University of Washington（华盛顿大学）

2603.15491 2026-03-17 cond-mat.mtrl-sci cs.AI

Agentic workflow enables the recovery of critical materials from complex feedstocks via selective precipitation

代理工作流程通过选择性沉淀从复杂原料中回收关键材料

Andrew Ritchhart, Sarah I. Allec, Pravalika Butreddy, Krista Kulesa, Qingpu Wang, Dan Thien Nguyen, Maxim Ziatdinov, Elias Nakouzi

机构 * Physical and Computational Sciences Directorate, Pacific Northwest National Laboratory（太平洋西北国家实验室物理与计算科学部门）； Department of Chemical Engineering, University of Washington（华盛顿大学化学工程系）

AI总结本文提出一种多代理工作流程，利用AI代理和自动化仪器从生产水和磁性浸出液中高效回收关键材料，通过简单化学品实现选择性沉淀，加快了分离技术的发展周期。

2603.15091 2026-03-17 math.NA cs.LG cs.NA math.DS math.OC

Trustworthy Koopman Operator Learning: Invariance Diagnostics and Error Bounds

可信的Koopman算子学习：不变性诊断与误差界

Gustav Conradie, Nicolas Boullé, Jean-Christophe Loiseau, Steven L. Brunton, Matthew J. Colbrook

机构 * Centre for Mathematical Sciences, University of Cambridge, UK（剑桥大学数学科学中心，英国）； Department of Mathematics, Imperial College London, UK（伦敦帝国理工学院数学系，英国）； Department of Mechanical Engineering, University of Washington, USA（美国华盛顿大学机械工程系）

AI总结本文提出了一种统一的后验方法，用于验证Koopman近似的可信度并改进其性能，通过主角度分解和多步误差界，提供可靠的谱分析和预测保障。

2603.13467 2026-03-17 cs.LG cs.AI cs.CL cs.CV

Resolving Interference (RI): Disentangling Models for Improved Model Merging

消除干扰（RI）：解耦模型以提升模型合并

Pratik Ramesh, George Stoica, Arun Iyer, Leshem Choshen, Judy Hoffman

机构 * University of Washington（华盛顿大学）； Microsoft Research（微软研究院）； MIT（麻省理工学院）； IBM Research（IBM研究院）； University of California, Irvine（加州大学 Irvine 分校）

AI总结本文提出RI方法，通过解耦专家模型以实现功能正交，减少跨任务干扰，提升模型合并性能和泛化能力。

2603.13414 2026-03-17 cs.SE cs.AI

Neuro-Symbolic Generation and Validation of Memory-Aware Formal Function Specifications

神经符号生成与验证内存感知的形式函数规范

Liao Zhang, Tong Chen, Xiwei Wu, Qi Liu, Xiyu Zhai, Xinqi Wang, Qinxiang Cao

机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院）； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院）； Shanghai Innovation Institute（上海创新研究院）； School of Computer Science and Engineering, University of Washington（华盛顿大学计算机科学与工程学院）

AI总结本文提出神经符号框架，通过自然语言描述和函数签名生成内存感知的形式函数规范，结合符号证明器和验证工具链迭代优化，提升形式规范的正确性与语法有效性。