跳转至

⚛️ 物理/科学计算

🧠 NeurIPS2026 · 61 篇论文解读

📌 同领域跨会议浏览: 🎞️ ECCV2026 (9) · 📷 CVPR2026 (10) · 🔬 ICLR2026 (76) · 🧪 ICML2026 (36) · 🤖 AAAI2026 (16) · 🧠 NeurIPS2025 (64)

🔥 高频主题: 扩散模型 ×2

APPSolver: Adaptive Patch Partitioning for Point-Wise Ship Flow Prediction on Unstructured Meshes

针对船舶 CFD 非结构化网格点集规模大且严重非均匀导致注意力主干计算代价高昂的问题,APPSolver 提出基于四叉树与船体距离先验的确定性自适应 Patch 剖分(APP)与降采样机制,在保持极低前向开销(1.3 ms / 1.8 GFLOPs)的同时实现全参考点集的高效点级流场预测。

AtomMOF: All-Atom Flow Matching for MOF-Adsorbate Structure Prediction

本文提出首个面向金属有机框架(MOF)及主客体吸附复合物的全原子变分流匹配生成模型 AtomMOF,直接从构建单元与吸附物的 2D 分子图无约束预测全原子 3D 晶体坐标与晶胞参数,结合机器学习原子间势(MLIP)驱动的 Feynman-Kac 采样引导,在 BW 基准上将结构匹配率提升 35.00%、RMSD 降低 32.68%,并在 ODAC25 吸附构型采样中比传统巨正则蒙特卡洛(GCMC)快数个数量级。

Breakeven Complexity: A New Perspective on Neural Partial Differential Equation Solvers

针对传统仅评估精度的指标严重忽视神经 PDE 代理模型前期高昂训练开销与经典求解器低保真度低成本特性的痛点,本文提出了端到端计算感知的“盈亏平衡复杂度”评估框架,基于缩放定律在固定预算下优化数据生成与训练分配,并构建了基于 GPU 原生 PyFR 模拟的多障碍一流体基准 BreakFlow,揭示出神经求解器在难度更高、保真度更严苛的物理任务中才真正具备算力摊销优势。

ClothTransformer: Unified Latent-Space Transformers for Scalable Cloth Simulation

ClothTransformer 将织物仿真重构为学习隐空间中的自回归序列建模,通过交叉注意力将任意分辨率网格压缩为固定数量的隐式 token,并结合可微连续碰撞检测(CCD)与高质量无穿透数据集,实现了单一模型在人体服饰、机器人操作及自由落体碰撞三种异构场景下的统一且高保真物理仿真。

CME–SpectrumBench: Can LLMs Analyze Condensed Matter Spectral Data?

斯坦福与 UC 伯克利团队提出首个针对凝聚态物理前沿实验(ARPES/RIXS)光谱分析的基准 CME–SpectrumBench,揭示前沿大模型在长上下文直接推理密集连续数据时的严重衰减,并验证通过 Python 解释器与 ReAct 代码生成智能体可取得逼近物理学研究生手写代码的分析性能。

Compute-Optimal Data Scaling for Neural Surrogates via Multi-Fidelity Training

本文提出将数值模拟的数据生成预算显式拆解为样本数量与保真度混合谱的优化问题,通过连续保真度条件调制多保真度神经代理模型,在相同计算预算下将所需数据生成开销降低多达 6.3 倍。

Coupled Integral PINN for Discontinuity

针对强形式物理信息神经网络(PINN)在间断界面处导数发散且陷入过平滑伪解的优化屏障,CI-PINN 引入原变量与积分势能双网络耦合架构,以无网格积分形式与熵条件无缝捕捉激波和稀疏波。

Deep-Koopman-KANDy: Dictionary Discovery for Deep-Koopman Operators with Kolmogorov-Arnold Networks for Dynamics

将双层柯尔莫哥洛夫-阿诺德网络(KAN)引入深度库普曼算子的编解码器,并提出基于链式法则与水平集分析的训练后符号读出机制,解决了传统方法必须在训练前预先假定候选函数字典的核心瓶颈。

diffusion-warm sampling of the xy model enables fast thermalization at scale

针对二维连续自旋 XY 模型在传统 MCMC 采样中大尺度与低温下热化时间指数级爆炸的难题,提出利用在小尺寸格点上训练的温度条件扩散模型进行跨尺度推理以提供高质量初态,仅需少量 Wolff MCMC 步即可修正宏观可观测度并实现约一个数量级的热化加速。

Discovering Phase Space Structure in Learned Hamiltonian Systems

SPS-GAN 提出了一种将端口哈密顿动力学与条件对抗生成相结合的框架,通过在非保守系统中拓展循环坐标正则化,首次在无需预设广义坐标与相空间维数的前提下,仅凭笛卡尔轨迹或视频观测便能联合生成物理自洽轨迹并自监督辨识系统真实自由度与正则坐标。

Efficient, Accurate and Stable Gradients for Neural ODEs

提出一种通用的代数可逆单步数值ODE求解器架构,在反向传播中实现精确梯度、高阶收敛性与非零线性数值稳定性,以 \(\mathcal{O}(n)\) 时间和 \(\mathcal{O}(1)\) 显存大幅超越递归检查点机制。

Efficient Neural Field Learning via Adaptive Coverage and Focused Sampling

针对隐式神经表征在复杂物理场学习中因空间异质性导致均匀采样低效、点级自适应采样易局部过聚且破坏全局覆盖的问题,本文提出结构化自适应采样框架 ACES,通过空间自适应剖分与可控偏差区域重要性加权实现覆盖率与梯度的方差-偏差优化。

End-to-End Differentiable Diffusion Conditioning for Physics-Informed Optimization

本文提出可微扩散条件控制框架(D2C),利用确定性 DDIM 采样链关于条件输入的全程可微性,将下游复合物理目标与代理模型梯度的反向传播直接引导至条件变量,实现了保持数据流形先验约束的高维物理系统端到端优化。

Exactness Matters for Physical Rule Enforcement

本文系统揭示了自回归科学预测中物理规则强加的“算子精确性”分水岭:在流形完全保持的精确周期投影下,循环内投影能大幅压制误差累积;而在非周期截断边界等近似清理机制下,过度求解泊松方程会造成严重的目标流形畸变与累积分布偏移,因此必须以目标失真与 rollout 表现而非单纯残差来校准执行强度。

Fast Learning Rates for Physics-Informed Kernel Methods

针对融合函数值与线性微分观测的统计学习问题,本文基于 RKHS 建立物理信息核估计器(PIKS)的有限样本误差上界与全新容量分解条件,定量刻画了预测误差从“微分受限阶段”向“饱和阶段”转变的两阶段跃迁律,并证明在物理一致强范数下仍可保留快速收敛保证。

Fast Reconstruction of Exact Maxwell Dynamics from Sparse Data

提出构造即精确的浅层神经网络架构 FLASH-MAX,使隐层神经元内生满足齐次麦克斯韦方程组,在稀疏观测下秒级收敛并维持零 PDE 残差。

Few-Step Boltzmann Generators via Scalable Likelihood Flow Maps

针对连续流模型似然估计依赖高方差 Hutchinson 迹估计或高阶雅可比行列式的计算瓶颈,本文提出无迹估计且可向量化的条件散度匹配目标 SCALLOP,实现分子玻尔兹曼生成器在数步函数评估下的高效采样与精确似然协同推断。

GAIA: Geometry-Adaptive Operator Learning for Forward and Inverse Problems

针对现有几何自适应神经算子仅针对输入输出同域的正问题、无法单步求解反问题与边界值问题的痛点,GAIA 提出边界与内部场双路径 Token 化机制,通过交叉注意力将几何语义注入积分核,实现复杂异构几何下正反偏微分方程问题的端到端单次前向高效求解。

Generalization Error Bounds for Picard-Type Operator Learning in Nonlinear Parabolic PDEs

本文针对非线性抛物方程的Duhamel-Picard算子学习建立了与具体实现解耦的泛化误差上界,严格证明了增加Picard深度能够以几何级数衰减截断误差且不引发Rademacher估计复杂度的无界增长,打破了通用深度算子网络中的参数复杂度诅咒。

Geometry-Aware Post-Hoc Uncertainty Quantification in Operator Learning

针对神经算子缺乏可靠不确定性度量的问题,本文提出事后 UQ 框架 REEF-GP,直接利用冻结算子的内部几何潜特征构建深核高斯过程残差修正模型,在不损失预测精度的情况下实现媲美深度集成的高质量校准与物理可解释不确定性场。

Geometry Meets Physics: Data-Efficient Pre-Training for Unstructured Neural PDE Solvers

针对非结构化网格神经偏微分方程(PDE)求解器缺乏廉价预训练数据的瓶颈,本文提出首个完全摆脱离线数据存储的在线预训练框架 GMP(Geometry Meets Physics),分别针对稳态几何描述符自回归和瞬态简单合成场掩码自编码建立归纳偏置,并在模块化三编码器架构 GMP-Net 上实现收敛加速与低数据场景下最高 47% 的相对误差降低。

GeoTransolver: Learning Physics on Irregular Domains using Multi-scale Geometry Aware Physics Attention Transformer

针对工业CAE中几何细节沿网络深度稀释、非均匀网格尺度失配及单次工况调节漂移三大失效模式,本文提出GeoTransolver,在Transolver切片注意力基础上引入多尺度几何感知潜在嵌入(GALE)与持久上下文投影,在整车气动与碰撞动力学仿真中大幅降低流场与结构变形预测误差。

GIST: Gauge-Invariant Spectral Transformers for Scalable Graph Neural Operators

针对非规则网格神经算子中谱位置编码计算复杂度高与数值规范任意性破坏网格跨分辨率泛化的矛盾,GIST 限制注意力仅通过谱嵌入的成对内积计算,利用快速随机投影在严格保持规范不变性的同时实现端到端 \(\mathcal{O}(N)\) 复杂度,并给出了首个图神经算子的离散化失配理论误差上界。

How deep is your network? Deep vs. shallow learning of transfer operators

本文提出了基于随机神经网络与变分原理的动力系统转移算子学习框架 RaNNDy,固定隐层随机特征权重并仅训练输出层,将谱分解与本征函数学习转化为解析特征值求解,在保持与深度 VAMPnets 相当精度的同时实现了两到三个数量级的训练加速。

In-Context Multi-Operator Learning with DeepOSets

本文提出面向上下文多算子学习的 DeepOSets 架构,通过 DeepSets 对少样本 Prompt 提示进行置换不变的非自回归编码,并结合 DeepONet 解码器,首次给出了紧算子集的统一通用逼近定理,在分钟级训练开销下实现了跨多样化微分方程算子的零样本泛化求解。

Inpainting physics: self-supervised learning for context-driven fluid simulation

将稳态计算流体力学(CFD)推断重新表述为自监督空间上下文修复(inpainting)问题,利用局部邻域标记器构建紧凑隐空间,并通过隐式流匹配与掩码自编码器实现强鲁棒的速度场预测与局部几何编辑。

Learning Discrete Riemannian Metrics for Physical Fields with Cochain-Frame Equivariance

固定由网格胞腔关联关系确定的拓扑上边缘算子以精确保持微分恒等式,通过预测正定离散黎曼上链度量与构造上链标架等变消息传递,实现了拓扑守恒与可学习几何响应的严格解耦。

Learning Where to Simulate: Generative Active Sampling for Online PDE Surrogate Training

针对传统PDE代理模型均匀采样难以覆盖极端物理动力学区域的问题,本文提出在线生成式主动采样(OGAS),利用条件扩散模型与重要性密度重加权,在在线仿真流水线中自适应将求解器采样点引导向高难度物理工况,大幅降低最大误差与长尾误差分布。

LEIA: Learned Environment for Interactive Architected Materials

LEIA 提出了一种面向架构超材料与非线性固体力学的交互式动作条件世界模型,通过 Perceiver 潜变量压缩解耦网格规模,并引入轻量化应力头直接预测柯西应力张量,在十万级至四十万级节点三维非结构化网格及路径依赖黏超弹性下实现高精度实时自回归应力与位移推演。

LEVDA: Latent Ensemble Variational Data Assimilation via Differentiable Dynamics

针对地球物理动力系统中长程预报受限于混沌与稀疏观测的难题,本文提出 LEVDA 框架,在预训练可微神经动力学代理模型的低维隐空间中执行四维集合变分平滑(4DEnVar),无需伴随模式或额外观测编码器即可实现任意时空非规则采样的状态与未知参数联合同化。

Lie Generator Networks for Nonlinear Partial Differential Equations

本文提出 LGN-KM 神经算子,将非线性偏微分方程映射至线性潜在空间,并将连续时间库普曼生成元解耦为“反对称保守耦合”与“正定对角模态耗散”,在纯数据驱动下严格保证长程泛化稳定性并直接解析出物理色散关系。

M\(^3\): Reframing Training Measures for Discretized Physical Simulations

针对神经物理仿真代理模型因网格离散非均匀性导致的训练测度失真问题,本文提出基于莫顿序多尺度剖分与水填分配的经验测度重构框架 M\(^3\),在超大规模工业 CFD 仿真中以少至 1/10 的数据量实现物理一致性与预测精度的显著跃升。

Mechanism-Aware Ensemble Conditioning for Data-Limited Emulation of Extreme Events

本文将参考轨迹牵引的随机粗模型集合压缩为动力学敏感性条件,通过 FiLM 调制既有时序校正器,在少量高分辨率训练数据下改善 QG 极端事件的面积与频率统计,但不保证整体分布或所有尾部指标优于长数据基线。

Mechanisms of Misgeneralization in Physical Sequence Modeling

揭示了生成序列模型在物理轨迹建模中单条样本合理但在物理测量统计量上系统性偏离(物理泛化失真)的机理,提出数据偏差核进行事前精确预测,并通过核引导的输入输出坐标变换实现无缝校正。

Mesh-Free Convolution: Learned Spectral Attenuation and Transport

本文提出基于连续偏微分方程时间演化解算子参数化的网格无关卷积(MFC),以可学习的各向异性抛物型谱衰减与定向平流读取替代传统傅里叶算子的硬截断,实现了长时自回归稳定预测、跨分辨率零样本迁移与局部对流结构的保真演化。

NAGO: Noise-Aware Generative Operator via Flow Matching

针对随机偏微分方程不变测度采样的刚度与跨分辨率失真难题,NAGO将源噪声测度视作设计变量,提出容许性约束下的谱能量对齐准则,以自适应Matérn噪声大幅平滑流匹配边缘速度场。

Neural Harmonic Measure Operator

NHMO 学习只依赖几何的调和测度密度,将边界条件通过归一化积分变成解的边界贡献,再用学习的 lift 补充源项及近似误差,在 3D MCB-B 五类 Poisson 问题上优于所比较的四种基线,并将同一几何上的重复求解变成缓存矩阵乘法与 lift 前向计算。

Neural Modal Decomposition: Architectural Priors from Observables

针对多端口线性时不变系统传统直接回归面临的 \(\mathcal{O}(N^2)\) 端口扩展维度爆炸与极点拟合病态问题,Neural Modal Decomposition (NMD) 将极点-留数典范解作为架构先验,仅通过系统级可观测响应端到端训练,实现了无监督物理特征模态自发发现与训练时未见端口配置的零样本泛化。

Neural Quantum Spectral Operator Learning for Solving Partial Differential Equations

针对变分量子线性求解器在求解参数化偏微分方程时固有的符号模糊性与实例受限瓶颈,NVQLS 结合勒让德-伽辽金弱形式,构建了相位感知量子态重叠目标与经典神经参数嵌入,实现了无需预计算真值解的高效无监督量子谱算子学习。

NOFE – Neural Operator Function Embedding

针对传统降维方法将数据孤立为无序离散点云而忽视物理连续域拓扑结构与采样无关性的缺陷,本文提出神经算子函数嵌入(NOFE),从层态射(Sheaf Morphism)视角利用图核算子学习函数到函数的低维映射,实现任意查询点网格无关评估与局部拓扑保真。

Optimal Algorithmic Complexity of Inference in Quantum Kernel Methods

本文系统研究了量子核方法在推断阶段的算法复杂度,通过构建单可观测量编码与量子振幅估计,消除了查询复杂度中对训练样本数的依赖,达到理论最优的 \(\mathcal{O}(\|\alpha\|_1/\varepsilon)\)。

PDE-PFN: Prior-Data Fitted Neural PDE Solver

针对传统神经算子依赖规则网格、需要符号方程输入以及对预训练噪声敏感的问题,提出基于先验数据拟合网络(PFN)的 PDE-PFN,通过 Transformer 的自注意力与交叉注意力在带噪声的 PINN 近似解先验上学习后验预测均值(PPM),实现了无梯度更新、无需符号方程且支持任意离散点观测的零样本上下文 PDE 求解。

Per-Loss Adapters for Gradient Conflict in Physics-Informed Neural Networks

针对物理信息神经网络中多目标损失梯度干扰导致的训练停滞,本文证明梯度冲突存在机制状态依赖性,提出基于1000步前置探针的诊断决策框架,并为持续方向冲突区设计每损失低秩适配器(Per-Loss Adapters),在共享单物理场输出下显式解耦梯度参数子空间。

Phaedra: Learning High-Fidelity Discrete Tokenization for the Physical Sciences

Phaedra 将物理场潜变量分为多维形态 token 与高精度一维幅值 token,再学习重组解码,使分布内 PDE 重建 nMAE 从 FSQ 的 2.603 降至 1.522,并把 65.0 GB 科学数据压缩为 3.44 GB。

PR-Smoother: Simulator-Preserving Non-Gaussian Smoothing for Data Assimilation

PR-Smoother 在物理状态空间中学习非高斯初值后验与未来观测条件化的逐步校正,同时保留既定模拟器,用仅含观测窗口的变分目标联合估计状态、物理参数和传感器偏置,在非线性 Lorenz–96 与 16,384 维流体系统上验证了这一设计。

QMaxCal: Path-Space Regularization for Open Quantum Control via Girsanov's Theorem

基于 Girsanov 定理推导出开放量子系统测量记录轨迹间 KL 散度的闭式可微估计量,提出 Wiener KL 与漂移方差正则项,无需系统特定奖励工程即可引导量子态避开损耗态并显著提升量子态传输保真度与抗噪鲁棒性。

Random Neural Network Expressivity for Non-Linear Partial Differential Equations

针对非线性演化偏微分方程解在时空混合 Sobolev 空间中的逼近难题,本文基于高阶 Ridgelet 变换建立了随机隐层权重神经网络(RaNN)的逼近误差上界,给出了与空间维度无关的 \(\mathcal{O}(N^{-1/2})\) 收敛率,并证明了其对多孔介质方程与可压缩 Navier-Stokes 方程 PINN 训练残差收敛至 0 的定量理论保证。

Reformulating Neural Operators in d+1 Dimensions for Embedding Evolution

本文通过引入辅助嵌入坐标将神经算子重构到 \(d+1\) 维乘积域,提出基底多样化辅助演化机制与薛定谔化核神经算子(SKNO),以结构化算子演化替代蛮力扩增嵌入宽度,在十余项偏微分方程基准上取得最优相对 \(L_2\) 误差。

SBNO : Schrödinger Bridge Neural Operator for the Forward and Inverse Problems under Missing Information

SBNO 提出了一种无方程约束的配对数据扩散桥匹配神经算子框架,通过保持经验端点耦合与掩码感知状态表征,将偏微分方程正向预测与反演逆问题统一于单套双向漂移网络中,推理阶段通过求解概率流 ODE 实现无需超参调节且无物理约束依赖的快速确定性点重建。

Smooth Piecewise Cutting for Neural Operator to Handle Discontinuities and Sharp Transitions

提出 Cut-DeepONet 两阶段框架,通过动态切片网络预测未知输入的间断位置,结合高维升维将非连续物理场转化为多子域平滑分量,使神经算子无需直接逼近陡峭梯度即可生成具有真实阶跃跳变的 PDE 动力学解。

Soft Geometric Inductive Bias for Object Centric Dynamics

本文把已给定的对象状态编码为 Clifford 多向量,用不强制精确等变的几何乘积层和块因果 Transformer 学习下一时刻状态,在墙面碰撞、各向异性约束和真实交通轨迹等对称性破缺场景中改善预测与自回归 rollout。

Sparsely-Supervised Data Assimilation via Physics-Informed Schrödinger Bridge

针对偏微分方程系统中高保真数据全场监督不可得的瓶颈,提出物理信息条件薛定谔桥(PICSB),通过静态代理端点周期性刷新与全程硬观测投影,仅利用物理方程残差训练传输流,实现无需测试时优化的亚秒级高保真场同化重建。

SPDEBench: An Extensive Benchmark for Learning Stochastic PDEs

针对随机偏微分方程(SPDE)学习缺乏可控数据生成与多维度评估的空白,SPDEBench 构建了涵盖正则与奇性 SPDE(含严谨重整化方案)的跨维度统一基准,并引入 Sobolev 及路径空间分布等 7 大评估指标与物理感知基线模型 NSPDE-S。

Stein Kernelized Molecular Dynamics for Active Learning of Interatomic Potentials

针对机器学习原子间势函数主动学习中采样易受亚稳态束缚且增强采样破坏平衡态分布的瓶颈,提出将Stein变分梯度下降引入分子动力学构建SKMD采样框架与自适应停止在线采集准则,在保持渐近玻尔兹曼分布的同时高效采集高代表性与高多样性的过渡态训练结构。

Structured Unitary Tensor Network Representations for Circuit-Efficient Quantum Data Encoding

提出基于结构化酉张量网络表示的量子数据编码框架 TNQE,将经典数据解耦为局部张量核并映射为浅层量子线路,不仅支持顺序与无纠缠并行的直接编译,还引入酉感知约束将张量核参数化为可直接优化的可学习块酉算子,在真实量子硬件与高分辨率图像上实现低至振幅编码 0.04 倍深度的保真编码。

Symplectic Neural Operators for Learning Infinite Dimensional Hamiltonian Systems

针对标准神经算子缺乏几何先验导致长期递推发散的痛点,本文提出了辛神经算子(SNO),通过自伴随 Fourier 神经算子参数化梯度剪切映射实现结构保辛,并建立了修正哈密顿长期能量守恒保证。

The Spectral Amplitude Principle for Dynamics of Quantum Neural Networks

揭示并严格证明了量子神经网络(QNN)训练中的“谱振幅优先原理”(Spectral Amplitude Priority),指出 QNN 的拟合优先级由信号振幅决定而非频率阶次,从而打破了经典深度神经网络固有的低频谱偏置,为量子机器学习在高频强非线性任务中的表达优势提供了动力学解释。

Theory Guided and Interpretable Neural Operator Design for Partial Differential Equation Learning

提出首个由自适应傅里叶分解(AFD)数学理论自顶向下引导设计的神经算子 AFDONet,通过将隐空间正交投影至再生核希尔伯特空间(RKHS)并结合动态卷积核网络实现自适应极点重构,在弯曲流形与大梯度 PDE 求解中精度超越现有 SOTA 达一至两个数量级。

Toward the Goldilocks: Blind Compression of Quantum States

本文针对纯量子态的单拷贝盲压缩,严格界定了达到全局信息论最优保真度所需的最小电路宽度,证明了 \(k\) 个编码器辅助比特是全称充分且紧确必要的,解码器需 \(n\) 个辅助比特,同时证明了恒等解码器在实际聚集态中的近最优性。

winning lottery tickets in neural networks via a quantum-inspired classical algo

针对浅层神经网络中基于脊波变换寻找彩票中奖子网络的采样问题,本文利用离散脊波变换的正距映射特性将高维稠密矩阵求逆降维到经验数据支撑集上,提出了无需量子硬件即可实现多项式时间采样与子网络抽取的经典算法。

ZNO: Stable Rational Neural Operators in the Z-Domain for Discrete-Time Dynamics

针对传统神经算子多面向连续时间系统、在离散动力学中难以表征有理传递特性的缺陷,提出直接在z平面参数化单位圆盘极点的低秩MIMO有理神经算子ZNO,通过因果递推与融合GPU扫描实现高效稳定的离散系统辨识。