搜索：物理 - 数据双驱动

「物理 - 数据双驱动」共找到 3271 篇相关文章

从游戏少女到AI女神！她用物理驯服AI，让飓风预测快1000倍

本文讲述了AI领域领军人物Rose Yu的成长历程，她从玩游戏起步，到用物理知识改进交通预测、加速飓风模拟，还设想打造“AI科学家”辅助科研，强调AI是助手而非替代者。

动态失速威胁风力机叶片安全与发电效率，传统模型有局限。西工大团队开发数据融合神经网络与动量叶素理论耦合框架，能高效高精度预示三维叶片动态失速，虽部分工况有偏差，但预测精度显著提升。

影石研究院团队推出基于DiT架构的全景图像生成模型DiT360，设计分层混合训练框架，结合透视与全景图像数据，提升真实感和几何一致性。它支持多任务，优于现有方法，为三维场景生成提供新思路。

CMU、斯坦福等四大名校研究团队挑战“预训练规模越大越好”观点，提出“灾难性过度训练”现象，即增加预训练数据可能导致后训练性能下降，并从现实证据、控制实验、理论分析等方面阐述新研究贡献，还介绍了相关实验及结论。

上海AI Lab等团队提出MathFusion，通过三种“融合策略”生成新的融合数据集MathFusionQA，仅用45K合成指令，在多基准测试中平均准确率提升18.0个百分点，增强模型解决数学问题的能力。

阿里妈妈与武汉大学团队发布 MUSE 框架，用于终身用户兴趣建模，能处理 10 万级超长行为序列。还开源 Taobao - MM 数据集。MUSE 可插拔，已在阿里妈妈展示广告精排模型全量上线，提升 CTR 等指标。

STReasoner是首个结合时间序列、空间结构和自然语言的推理模型，能识别异常源、追踪影响路径。研究团队构建数据生成框架和评测基准，采用三阶段训练策略，模型在多任务表现优，成本低且泛化能力强。

上海人工智能实验室等联合研究质疑了‘SFT倾向于记忆，RL实现泛化’观点，指出SFT泛化是条件性现象，受优化动态、训练数据、基模型能力影响，还揭示长思维链SFT会带来安全性能退化。

港大等机构用3000道物理题测试顶尖大模型，如GPT - 4o、Claude 3.7 Sonnet等，结果模型准确率远低于人类专家。研究推出PHYX基准测试，揭示模型依赖知识、公式和模式匹配，缺乏真正物理理解。

西湖大学吴泰霖课题组联合多方提出“组合生成式多物理场多元件PDE仿真（M2PDE）”，将仿真问题视为生成式概率建模任务。该成果在多任务测试中表现卓越，被ICML 2025接收。