Rapid Neural Network Prediction of Linear Block Copolymer Free Energies
快速神经网络预测线性块共聚物自由能
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出基于机器学习的快速预测线性块共聚物超额自由能的方法，利用模拟数据训练神经网络，有效降低计算成本并提升自由能计算效率。
高校专区
Massachusetts Institute of Technology（麻省理工学院）
Physics-informed offline reinforcement learning eliminates catastrophic fuel waste in maritime routing
物理引导的离线强化学习消除海上航线中的灾难性燃油浪费
机构 * MIT Sea Grant College Program（麻省理工学院海事研究生院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出PIER框架，通过物理校准的环境学习高效安全的航线策略，减少燃油消耗和碳排放，消除灾难性燃油浪费，适用于多种导航场景。
Self-Conditioned Denoising for Atomistic Representation Learning
原子表示学习中的自条件去噪
机构 * Department of Chemistry, Massachusetts Institute of Technology, 77 Massachusetts Avenue, Cambridge, 02139, MA, USA（麻省理工学院化学系） ； Department of Materials Science and Engineering, Massachusetts Institute of Technology, 77 Massachusetts Avenue, Cambridge, 02139, MA, USA（麻省理工学院材料科学与工程系）
AI总结 本文提出自条件去噪方法，用于改进原子数据的预训练模型，通过自嵌入实现跨领域去噪，提升下游任务性能，优于传统自监督学习方法。
Unsupervised Decomposition and Recombination with Discriminator-Driven Diffusion Models
无监督分解与重组：基于判别器驱动的扩散模型
机构 * Research Laboratory of Electronics, MIT, Cambridge, MA 02139, USA（MIT电子研究实验室） ； Department of Physics, Massachusetts Institute of Technology, MIT, Cambridge, MA, USA（麻省理工学院物理系） ； NSF AI Institute for Artificial Intelligence（国家科学基金会人工智能与基本相互作用研究所） ； Kempner Institute, Harvard University, Cambridge, MA, USA（哈佛大学 Kempner 院） ； Google DeepMind, Mountain View, CA, USA（Google DeepMind） ； School of Computer Science, Georgia Institute of Technology, Atlanta, USA（佐治亚理工学院计算机科学系）
AI总结 本文提出基于判别器驱动的扩散模型，用于无监督分解和重组数据，通过对抗训练提升潜在因子发现和生成质量，实验显示在多个数据集上优于基线方法，且在机器人视频轨迹中实现新应用。
Comments 28 pages, 16 figures, 4 tables
Scalable Energy-Based Models via Adversarial Training: Unifying Discrimination and Generation
通过对抗训练实现可扩展的能量模型：统一判别与生成
机构 * MIT（麻省理工学院）
AI总结 本文提出一种结合对抗训练的框架，解决传统能量模型在稳定性与生成质量上的不足，实现高分辨率数据集上的高效判别与生成性能。
Comments Published at ICLR 2026. Code: https://github.com/xuwangyin/DAT
ReviewScore: Misinformed Peer Review Detection with Large Language Models
ReviewScore：利用大语言模型进行误信同行评审检测
机构 * KAIST（韩国科学技术院） ； Carnegie Mellon University（卡内基梅隆大学） ； MIT（麻省理工学院） ； KRAFTON（KRAFTON公司） ； AITRICS（AITRICS研究院） ； KIT（卡尔斯鲁厄理工学院）
AI总结 本文提出ReviewScore方法，通过检测同行评审中的错误前提和可回答问题来识别低质量评审。利用大语言模型评估评审点的误信程度，实验显示模型在评估一致性上表现中等，但仍有改进空间。
An Introduction to Flow Matching and Diffusion Models
流匹配与扩散模型简介
机构 * csail.mit.edu（麻省理工学院计算机科学与人工智能实验室）
AI总结 本文介绍扩散和基于流的生成模型，涵盖数学基础、核心算法及图像视频生成方法，适合希望深入理解生成AI理论与实践的机器学习研究者。
