University of Michigan（密歇根大学安娜堡分校）

AeroJEPA: Learning Semantic Latent Representations for Scalable 3D Aerodynamic Field Modeling

AeroJEPA：学习语义潜在表示以实现可扩展的3D气动场建模

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

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

AI总结 AeroJEPA通过联合嵌入预测架构，在高保真度和大规模场景中实现可扩展的3D气动场建模，通过语义组织潜在空间提升建模效率与设计意义。

OpenG2G: A Simulation Platform for AI Datacenter-Grid Runtime Coordination

OpenG2G：用于AI数据中心-电网运行协调的仿真平台

Jae-Won Chung, Zhirui Liang, Yanyong Mao, Jiasi Chen, Mosharaf Chowdhury, Vladimir Dvorkin

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本文提出OpenG2G平台，用于研究AI数据中心与电网的协调策略，通过模拟不同控制方法评估AI模型对数据中心灵活性的影响。

Comments Open-source at https://github.com/gpu2grid/openg2g

Convexity in Disguise: A Theoretical Framework for Nonconvex Low-Rank Matrix Estimation

伪装的凸性：非凸低秩矩阵估计的理论框架

Chengyu Cui, Gongjun Xu

机构 * Department of Statistics, University of Michigan（密歇根大学统计系） 纠错

AI总结 本文提出了一种理论框架，揭示了非凸方法在低秩估计中的内在凸性机制，通过良性正则化器提供新的理论保证。

Conditional Diffusion Under Linear Constraints: Langevin Mixing and Information-Theoretic Guarantees

在线性约束下条件扩散：兰杰文混合与信息论保证

Ahmad Aghapour, Erhan Bayraktar, Asaf Cohen

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本文研究预训练扩散模型在零样本条件下对线性逆问题（如修复和超分辨率）的采样，提出通过投影-切线分解分析得分函数，证明误差上界与条件互信息关系，提出投影-兰杰文初始化和引导反向去噪方法提升修复和超分辨率性能。

Cooperative Profiles Predict Multi-Agent LLM Team Performance in AI for Science Workflows

协同特征预测多智能体LLM团队在AI for Science工作流中的性能

Shivani Kumar, Adarsh Bharathwaj, David Jurgens

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本文通过六种行为经济学游戏评估35个LLM的协同特征，发现其能有效预测AI for Science任务中的团队表现，特别是在数据处理、建模和报告生成中，协同策略优于贪心策略。

Feeling the Space: Egomotion-Aware Video Representation for Efficient and Accurate 3D Scene Understanding

感知空间：面向高效准确3D场景理解的自我运动感知视频表示

Shuyao Shi, Kang G. Shin

机构 * Department of Computer Science（计算机科学系） ； University of Michigan（密歇根大学） ； University of Michigan Ann Arbor（密歇根大学安阿伯分校） 纠错

AI总结 本文提出Motion-MLLM框架，结合IMU数据与视觉特征，通过运动-视觉关键帧过滤模块和异构跨模态融合模块，提升3D场景理解与空间推理的效率和准确性。

Comments 22 pages, 10 figures

A Greedy PDE Router for Blending Neural Operators and Classical Methods

一种用于融合神经算子和经典方法的贪心PDE路由器

Sahana Rayan, Yash Patel, Ambuj Tewari

机构 * Department of Statistics（统计系） ； University of Michigan（密歇根大学） ； Ann Arbor, MI 48104, USA（安阿伯, MI 48104, 美国） 纠错

AI总结 本文提出一种贪心PDE路由器，通过在每次迭代中选择求解器来融合神经算子和经典方法，减少计算误差和误差曲线面积，提升求解效率与稳定性。