An ab initio foundation model of wavefunctions that accurately describes chemical bond breaking

发表:2026-08-21 · 颠覆级

化学键断裂涉及多参考电子结构,传统高精度方法通常需要为每个新体系重新支付昂贵的薛定谔方程求解成本,是量子化学长期瓶颈。 Orbformer 把深度量子蒙特卡洛波函数预训练扩展为基础模型:先在 22000 个平衡与解离结构上学习可迁移电子结构,再对未见分子进行低成本微调。 论文在标准基准、不同键解离及 Diels...

The HydroGym reinforcement learning platform for fluid dynamics

发表:2026-08-19 · 颠覆级

流体控制长期缺少类似 Gym 的统一基准,不同研究往往绑定单一几何、求解器和工况,算法难以比较、复现和迁移。HydroGym 的目标是把碎片化案例转化为可累积的强化学习研究基础设施。 平台以统一 Gymnasium 接口封装多种 CFD 求解器,提供 61 个经验证的二维和三维环境,覆盖层流到湍流、雷诺数最高...

JANUS: A Multi-modal Foundation Neural Sampler for Disordered Materials

发表:2026-08-19 · 颠覆级

无序材料的热力学采样问题需要考虑原子种类和结构的耦合变化,构成了离散-连续联合采样的高维难题,传统方法(如蒙特卡洛)计算成本极高。 JANUS 是一种多模态神经采样器,通过等变图神经网络耦合连续与遮蔽离散扩散,直接从能量评估中训练,无需预生成的平衡数据。它统一了原子身份与结构/体积弛豫的采样。 在伊辛和等压Δμ...

ATLAS: A Foundation Neural Sampler for Amorphous Materials

发表:2026-07-21 · 颠覆级

非晶材料具有优异的力学和功能性能,但其势能景观崎岖,传统分子动力学和蒙特卡洛方法在玻璃转变温度以下效率极低,数据驱动生成模型受限于稀少且有偏的参考系综。 本文提出ATLAS,一种基于扩散过程的神经网络采样器,直接从目标能量函数生成玻尔兹曼分布的非晶结构。该方法采用等变图神经网络参数化,可在系统尺寸、温度和成分间...

Reinforcement learning control of quantum error correction

发表:2026-07-08 · 颠覆级

可容错量子计算不仅要求纠错码能够检测和修正错误,还要求大量模拟控制参数在长时间运行中始终保持校准。传统的停机重校准会打断计算,难以支撑可能持续数天或数月的量子算法,因此需要一种能够在量子纠错持续运行时自动追踪器件漂移的闭环控制机制。 论文把量子纠错电路产生的 detection events 同时用作解码信号和...