Rice University

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。

该工作提出一条由大语言模型驱动的模块化智能体流水线，从科学文献的表格与正文中自动抽取并结构化混凝土材料的组成—工艺—性能属性，在17个开源与专有模型上取得最高0.98的F1分数，并在约一小时内从超过27,000篇文献筛选出的278篇论文中抽取逾10,000条记录，经后处理形成含近9,000条高质量记录、100余项属性的迄今最大公开掺合水泥混凝土实验室数据库，机器学习分析进一步显示大规模、多样且信息丰富的数据库可同时提升分布内精度与对未见材料体系的分布外泛化。

该工作提出一条由大语言模型驱动的模块化智能体流水线，从科学文献的表格与正文中自动抽取并结构化混凝土材料的组成—工艺—性能属性，在17个开源与专有模型上取得最高0.98的F1分数，并在约一小时内从超过27,000篇文献筛选出的278篇论文中抽取逾10,000条记录，经后处理形成含近9,000条高质量记录、100余项属性的迄今最大公开掺合水泥混凝土实验室数据库，机器学习分析进一步显示大规模、多样且信息丰富的数据库可同时提升分布内精度与对未见材料体系的分布外泛化。