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

Solving Inverse Problems of Chaotic Systems with Bidirectional Conditional Flow Matching

用双向条件流匹配求解混沌系统的逆问题

Peiyan Hu, Jian Zhang, Jiashu Pan, Ruiqi Feng, Tao Zhang, Zhi-Ming Ma, Yuan-Sen Ting, Gongjie Li, Tailin Wu

机构 * Westlake University（西湖大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Chinese Academy of Sciences（中国科学院） ； Max-Planck-Institut für Astronomie（马克斯·普朗克天文学研究所） ； The Ohio State University（俄亥俄州立大学） 纠错

AI总结 提出双向条件流匹配（Bi-CFM）方法，通过学习初始与最终状态分布的双向映射，解决混沌系统逆问题中的不适定性、非唯一性和指数误差累积，在多个经典系统上显著提升分布级指标并加速两个数量级以上。

Comments 50 pages, 17 figures

VeryTrace: Verifying Reasoning Traces through Compilable Formalism and Structured Verification

VeryTrace: 通过可编译形式化与结构化验证验证推理轨迹

Ninghan Zhong, Ahmet Ege Tanriverdi, Kaan Kale, Sriram Vishwanath

机构 * School of Electrical and Computer Engineering, Georgia Institute of Technology, USA（佐治亚理工学院电子与计算机工程学院） ； Department of Electrical and Computer Engineering, Bogazici University, Turkey（博亚奇大学电子与计算机工程系） 纠错

AI总结 提出VeryTrace框架，将自然语言推理轨迹形式化为可编译的领域特定语言（DSL），结合确定性检查与LLM审计进行混合验证，实现步骤级错误定位与修复，在数学、机器人规划、亲属推理任务上提升准确率。

Comments Accepted at LM4Plan Workshop @ ICML 2026

Sensing Intelligence as a Trainable Metamaterial Property

感知智能作为可训练的元材料属性

Kyungmi Na, Yifei Li, Xinyi Yang, Bolei Deng

机构 * Daniel Guggenheim School of Aerospace Engineering, Georgia Institute of Technology（德鲁·福金斯航空航天工程学院，佐治亚理工学院） ； Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology（计算机科学与人工智能实验室，麻省理工学院） 纠错

AI总结 本文提出将感知智能作为可训练的元材料属性，通过可微仿真优化元材料几何结构，使神经网络能够训练其身体进行感知，从而显著提升感知精度或减少电子传感器数量。

XConv: Low-memory stochastic backpropagation for convolutional layers

XConv: 卷积层的低内存随机反向传播

Anirudh Thatipelli, Jeffrey Sam, Mathias Louboutin, Ali Siahkoohi, Rongrong Wang, Felix J. Herrmann

机构 * University of Central Florida（中央佛罗里达大学） ； Rice University（里士满大学） ； DevitoCodes Ltd（DevitoCodes有限公司） ； Michigan State University（密歇根州立大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 提出XConv方法，通过存储激活的压缩投影并利用多通道随机迹估计近似梯度，在不增加计算、不约束架构、不大量修改代码的情况下，大幅降低卷积层反向传播的内存需求。