University of Wisconsin-Madison（威斯康星大学麦迪逊分校）

2508.14817 2026-07-13 cs.CL cs.AI 版本更新

Evaluating Retrieval-Augmented Generation vs. Long-Context Input for Clinical Reasoning over EHRs

评估检索增强生成与长上下文输入用于电子健康记录临床推理的效果

Skatje Myers, Dmitriy Dligach, Timothy A. Miller, Samantha Barr, James Landefeld, Yanjun Gao, Matthew Churpek, Anoop Mayampurath, Majid Afshar

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）； Loyola University Chicago（芝加哥洛约拉大学）； Boston Children’s Hospital Harvard Medical School（波士顿儿童医院哈佛医学院）； University of Colorado-Anschutz（科罗拉多大学安舒茨分校）

AI总结研究评估检索增强生成（RAG）用于电子健康记录临床推理的效果，定义三个基于EHR的任务，用真实住院临床记录评估三种大语言模型，发现RAG在成像程序和抗生素时间线任务中令牌效率高，诊断生成任务较具挑战性，RAG是临床任务的有效方法。

2506.11936 2026-07-13 physics.flu-dyn cond-mat.mtrl-sci cs.LG 版本更新

Transformer-Based Inverse Microrheology for Experimental Mechanics at Ultra-High Strain Rates

基于Transformer的超高应变率下实验力学的逆微流变学

Lehu Bu, Zhaohan Yu, Danila Frolkin, Junyoung Kim, Qihang Shi, Jan N. Fuhg, Shaoting Lin, Jin Yang

机构 * Materials Science Graduate Program, Texas Materials Institute, The University of Texas at Austin（材料科学研究生项目，德克萨斯材料研究所，德克萨斯大学奥斯汀分校）； Department of Mechanical Engineering, Michigan State University（机械工程系，密歇根州立大学）； Department of Aerospace Engineering and Engineering Mechanics, The University of Texas at Austin（航空航天工程与工程力学系，德克萨斯大学奥斯汀分校）； The Oden Institute of Computational Science and Engineering, University of Texas at Austin（奥登计算科学与工程研究所，德克萨斯大学奥斯汀分校）； Department of Mechanical Engineering, University of Wisconsin-Madison（机械工程系，威斯康星大学麦迪逊分校）

AI总结研究针对传统流变工具在超高应变率下表征软材料的局限，提出基于Transformer的气泡动力学框架BDT，集成物理模拟与神经网络，从气泡动力学快速逆表征软材料粘弹性，无需迭代优化，加速参数推断并能表征多种材料行为。