Princeton University（普林斯顿大学）

Computational Design and Co-Robotic Fabrication for Material Reuse in Architecture

建筑中材料再利用的计算设计与协作机器人制造

Arash Adel, Daniel Ruan, Ruxin Xie

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 本文提出整合数据驱动设计与反馈驱动协作机器人制造的框架，用于实现非标准结构的再利用木材加工，通过Timbrelyn案例展示木材再利用如何提升建筑表达。

Comments Accepted for publication in Proceedings of the 45th Annual Conference of the Association for Computer Aided Design in Architecture (ACADIA 2025)

MIMIC: A Generative Multimodal Foundation Model for Biomolecules

MIMIC：一种生成式多模态基础模型用于生物分子

Siavash Golkar, Jake Kovalic, Irina Espejo Morales, Samuel Sledzieski, Minhuan Li, Ksenia Sokolova, Geraud Krawezik, Alberto Bietti, Claudia Skok Gibbs, Roman Klypa, Shengwei Xiong, Francois Lanusse, Liam Parker, Kyunghyun Cho, Miles Cranmer, Tom Hehir, Michael McCabe, Lucas Meyer, Rudy Morel, Payel Mukhopadhyay, Mariel Pettee, Helen Qu, Jeff Shen, David Fouhey, Hadi Sotoudeh, Vikram Mulligan, Pilar Cossio, Sonya M. Hanson, Alisha N. Jones, Olga G. Troyanskaya, Shirley Ho

机构 * Polymathic AI Center for Data Science, New York University（多学科人工智能数据科学中心，纽约大学） ； Polymathic AI Department of Applied Physics, Yale University（多学科人工智能应用物理系，耶鲁大学） ； Center for Computational Mathematics, Flatiron Institute（计算数学中心，Flatiron研究所） ； Center for Computational Biology, Flatiron Institute（计算生物学中心，Flatiron研究所） ； Princeton Precision Health, Princeton University（普林斯顿精准健康，普林斯顿大学） ； Department of Chemistry, New York University（化学系，纽约大学） ； Department of Computer Science, Princeton University（计算机科学系，普林斯顿大学） ； Lewis-Sigler Institute for Integrative Genomics, Princeton University（刘易斯-西格尔整合基因组学研究所，普林斯顿大学） ； Center for Computational Astrophysics, Flatiron Institute（计算天文学中心，Flatiron研究所） ； Department of Astrophysical Sciences, Princeton University（天体物理科学系，普林斯顿大学） ； Department of Physics, New York University（物理学系，纽约大学） 纠错

AI总结 MIMIC通过多模态生成模型统一生物分子的表示学习、条件预测和受限设计，实现对RNA和蛋白质的先进预测与设计。

Generative Control as Optimization: Time Unconditional Flow Matching for Adaptive and Robust Robotic Control

生成控制作为优化：用于自适应和鲁棒机器人控制的时间无条件流匹配

Zunzhe Zhang, Runhan Huang, Yicheng Liu, Shaoting Zhu, Linzhan Mou, Hang Zhao

机构 * Institute for Interdisciplinary Information Sciences, Tsinghua University, Beijing, China（清华大学交叉信息研究院） ； Department of Computer Science, Princeton University, New Jersey, US（普林斯顿大学计算机科学系） ； Galaxea Inc., Beijing, China（Galaxea公司） 纠错

AI总结 GeCO通过将动作合成转化为迭代优化，解决了传统流匹配在状态复杂度上计算效率低的问题，实现了自适应的计算分配和无监督的安全检测。

Comments 18 pages, 6 figures

The Shape of Attraction in UMAP: Exploring the Embedding Forces in Dimensionality Reduction

UMAP中吸引形状的探索：在降维中的嵌入力分析

Mohammad Tariqul Islam, Jason W. Fleischer

机构 * Media Lab, MIT（MIT媒体实验室） ； Electrical and Computer Engineering, Princeton University（普林斯顿大学电气与计算机工程系） 纠错

AI总结 本文分析UMAP中吸引与排斥力对聚类形成和可视化的影响，比较UMAP与其他方法，揭示学习率退火的必要性及不同处理方式。

Comments 13 page + appendix

Journal ref Transactions on Machine Learning Research, 2026

PoseX: AI Defeats Physics Approaches on Protein-Ligand Cross Docking

PoseX：人工智能击败物理方法在蛋白质-配体交叉对接

Yize Jiang, Xinze Li, Yuanyuan Zhang, Jin Han, Youjun Xu, Ayush Pandit, Zaixi Zhang, Mengdi Wang, Mengyang Wang, Minjie Shen, Guang Yang, Yejin Choi, Wu-Jun Li, Tianfan Fu, Fang Wu, Junhong Liu

机构 * Microcyto ； Purdue University（普渡大学） ； State Key Laboratory for Novel Software Technology at Nanjing University（南京大学新型软件技术国家重点实验室） ； Anew Therapeutics ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Peking University（北京大学） ； Virginia Tech（弗吉尼亚理工大学） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 PoseX设计了一个开放源代码的基准测试，评估自我对接和交叉对接，通过23种方法和718/1312个数据集，发现AI方法在对接成功率上优于物理方法，并通过放松方法和结合口袋信息提升性能。

Unrealized Expectations: Comparing AI Methods vs Classical Algorithms for Maximum Independent Set

未实现的期望：比较AI方法与经典算法在最大独立集问题上的表现

Yikai Wu, Haoyu Zhao, Sanjeev Arora

机构 * Department of Computer Science & Princeton Language and Intelligence (PLI)（计算机科学系及普林斯顿语言与智能中心） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文比较了AI方法与经典算法在最大独立集问题上的性能，发现经典算法在随机图上表现更优，AI方法存在系统性不足，需重新审视AI在组合优化中的应用。

Comments Published on TMLR 04/2026. 28 pages, 6 figures, 98 tables

Journal ref Transactions on Machine Learning Research (2026)