Chinese Academy of Sciences

PDE求解器的自动修复改用离散扩散语言模型：不再从左到右重写整份代码，而是只把出错代码段重新遮住、在左右上下文都在的情况下补全。在PDEBench的五个方程族上，同一检查点下局部补全把平均Pass@32从0.4938提到0.5063，单次修复延迟从64.85秒降到0.748秒；初始生成仍慢于同规模自回归模型，端到端最坏情况平均成本为55.5秒。

PDE求解器的自动修复改用离散扩散语言模型：不再从左到右重写整份代码，而是只把出错代码段重新遮住、在左右上下文都在的情况下补全。在PDEBench的五个方程族上，同一检查点下局部补全把平均Pass@32从0.4938提到0.5063，单次修复延迟从64.85秒降到0.748秒；初始生成仍慢于同规模自回归模型，端到端最坏情况平均成本为55.5秒。

复杂流动中的粒子输运通常靠求解纳维—斯托克斯方程，数值与实验方法成本高，已有机器学习方法在稀疏数据下难以外推长程粒子轨迹。TrajectoryFlowNet 把拉格朗日视角的粒子轨迹与欧拉视角的全场速度、压力放进同一个物理约束网络，只用少量轨迹测量就同时给出全场流动和任意粒子的长程路径。验证覆盖数值算例（顶盖驱动方腔流、复杂圆柱绕流）与实验血流（主动脉、心室），在含不规则边界的流动中保持预测的物理一致性。

复杂流动中的粒子输运通常靠求解纳维—斯托克斯方程，数值与实验方法成本高，已有机器学习方法在稀疏数据下难以外推长程粒子轨迹。TrajectoryFlowNet 把拉格朗日视角的粒子轨迹与欧拉视角的全场速度、压力放进同一个物理约束网络，只用少量轨迹测量就同时给出全场流动和任意粒子的长程路径。验证覆盖数值算例（顶盖驱动方腔流、复杂圆柱绕流）与实验血流（主动脉、心室），在含不规则边界的流动中保持预测的物理一致性。

把监督微调的参数更新限制在在线策略训练给出的方向上，SFT的泛化能力追平GRPO，训练时间还减少一半以上。

把监督微调的参数更新限制在在线策略训练给出的方向上，SFT的泛化能力追平GRPO，训练时间还减少一半以上。

该工作用随机森林模型把多稀土主元RE2Si2O7二硅酸盐的相组成分为单β、单γ、单δ/δ+γ混合与分相四类，识别出RE3+平均阳离子半径与半径偏差为最主要影响因素，并用(Gdx1Hox2Ybx3Lux4)2Si2O7与(Ndx1Hox2Ybx3Lux4)2Si2O7体系的预测及代表性成分实验表征进行验证，同时通过高通量DFT计算把相形成与容纳构型随机性的低能量代价、混合构型熵随激发能快速收敛联系起来，最终给出单相β与γ多型的定量设计判据。

该工作用随机森林模型把多稀土主元RE2Si2O7二硅酸盐的相组成分为单β、单γ、单δ/δ+γ混合与分相四类，识别出RE3+平均阳离子半径与半径偏差为最主要影响因素，并用(Gdx1Hox2Ybx3Lux4)2Si2O7与(Ndx1Hox2Ybx3Lux4)2Si2O7体系的预测及代表性成分实验表征进行验证，同时通过高通量DFT计算把相形成与容纳构型随机性的低能量代价、混合构型熵随激发能快速收敛联系起来，最终给出单相β与γ多型的定量设计判据。

作者提出矩阵乘积态与层级运动方程（MPS–HEOM）混合方法，对静态与动态无序下的分子极化激元动力学进行数值精确模拟，并引入收敛尺度 NT（光子动力学达到热力学极限所需的分子数），发现动态无序比静态无序要求更大的 NT，且 NT 随声子浴趋于马尔可夫而呈现先增后减的翻转行为，其微观根源是声子时间尺度调控亮态到暗态的能量转移与集体行为的抑制。

作者提出矩阵乘积态与层级运动方程（MPS–HEOM）混合方法，对静态与动态无序下的分子极化激元动力学进行数值精确模拟，并引入收敛尺度 NT（光子动力学达到热力学极限所需的分子数），发现动态无序比静态无序要求更大的 NT，且 NT 随声子浴趋于马尔可夫而呈现先增后减的翻转行为，其微观根源是声子时间尺度调控亮态到暗态的能量转移与集体行为的抑制。

该工作提出 FermatSyn，用 LoRA+ 微调冻结 SAM2 视觉编码器注入解剖先验、以 HRDM 与 CIN 保留高频病灶细节、并在双向 Mamba 中采用连续性约束的费马螺旋扫描构建近似各向同性感受野，在 SynthRAD2023 与合并 BraTS（含 BraTS-MEN、BraTS-MET）上于 PSNR、SSIM、FID 和 3D 结构一致性上超过对比方法，且用合成图像训练的分割模型与真实图像训练相比无显著差异（p>0.05）。

该工作提出 FermatSyn，用 LoRA+ 微调冻结 SAM2 视觉编码器注入解剖先验、以 HRDM 与 CIN 保留高频病灶细节、并在双向 Mamba 中采用连续性约束的费马螺旋扫描构建近似各向同性感受野，在 SynthRAD2023 与合并 BraTS（含 BraTS-MEN、BraTS-MET）上于 PSNR、SSIM、FID 和 3D 结构一致性上超过对比方法，且用合成图像训练的分割模型与真实图像训练相比无显著差异（p>0.05）。

该工作提出 Dino U-Net：以冻结的 DINOv3 基础模型为编码器，配合双分支 DINO Adapter 与保真感知投影模块（FAPM），在七个公开医学影像数据集（内镜、超声、显微、MRI、眼底、CMR 等模态）上取得优于七种基线方法的分割表现，并显示性能随骨干从 S 扩展到 7B 而持续提升。

该工作提出 Dino U-Net：以冻结的 DINOv3 基础模型为编码器，配合双分支 DINO Adapter 与保真感知投影模块（FAPM），在七个公开医学影像数据集（内镜、超声、显微、MRI、眼底、CMR 等模态）上取得优于七种基线方法的分割表现，并显示性能随骨干从 S 扩展到 7B 而持续提升。