Jan Williams, Amy Sara Rude, Matteo Tomasetto, Joe Germany, Joseph Bakarji, Georg Maierhofer, Miles Cranmer, J. Nathan Kutz

机构 * Autodesk Research（Autodesk研究院） ； Department of Energy, Nuclear Engineering Division, Politecnico di Milano（能源部，核工程系，米兰理工学院） ； Nuclear Science and Engineering, Massachusetts Institute of Technology（核科学与工程，麻省理工学院） ； Department of Applied Mathematics, University of Washington（应用数学系，华盛顿大学） ； Department of Electrical and Computer Engineering, University of Washington（电气与计算机工程系，华盛顿大学） ； High Performance Machine Learning, SURF（高性能机器学习，SURF） ； Distyl AI ； Department of Computer Science, Columbia University（计算机科学系，哥伦比亚大学） ； Department of Mechanical Engineering, University of Washington（机械工程系，华盛顿大学） ； Department of Mechanical Engineering, Politecnico di Milano（机械工程系，米兰理工学院） ； Department of Mathematics, American University in Beirut（数学系，贝鲁特美国大学） ； Department of Mechanical Engineering, American University in Beirut（机械工程系，贝鲁特美国大学） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系，剑桥大学） 纠错

AI总结 本文提出CTF4Nuclear框架，用于核工程中机器学习方法的标准化评估，通过12个指标和稀疏测量系统监控，提升核工业科学ML的严谨性和可重复性。

Polynomial Neural Sheaf Diffusion: A Spectral Filtering Approach on Cellular Sheaves

多项式神经束扩散：基于细胞束的谱过滤方法

Alessio Borgi, Fabrizio Silvestri, Pietro Liò

机构 * Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） ； Department of Computer, Control and Management Engineering, Sapienza University（计算机、控制与管理工程系，萨皮恩扎大学） 纠错

AI总结 本文提出PolyNSD方法，通过多项式运算和谱过滤提升神经束扩散的稳定性与效率，实现无需大维度stalk的高性能表现。

SPDEBench: An Extensive Benchmark for Learning Stochastic PDEs

SPDEBench：学习随机偏微分方程的广泛基准

Yuantu Zhu, Zheyan Li, Dai Shi, Luke Thompson, Oliver Nash, Jose Miguel Lara Rangel, Siran Li, Bingguang Chen, Rongchan Zhu, Qi Meng, Hao Ni

机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Cambridge（剑桥大学） ； University of Sydney（悉尼大学） ； Imperial College London（伦敦帝国理工学院） ； University College London（伦敦大学学院） ； Fujian Normal University（福建师范大学） ； Beijing Institute of Technology（北京理工大学） ； Chinese Academy of Sciences（中国科学院） 纠错

AI总结 本文提出SPDEBench，首个统一的ML学习随机偏微分方程基准，提供物理和数学重要的1-3维领域数据集，涵盖正则和奇异SPDE，并包含7种评估指标，验证模型精度、鲁棒性和分布外泛化能力。