Imperial College London（帝国理工学院）

Self-Organising Digital Circuits

自组织数字电路

Marcello Barylli, Gabriel Béna, Alexander Mordvintsev, Eleni Nisioti, Sebastian Risi

机构 * IT University of Copenhagen（哥本哈根信息技术大学） ； Imperial College London（帝国理工学院） ； Google（谷歌公司） 纠错

AI总结 该研究受生物自组织特性启发，提出自组织数字电路，采用拓扑掩码Transformer结合神经细胞自动机范式，实现电路的自组装与故障容错，还具备跨电路规模的泛化能力。

Comments 9 pages, 10 figures

Inpainting physics: self-supervised learning for context-driven fluid simulation

物理修复：用于上下文驱动流体模拟的自监督学习

Jonas Weidner, Yeray Martin-Ruisanchez, Daniel Rueckert, Benedikt Wiestler, Julian Suk

机构 * AI for Image-Guided Diagnosis and Therapy, Technical University of Munich（图像引导诊断与治疗人工智能，慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； AI in Healthcare and Medicine, Technical University of Munich（医疗人工智能，慕尼黑技术大学） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 提出将稳态CFD推理重构为修复问题，通过自监督学习速度场先验并在推理时施加边界约束，利用局部邻域分词器处理大规模3D网格，在颅内动脉瘤血流动力学中优于监督代理模型。

Seeing is Coding: On the Effectiveness of Vision Language Models in Code Understanding

CodeOCR: 关于视觉语言模型在代码理解中的有效性

Yuling Shi, Chaoxiang Xie, Zhensu Sun, Yeheng Chen, Chenxu Zhang, Longfei Yun, Chengcheng Wan, Hongyu Zhang, David Lo, Xiaodong Gu

机构 * Shanghai Jiao Tong University China ； Hohai University China ； Singapore Management University Singapore ； Imperial College London United Kingdom ； East China Normal University \& Shanghai Innovation Institute China ； Chongqing University China ； Shanghai Jiao Tong University ； Hohai University ； Singapore Management University ； Imperial College London ； East China Normal University \& Shanghai Innovation Institute ； Chongqing University 纠错

AI总结 本文探讨多模态大语言模型在代码理解中的有效性，发现其可通过图像压缩显著提升效率，并在代码克隆检测等任务中表现出更强的抗压缩能力。

Comments ISSTA 2026 camera ready. Code and data are available at this https URL (https://github.com/YerbaPage/CodeOCR)