EMRI频率轨迹不必先造波形：谐波识别在物理候选内98%正确，参数体积最多再缩四个量级
极端质量比旋近（EMRI）的波形长且多谐波，搜索与参数估计代价高。该工作直接用时频搜索输出的频率轨迹训练基于模拟的推断网络：在物理合理的候选内，谐波对识别正确率为98%；序贯推断把内禀参数先验体积压缩，再叠加检测统计量筛选可再缩小最多四个量级，使重度掩蔽轨迹接近掩蔽最轻情形的精度。
KC-maps 不再依赖轨迹数据：用漂移与扩散项学转移核，肽体系采样吞吐超过经典分子动力学
KC-maps 把随机微分方程的有限时间转移核直接学成一个神经网络映射，训练时只需要互不相关的边缘样本和已知的漂移、扩散系数，不需要成对的模拟轨迹。它把边界条件写进网络结构，并用 Kolmogorov–Chapman 方程构造训练目标，使不同时间尺度上拼接的转移在分布上保持一致。在丙氨酸二肽、四肽和六肽上，它用单次学习到的转移替代最多 70 fs 的序列积分，在相同 GPU 小时预算下取得更低的 TICA-2 距离，并在 AL6 上覆盖到训练数据中缺失的构象模式。
双中微子不再只能靠解析式硬解：机器学习把顶夸克对不变质量分辨率再压三成
在双轻子衰变道中，两个中微子不带电、不被探测，顶夸克对运动学重建因此长期依赖解析近似。研究者用CMS开放数据中的7 TeV模拟样本，先改进宽松重建算法LKRv3，再以残差多层感知机和条件归一化流直接从可见粒子回归顶夸克对四动量；相对LKRv3，两种网络把不变质量、横动量和快度的分辨率分别改善约30%、20%和15%，在产生阈值附近不变质量分辨率达到30 GeV。
归一化流让分子晶体自由能不再逐态炼金：三个药物晶型体系与爱因斯坦晶体法吻合，平均耗时约为其四成
分子晶体多晶型的热力学排序长期依赖爱因斯坦晶体法（ECM），后者要为每个多晶型单独采样一串重叠的炼金中间态，成本随晶型景观扩大而难以承受。该工作把靶向自由能微扰中的映射交给归一化流学习：模型把分子动力学采到的超胞构型可逆地变换到解析参考分布，再用靶向Bennett接受率（tBAR）重加权得到晶格自由能。在琥珀酸、Veliparib和Mivebresib上，结果与ECM吻合，可处理约3×10³自由度的超胞，平均计算时间约为ECM的2.5分之一。
已读完全部报道