Harvard University Press

该工作把科学多智能体强化学习（SMARL）用于地球物理湍流的亚网格闭合建模：以从少量高保真样本估计的拟涡能谱为奖励，在线学习Leith模型系数，使分辨率比DNS粗160至163840倍的LES在长达训练数据约2000倍的模拟中稳定运行，并复现DNS的动能谱与涡量概率密度函数，包括代表极端事件的尾部。

该工作把科学多智能体强化学习（SMARL）用于地球物理湍流的亚网格闭合建模：以从少量高保真样本估计的拟涡能谱为奖励，在线学习Leith模型系数，使分辨率比DNS粗160至163840倍的LES在长达训练数据约2000倍的模拟中稳定运行，并复现DNS的动能谱与涡量概率密度函数，包括代表极端事件的尾部。

本文提出一种新的3D图神经网络自监督预训练任务：在AlphaFold数据库中542k个SwissProt蛋白质结构上，预测蛋白质各子图（以10%氨基酸为中心的2-hop ego网络）的几何质心与整个蛋白质全局几何质心之间的欧氏距离（离散为10个等宽区间并以交叉熵分类），在ProNet、SchNet、GCN三种骨干与ca_base、ca_angles、ca_bb三种特征化方案下，于Fold、Superfamily、Family与React分类任务上相较无预训练与边距离预训练基线取得最高约6%的提升，且无需多视图、增强或掩码策略。

本文提出一种新的3D图神经网络自监督预训练任务：在AlphaFold数据库中542k个SwissProt蛋白质结构上，预测蛋白质各子图（以10%氨基酸为中心的2-hop ego网络）的几何质心与整个蛋白质全局几何质心之间的欧氏距离（离散为10个等宽区间并以交叉熵分类），在ProNet、SchNet、GCN三种骨干与ca_base、ca_angles、ca_bb三种特征化方案下，于Fold、Superfamily、Family与React分类任务上相较无预训练与边距离预训练基线取得最高约6%的提升，且无需多视图、增强或掩码策略。