Georgia Institute of Technology（佐治亚理工学院）

Predicting Atomistic Transitions with Transformers

用变压器预测原子级转变

Henry Tischler, Wenting Li, Qi Tang, Danny Perez, Thomas Vogel

机构 * Computing and Artificial Intelligence Division, Los Alamos National Laboratory（计算与人工智能部门，洛斯阿拉莫斯国家实验室） ； School of Engineering and Computer Science, University of Denver（工程与计算机科学学院，丹佛大学） ； Department of Physics and Astronomy, University of Denver（物理与天文学系，丹佛大学） ； Department of Electrical and Computer Engineering, University of Texas at Austin（电气与计算机工程系，德克萨斯大学奥斯汀分校） ； School of Computational Science and Engineering, Georgia Institute of Technology（计算科学与工程学院，佐治亚理工学院） ； Theoretical Division, Los Alamos National Laboratory（理论部门，洛斯阿拉莫斯国家实验室） ； X Computational Physics Division, Los Alamos National Laboratory（X计算物理部门，洛斯阿拉莫斯国家实验室） 纠错

AI总结 本文利用变压器模型高效预测纳米簇中的原子级转变，通过评估物理有效性并生成多种微态，降低计算成本。

Comments Presented at the 2025 Conference on Data Analysis (CoDA), February 25-28, Santa Fe, New Mexico

EDU-CIRCUIT-HW: Evaluating Multimodal Large Language Models on Real-World University-Level STEM Student Handwritten Solutions

EDU-CIRCUIT-HW：评估多模态大语言模型在真实世界大学级STEM学生手写解答中的表现

Weiyu Sun, Liangliang Chen, Yongnuo Cai, Huiru Xie, Yi Zeng, Ying Zhang

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Virginia Tech（弗吉尼亚理工学院） 纠错

AI总结 本文提出EDU-CIRCUIT-HW数据集，用于评估多模态大语言模型在处理包含数学公式、图表和文本推理的大学STEM学生手写解答中的性能，揭示模型在自动评分中的可靠性问题，并提出通过纠正识别错误提升AI评分系统鲁棒性的方法。

Comments Accepted to Findings of the Association for Computational Linguistics: ACL 2026. Project Website: https://gt-learning-innovation.github.io/CIRCUIT_EDU_HW_ACL GitHub and Dataset: https://gt-learning-innovation.github.io/CIRCUIT_EDU_HW_ACL

Efficient-DLM: From Autoregressive to Diffusion Language Models, and Beyond in Speed

Efficient-DLM：从自回归到扩散语言模型，以及速度上的突破

Yonggan Fu, Lexington Whalen, Zhifan Ye, Xin Dong, Shizhe Diao, Jingyu Liu, Chengyue Wu, Hao Zhang, Enze Xie, Song Han, Maksim Khadkevich, Jan Kautz, Yingyan Celine Lin, Pavlo Molchanov

机构 * Georgia Tech（佐治亚理工学院） ； University of Chicago（芝加哥大学） ； University of Hong Kong（香港大学） ； MIT（麻省理工学院） 纠错

AI总结 本文提出Efficient-DLM方法，通过改进自回归到扩散语言模型的转换，提升生成速度并保持任务准确性，实验显示其在精度和效率上优于现有模型。