University of Michigan（密歇根大学安娜堡分校）

Continuous-time Online Learning via Mean-Field Neural Networks: Regret Analysis in Diffusion Environments

基于均场神经网络的连续时间在线学习：扩散环境中的遗憾分析

Erhan Bayraktar, Bingyan Han, Ziqing Zhang

机构 * University of Michigan（密歇根大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

AI总结 本文研究了由未知系数生成的数据的连续时间在线学习问题，采用两层神经网络进行非前瞻性参数更新，通过均场极限建立随机Wasserstein梯度流，并在扩散环境中推导出均场极限和有限粒子系统的遗憾界。

Comments 64 pages, 5 figures

Generative Design for Direct-to-Chip Liquid Cooling for Data Centers

面向数据中心的直接到芯片液体冷却生成设计

Zheng Liu

机构 * University of Michigan-Dearborn（密歇根大学迪尔伯恩分校） 纠错

AI总结 本文提出一种生成设计框架，用于合成NVIDIA GB200 Grace Blackwell超芯片的冷却通道几何结构，通过物理建模与反应扩散过程结合，优化冷却性能，降低芯片温度。

Comments 5 pages, 2 figures

Physics-guided surrogate learning enables zero-shot control of turbulent wings

物理引导的代理学习实现湍流机翼的零样本控制

Yuning Wang, Pol Suarez, Mathis Bode, Ricardo Vinuesa

机构 * University of Michigan（密歇根大学） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Forschungszentrum Jülich GmbH（于利希研究中心） 纠错

AI总结 本文提出利用物理引导的代理学习方法，通过湍流通道流训练策略直接应用于NACA4412机翼，实现零样本控制，有效降低皮肤摩擦阻力和总阻力。

Multimodal Diffusion Forcing for Forceful Manipulation

多模态扩散强迫用于强力操控

Zixuan Huang, Huaidian Hou, Dmitry Berenson

机构 * University of Michigan, Ann Arbor（密歇根大学安娜堡分校） 纠错

AI总结 本文提出多模态扩散强迫框架，通过随机部分遮蔽和扩散模型重建轨迹，学习机器人多模态轨迹，提升对动作与力信号的依赖性，实验证明其在模拟和现实环境中的强性能和鲁棒性。

Comments Project website: https://unified-df.github.io

On the Convergence of Gradient Descent on Learning Transformers with Residual Connections

关于在带有残差连接的Transformer学习中梯度下降收敛性的分析

Zhen Qin, Jinxin Zhou, Jiachen Jiang, Zhihui Zhu

机构 * Michigan Institute for Computational Discovery and Engineering, Department of Electrical Engineering and Computer Science, Department of Statistics, University of Michigan（密歇根大学计算发现与工程研究所、电气工程与计算机科学系、统计系） ； Department of Computer Science and Engineering, The Ohio State University（俄亥俄州立大学计算机科学与工程系） 纠错

AI总结 本文研究了带有残差连接的单层Transformer模型中梯度下降的收敛性，证明了在适当初始化下具有线性收敛速度，并探讨了残差连接对优化稳定性的影响。

Last-Iterate Convergence of Randomized Kaczmarz and SGD with Greedy Step Size

随机Kaczmarz与SGD在贪心步长下的最后一轮收敛

Michał Dereziński, Xiaoyu Dong

机构 * University of Michigan（密歇根大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 研究SGD在贪心步长下对光滑二次插值问题的最后轮收敛，证明t次迭代达到O(1/t^{3/4})收敛速度，改进了Attia等人提出的O(1/t^{1/2})保证。

Agentic Exploration of PDE Spaces using Latent Foundation Models for Parameterized Simulations

基于潜在基础模型的PDE空间代理探索用于参数化模拟

Abhijeet Vishwasrao, Francisco Giral, Mahmoud Golestanian, Federica Tonti, Andrea Arroyo Ramo, Adrian Lozano-Duran, Steven L. Brunton, Sergio Hoyas, Soledad Le Clainche, Hector Gomez, Ricardo Vinuesa

机构 * University of Michigan（密歇根大学） ； Universidad Politécnica de Madrid（马德里理工大学） ； Purdue University（普渡大学） ； Universitat Politècnica de València（瓦伦西亚理工大学） ； Caltech（加州理工学院） ； University of Washington（华盛顿大学） 纠错

AI总结 本文提出利用多代理LLM与潜在基础模型耦合，实现对PDE参数空间的连续探索，发现流体中不同尺度的标度律，展示了代理推理在PDE系统中的自动化科学发现能力。