Yann LeCun参与，SkyJEPA：让四旋翼在潜空间预测，零样本仿真直飞现实世界！
Yann LeCun的JEPA思想终于上天了！这篇工作提出了第一个用于四旋翼实时控制的JEPA风格潜空间动力学模型SkyJEPA。它完全在仿真中通过域随机化训练，却能零样本迁移到现实世界，在户外飞行中跟踪误差降低近40%，换了桨叶、加了负载也不掉链子。想看世界模型怎么帮无人机“闭眼预测”的，这篇必读。
标签：预测模型
共 134 篇
告别复杂两步法！端到端训练线性网络，状态估计误差仅1/√T
这个问题就像一个“灵魂拷问”：我们费劲训练一个模型预测时间序列的下一个值，它除了学会预测，它的内部“黑盒”里是否也偷偷学会了理解这个世界的底层规律？这篇来自康奈尔大学、华盛顿大学和帝国理工的论文，用严格的数学证明了：一个简简单单的两层线性网络，在训练之后，它的隐藏层居然自己学习了卡尔曼滤波！方法巧妙，理论扎实，而且开源了代码，非常建议关注时序建模和状态估计的
告别Dft声子bug：倒易空间约束让低维材料声子计算回归物理
教科书上说，低维材料的柔性声子模式就是二次色散。可DFT一算，出来的曲线总是“歪”的，甚至冒出负频率这种物理上不可能的东西。别慌，Imec和鲁汶大学联手，用倒易空间“数学手术刀”把旋转不变性给修好了，声子谱终于回归物理直觉。
维也纳工大联手UCLouvain：高熵工程把Fe2VAl热电模块效率拉到新高度，输出功率2.8W！
工业生产余热若不能有效利用，便是巨大浪费。本文没有追求实验室里“毒性强、成本高”的顶尖热电材料记录，而是通过高熵工程把早已证明有“可加工性好、成本低”等潜力的Fe 2 VAl基全Heusler材料性能再次提升，并一步到位制成了能在375K温差下输出2.8W功率的高效模块。这是将实验室成果转化为可实际应用的热电发电机的绝佳范例，值得借鉴！
流感预测大PK：17个模型“华山论剑”，混合专家模型夺冠！
流感预报影响万千人健康，从ARIMA到PatchTST再到各种大模型，谁才是预测流感传播的“预言帝”？弗吉尼亚大学这篇论文，用17个模型在真实场景下进行了1-4周预测大PK。结果很有意思：混合专家模型稳居C位，而用大语言模型做时间序列预测，这次表现真是不太能打... 一起来看看到底谁是C位，谁又该回炉重造吧。
电费涨了别急着甩锅数据中心？美国最新研究：数据中心反而是“电费刺客终结者”
大家都在吐槽“AI吃电”，数据中心建哪儿电费涨哪儿。然而，这篇基于全美10年实证数据的因果推断研究却给出了完全相反的结论——数据中心扩张，实际上是居民电费的“减压器”。研究不仅用上了1947年的超级脑洞作为工具变量，还从经济学和电力系统原理上揭示了为什么“需求增长”≠“价格上升”。一篇让你重新理解电力市场和AI基础设施关系的重磅研究。
告别“走一步看一步”！GraphWorld让自动驾驶学会用潜世界模型“预判未来”
现有的端到端自动驾驶方法大多“走一步看一步”，缺乏长远预判。本文提出的GraphWorld，用潜世界模型为车辆装上“预知眼”，不再生成昂贵的未来视频，而是将交互关系压缩成紧凑的潜世界状态，大幅提升6秒长时域规划的精度和安全性，碰撞率直接砍半。论文已被CVPR 2026接收。
普林斯顿重磅研究：PINN反演河道摩擦系数，几组数据就能精准建模？
洪水模拟中，河道摩擦系数（曼宁系数）是极其关键的参数，但传统方法又贵又难校准。普林斯顿的学者们这次不玩虚的，用一维和二维浅水方程基准测试，系统性地拷问了PINN在稀疏、有噪声的观测数据下，到底能不能靠谱地反演出这个参数。结论很硬核：二维情况下，10个点，10%噪声，误差直奔5%以下。但一维却有15%的系统偏差，且联合观测深度和速度是核心关键。这篇文章，对搞水
T2K最新实验：如何像“手术刀”一样精准约束中微子相互作用？系统误差砍半！
中微子振荡物理正从“发现”走向“精密测量”，系统误差已成为主要瓶颈。T2K这篇重磅论文，不仅通过通量重调和新参数化将系统误差砍半，更通过模拟数据和截面测量检验直面模型缺陷，堪称“误差管理”的教科书级案例。
UCSC/Stanford新模型SEAMIST：氢氦溶解竟加速亚海王星大气死亡？
想象一下，一颗行星的“岩浆海洋”里，氢和氦像泡腾片一样咕嘟咕嘟地溶解又释放，会怎样改变它的命运？UCSC等机构提出的SEAMIST模型，首次把这些复杂过程统一模拟，结果发现：溶解未必能“保命”，反而可能加速大气逃逸，甚至引发灾难性的“沸腾”！
天文学家急了：恒星并合遗迹居然会像Mira星一样“打嗝”
一颗恒星在24年前“吞并”了同伴，如今它竟然像红超巨星一样开始“心跳”了！这篇2026年的研究，首次用光谱证据证实了恒星并合遗迹的脉动激波，这波操作属实没想到，对理解恒星演化意义重大。
不用深度学习，850+事故验证：因果图做RCA到底多靠谱？
云网络故障诊断一直是运维的老大难。AWS这篇论文很实在，不讲虚的，直接在生产环境里用图因果推理找根因，规则方法不行？那就让数据自己说“谁才是罪魁祸首”。800多个事故的实战检验，效果还非常能打。
