University of Maryland, College Park（马里兰大学帕克分校）

Can machine learning for quantum-gas experiments be explainable?

量子气体实验中的机器学习能否被解释？

I. B. Spielman amd J. P. Zwolak

机构 * National Institute of Standards and Technology（国家标准与技术研究院） ； Department of Physics, University of Maryland, College Park, MD 20742, USA（马里兰大学物理系） ； Joint Quantum Institute, University of Maryland, College Park, MD 20742, USA（联合量子研究所） ； Joint Center for Quantum Information and Computer Science, University of Maryland, College Park, MD 20742, USA（联合量子信息与计算机科学中心） ； Computer Science, University of Maryland, College Park, MD 20742, USA（马里兰大学计算机科学系） 纠错

AI总结 本文探讨了机器学习在量子气体实验中的应用，重点介绍了图像去噪和玻色-爱因斯坦凝聚体中孤子波的识别，并讨论了性能、模型复杂度和可解释性之间的关系。

Real-time Multi-instrument Autonomous Discovery of Novel Phase-change Memory Materials

实时多仪器自主发现新型相变存储器材料

Chih-Yu Lee, Haotong Liang, Ryan Kim, Austin McDannald, Carlos A Rios Ocampo, A. Gilad Kusne, Ichiro Takeuchi

机构 * Department of Materials Science and Engineering, University of Maryland, College Park, MD, USA（材料科学与工程系，马里兰大学，College Park, MD, USA） ； Materials Measurement Science, Division of the National Institute of Standards and Technology, Gaithersburg, MD, USA（国家标准技术研究院材料测量科学部，Gaithersburg, MD, USA） ； Institute of Research in Electronics and Applied Physics, University of Maryland, College Park, Maryland, USA（电子与应用物理研究所，马里兰大学，College Park, Maryland, USA） ； Maryland Quantum Materials Center, University of Maryland, College Park, MD, USA（马里兰量子材料中心，马里兰大学，College Park, MD, USA） 纠错

AI总结 本文提出了一种实时多仪器自主发现框架，通过闭环方式同时进行结构属性映射和功能属性优化，用于发现新型相变存储器材料，实现了七倍速度提升。

Comments 25 pages, 5 figures

Model-Adaptive Tool Necessity Reveals the Knowing-Doing Gap in LLM Tool Use

模型适应性工具必要性揭示了大语言模型工具使用中的知行差距

Yize Cheng, Chenrui Fan, Mahdi JafariRaviz, Keivan Rezaei, Soheil Feizi

机构 * University of Maryland, College Park（马里兰大学College Park分校） 纠错

AI总结 本文研究了大语言模型在使用外部工具时的必要性问题，提出了一种基于模型自身性能的适应性工具必要性定义，并通过四个模型在算术和事实性问答数据集上的比较，发现工具必要性与实际调用行为之间存在显著的不匹配，揭示了LLM工具使用中的知行差距。

Bayesian Networks for Path-Based Sensors: Gathering Information and Path Planning in Communication Denied Environments

基于路径的传感器的贝叶斯网络：在通信受限环境中收集信息和路径规划

Alkesh K. Srivastava, George P. Kontoudis, Donald Sofge, Michael Otte

机构 * University of Maryland, College Park, MD, US.（美国马里兰大学学院公园分校） ； Temple University, Philadelphia, PA, US.（美国 Temple 大学） ； Colorado School of Mines, Golden, CO, US.（科罗拉多矿业学院） ； U.S. Naval Research Lab (Retired), DC, US.（美国海军研究实验室（退休）） 纠错

AI总结 本文提出了一种基于贝叶斯网络的更新方法，用于在通信受限环境中通过路径传感器提升信念图的收敛速度，并考虑了假阳性和假阴性问题。

Comments This paper has been accepted for presentation at 17th World Symposium on the Algorithmic Foundations of Robotics (WAFR 2026)

LSDTs: LLM-Augmented Semantic Digital Twins for Adaptive Knowledge-Intensive Infrastructure Planning

LSDTs: 基于大语言模型的语义数字孪生用于自适应知识密集型基础设施规划

Naiyi Li, Zihui Ma, Runlong Yu, Lingyao Li

机构 * Department of Civil & Environmental Engineering, University of Maryland, College Park（大学公园马里兰大学土木与环境工程系） ； Center for Urban Science and Progress, New York University（纽约大学城市科学与进步中心） ； Department of Computer Science, University of Alabama（阿拉巴马大学计算机科学系） ； School of Information, University of South Florida（佛罗里达州立大学信息学院） 纠错

AI总结 本文提出LSDTs框架，利用大语言模型从非结构化文档中提取规划知识并构建形式本体，通过语义层提升数字孪生在复杂规划场景中的适应性与仿真精度。

ChartDesign: Towards LLM Designer of Data Visualization

ChartDesign: 向数据可视化设计的LLM设计师迈进

Mohammed Afaan Ansari, Aniruddh Bansal, Tianyi Zhou

机构 * University of Maryland, College Park（马里兰大学学院公园分校） 纠错

AI总结 本文提出ChartDesign，利用大语言模型生成数据可视化设计属性，提升图表设计性能，实现84%的准确率，并在未见领域中表现出色。