Harvard University（哈佛大学）

Structure tensor Reynolds-averaged Navier-Stokes turbulence models with equivariant neural networks

基于等变神经网络的结构张量雷诺平均纳维-斯托克斯湍流模型

Aaron Miller, Sahil Kommalapati, Robert Moser, Petros Koumoutsakos

机构 * Computational Science and Engineering Laboratory, Harvard University（哈佛大学计算科学与工程实验室） ； Oden Institute for Computational Engineering and Sciences, The University of Texas at Austin（德克萨斯大学奥斯汀分校计算工程与科学研究所） ； Walker Department of Mechanical Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校沃克机械工程系） 纠错

AI总结 本文提出利用等变神经网络改进结构张量模型，以提高RANS模型中快速压力-应变项的准确性，并验证Kassinos等人的假设。

CMT-Benchmark: A Benchmark for Condensed Matter Theory Built by Expert Researchers

CMT-Benchmark：由专家研究人员构建的凝聚态理论基准

Haining Pan, James V. Roggeveen, Erez Berg, Juan Carrasquilla, Debanjan Chowdhury, Surya Ganguli, Federico Ghimenti, Juraj Hasik, Henry Hunt, Hong-Chen Jiang, Mason Kamb, Ying-Jer Kao, Ehsan Khatami, Michael J. Lawler, Di Luo, Titus Neupert, Xiaoliang Qi, Michael P. Brenner, Eun-Ah Kim

机构 * Rutgers University（罗格斯大学） ； Harvard University（哈佛大学） ； Weizmann Institute of Science（魏茨曼科学研究所） ； ETH Zürich（苏黎世联邦理工学院） ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） ； University of Zürich（苏黎世大学） ； Stanford Institute for Materials and Energy Sciences（斯坦福材料与能源科学研究所） ； SLAC National Accelerator Laboratory（斯坦福直线加速器实验室） ； University of California, Los Angeles（加州大学洛杉矶分校） ； National Taiwan University（台湾大学） ； San José State University（圣何塞州立大学） 纠错

AI总结 CMT-Benchmark通过专家设计的50个凝聚态理论问题评估LLM在物理推理能力上的不足，揭示当前模型在复杂科学问题上的局限性。

Comments CMT-Benchmark dataset is available at https://huggingface.co/datasets/JVRoggeveen/cmt_benchmark. CMT-Benchmark was referenced in the Gemini 3 Deep Think (February 2026) release at https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-deep-think/

Journal ref International Conference on Learning Representations (ICLR) main conference 2026

Kernel spectral joint embeddings for high-dimensional noisy datasets using duo-landmark integral operators

基于双地标积分算子的高维噪声数据集的核谱联合嵌入

Xiucai Ding, Rong Ma

机构 * Department of Statistics, University of California, Davis（统计系，加州大学戴维斯分校） ； Department of Biostatistics, T.H. Chan School of Public Health, Harvard University（生物统计系，哈佛大学T.H. Chan公共卫生学院） ； Department of Data Science, Dana-Farber Cancer Institute（数据科学系，达纳-法伯癌症研究所） ； Broad Institute of MIT and Harvard（哈佛大学和MIT Broad研究所） 纠错

AI总结 本文提出基于双地标积分算子的核谱联合嵌入方法，用于高维噪声数据集的整合分析，通过捕捉共享低维结构提升嵌入质量并增强下游任务性能。

Comments 57 pages, 16 figures

Scalable Mechanism Design for Multi-Agent Path Finding

可扩展的多智能体路径寻找机制设计

Paul Friedrich, Yulun Zhang, Michael Curry, Ludwig Dierks, Stephen McAleer, Jiaoyang Li, Tuomas Sandholm, Sven Seuken

机构 * ETH AI Center（瑞士联邦理工学院人工智能中心） ； University of Zurich（苏黎世大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Harvard University（哈佛大学） ； University of Illinois at Chicago（伊利诺伊大学香槟分校） ； Optimized Markets, Strategy Robot, Strategic Machine（优化市场、策略机器人、战略机器） 纠错

AI总结 本文提出三种可扩展的多智能体路径寻找机制设计方法，通过策略证明机制和近似算法提升路径规划的福利效果。

Comments 12 pages, 5 figures. IJCAI'24 camera-ready version