Harvard University（哈佛大学）

NeuroPlastic: A Plasticity-Modulated Optimizer for Biologically Inspired Learning Dynamics

NeuroPlastic：一种基于可塑性的优化器，用于生物启发的学习动态

Douglas Jiang, Yuechen Wang, Jiayi Wang, Jiaying Geng, Qinglong Wang, Feng Tian

机构 * Department of Neurology, Beth Israel Deaconess Medical Center, Harvard Medical School（神经病学系，贝塞斯达德acons医疗中心，哈佛医学院） ； Department of Biostatistics, Harvard T.H. Chan School of Public Health（生物统计学系，哈佛T.H. Chan公共卫生学院） ； Department of Statistics, John A. Paulson School of Engineering and Applied Sciences, Harvard University（统计学系，约翰·A·保罗森工程与应用科学学院，哈佛大学） ； Department of Psychology, Columbia University（心理学系，哥伦比亚大学） 纠错

AI总结 NeuroPlastic通过多信号可塑性机制改进梯度更新，提升图像分类性能，在少数据场景下表现更佳，且在迁移学习中保持稳定性和竞争力。

Comments 16 pages, 7 figures

Mixture of Experts Framework in Machine Learning Interatomic Potentials for Atomistic Simulations

机器学习原子势中的专家混合框架

Gabriel de Miranda Nascimento, Marc L. Descoteaux, Laura Zichi, Chuin Wei Tan, William C. Witt, Nicola Molinari, Sriteja Mantha, Daniil Kitchaev, Mordechai Kornbluth, Karim Gadelrab, Charles Tuffile, Boris Kozinsky

机构 * Department of Materials Science and Engineering, Massachusetts Institute of Technology, Cambridge, MA, USA（材料科学与工程系，麻省理工学院，剑桥，马萨诸塞州，美国） ； John A. Paulson School of Engineering and Applied Sciences, Harvard University, Cambridge, MA, USA（约翰·A·波尔森工程与应用科学学院，哈佛大学，剑桥，马萨诸塞州，美国） ； Robert Bosch LLC Research and Technology Center, Watertown, MA, USA（罗伯特·博世 LLC 研究与技术中心，沃特敦，马萨诸塞州，美国） 纠错

AI总结 本文提出一种基于E(3)等价Allegro架构的多保真度专家混合框架，用于提升原子模拟的计算效率与精度，通过在不同区域分配不同能力的模型，解决界面机械不匹配问题，验证了其在Pt+CO催化系统中的有效性。

Comments 10 pages, 5 figures

Autonomous Knowledge Graph Exploration with Adaptive Breadth-Depth Retrieval

自主知识图谱探索与自适应广度-深度检索

Joaquín Polonuer, Lucas Vittor, Iñaki Arango, Ayush Noori, David A. Clifton, Luciano Del Corro, Marinka Zitnik

机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Departamento de Computación, FCEyN, Universidad de Buenos Aires（布宜诺斯艾利斯大学计算机系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Oxford Suzhou Centre for Advanced Research, University of Oxford（牛津大学苏州市先进研究中心） ； ELIAS Lab, Departamento de Ingeniería, Universidad de San Andrés（圣安德鲁大学工程系ELIAS实验室） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Allston, MA, USA（自然与人工智能研究所，马萨诸塞州阿利斯顿） ； Broad Institute of MIT and Harvard, Cambridge, MA, USA（MIT和哈佛大学Broad研究所） ； Harvard Data Science Initiative, Cambridge, MA, USA（哈佛大学数据科学倡议） 纠错

AI总结 本文提出ARK工具，通过全局词搜索和邻域探索平衡知识图谱的广度与深度检索，提升多跳遍历效率，在STaRK上达到59.1%的平均Hit@1和67.4的平均MRR，优于其他方法。

Comments Accepted at ACL 2026 Main Conference

Hybrid Diffusion for Simultaneous Symbolic and Continuous Planning

混合扩散用于同时符号化和连续规划

Sigmund Hennum Høeg, Aksel Vaaler, Chaoqi Liu, Olav Egeland, Yilun Du

机构 * Department of Mechanical and Industrial Engineering, Norwegian University of Science and Technology (NTNU)（挪威科学技术大学机械与工业工程系） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出混合扩散方法，结合离散变量扩散和连续扩散，提升机器人长周期任务规划性能，实现符号计划与连续轨迹生成的协同优化。

Comments 10 pages, 11 figures. This work has been submitted to the IEEE for possible publication. See https://sigmundhh.com/hybrid_diffusion/ for the project website

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 4, pp. 4489-4496, April 2026