Variational Boosting for Physics-Informed Neural Networks
物理信息神经网络的变分提升
机构 * Harvard University（哈佛大学）
AI总结 研究针对物理信息神经网络求解微分方程存在的问题，提出变分提升框架，通过构建加法解、训练弱学习者满足局部正交性条件，实现全局非线性细化分离为条件良好子问题，提供几何解释并实现稳定二阶优化。
高校专区
Harvard University（哈佛大学）
Physics-Informed Neural Networks for Predicting Nitrous Oxide Flux
用于预测一氧化二氮通量的物理信息神经网络
机构 * Harvard University（哈佛大学） ； University of Tennessee（田纳西大学）
AI总结 研究针对一氧化二氮通量预测，利用基于DayCent模型的机理方程构建物理残差，通过在多站点农业数据集上训练基于MLP的PINN，发现PINN性能优于未校准的Cycles模拟，物理约束可提升模型性能及降低变异性，但跨站点泛化存挑战。
Comments 28 pages, 7 figures
Real-time Reconstruction of Human Visual Perception from fMRI
基于功能磁共振成像的人类视觉感知实时重建
机构 * Princeton University（普林斯顿大学） ； Dartmouth College（达特茅斯学院） ； Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院） ； Harvard University（哈佛大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Medical AI Research Center (MedARC)（医学人工智能研究中心）
AI总结 该研究基于fMRI的实时闭环神经反馈分析方法落后，提出实时兼容的先进管道改编版，利用RT-Cloud平台实时扫描解码视觉感知，通过模拟分析记录性能变化因素，证明实时部署强大解码管道可行，为脑机接口应用铺路。
DAMamba-UNet3D: A Parameter-Efficient Mamba State Space U-Net with Dynamic Adaptive Scan for 3D Medical Image Segmentation
DAMamba-UNet3D：一种用于3D医学图像分割的参数高效的Mamba状态空间U-Net，采用动态自适应扫描
机构 * Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院）
AI总结 该研究针对3D医学图像分割，提出DAMamba-UNet3D混合编码器-解码器，在编码器特定阶段集成三平面3D-DAS块，降低参数成本，通过实验对比展示其在分割性能上的优势，表明学习的三平面DAS在混合U-Net中有竞争力。
Imitation Learning for Robot Assistance in Open Surgery: A Multi-Policy Evaluation on Suture Following
开放手术中机器人辅助的模仿学习：针对缝合跟随的多策略评估
机构 * Harvard Medical School（哈佛医学院） ； Massachusetts General Hospital（麻省总医院）
AI总结 本研究首次评估通用模仿学习在开放手术中用于外科医生-机器人协作辅助的可行性，以缝合跟随（每次缝合时助手执行的抓取-拉动-释放动作）为任务，通过比较四种策略（ACT、Diffusion Policy、SmolVLA、π₀）在28个训练模型上的表现，发现π₀在数据效率、背景鲁棒性和轨迹平滑性上最优，并在机器人缝合试验中达到92%的缝合完成率。
Seesaw: Accelerating Training by Balancing Learning Rate and Batch Size Scheduling
跷跷板：通过平衡学习率和批量调度加速训练
机构 * Harvard University（哈佛大学） ； Kempner Institute at Harvard University（哈佛大学 Kempner 机构） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 研究如何加速大语言模型预训练，提出Seesaw框架，通过平衡学习率和批量调度，在保留损失动态时减少串行步骤。理论上给出相关等效性证明并扩展，实验表明该框架能在相同浮点运算量下减少时钟时间，接近理论极限。
