University of Edinburgh（爱丁堡大学）

Neural Theorem Proving for Verification Conditions: A Real-World Benchmark

为验证条件进行神经定理证明：一个现实世界的基准测试

Qiyuan Xu, Xiaokun Luan, Renxi Wang, Joshua Ong Jun Leang, Peixin Wang, Haonan Li, Wenda Li, Conrad Watt

机构 * Nanyang Technological University（南洋理工大学） ； Peking University（北京大学） ； MBZUAI ； Imperial College London（帝国理工学院） ； East China Normal University（华东师范大学） ； University of Edinburgh（爱丁堡大学） 纠错

AI总结 本研究提出NTP4VC，首个现实世界多语言基准测试，评估LLMs在自动验证条件证明中的表现，揭示程序验证中的挑战与未来研究方向。

Comments Accepted in ICLR'26

A scalable flow-based approach to mitigate topological freezing

一种可扩展的基于流的方法用于缓解拓扑冻结

Claudio Bonanno, Andrea Bulgarelli, Elia Cellini, Alessandro Nada, Dario Panfalone, Davide Vadacchino, Lorenzo Verzichelli

机构 * Albert Einstein Center for Fundamental Physics, Institute for Theoretical Physics, University of Bern（阿尔伯特·爱因斯坦基础物理学研究中心，理论物理学研究所，伯尔尼大学） ； Higgs Centre for Theoretical Physics, School of Physics and Astronomy, The University of Edinburgh（希格斯理论物理学中心，物理与天文学学院，爱丁堡大学） ； Centre for Mathematical Sciences, University of Plymouth（数学科学中心，普利茅斯大学） 纠错

AI总结 本文提出了一种基于流的可扩展方法，通过传输具有OBC缺陷的配置到完全周期性集合，缓解拓扑冻结问题，并在4d SU(3)杨-米尔斯理论中验证其有效性。

Comments 1+9 pages, 3 figures, contribution to the 42nd International Symposium on Lattice Field Theory (Lattice 2025), 2-8 November 2025, Mumbai, India

Beyond GEMM-Centric NPUs: Enabling Efficient Diffusion LLM Sampling

超越以GEMM为中心的NPUs：使高效的扩散LLM采样成为可能

Binglei Lou, Haoran Wu, Yao Lai, Jiayi Nie, Can Xiao, Xuan Guo, Rika Antonova, Robert Mullins, Aaron Zhao

机构 * Imperial College London（伦敦帝国学院） ； University of Edinburgh（爱丁堡大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 本文提出了一种针对扩散LLM采样的NPU架构优化方案，通过轻量级向量原语、内存重用策略和混合精度内存层次结构，实现了2.53倍的加速性能。

Higher-Order Feature Attribution: Bridging Statistics, Explainable AI, and Topological Signal Processing

高阶特征归因：连接统计学、可解释AI与拓扑信号处理

Kurt Butler, Guanchao Feng, Petar Djuric

机构 * School of Engineering, The University of Edinburgh（爱丁堡大学工程学院） ； Causality in Healthcare AI Hub (CHAI)（医疗AI因果性研究中心） ； Department of Electrical and Computer Engineering, Stony Brook University（石溪大学电气与计算机工程系） 纠错

AI总结 本文提出高阶特征归因理论，基于集成梯度方法，连接统计学与拓扑信号处理，扩展可解释AI框架并验证其有效性。

Comments 5 pages, 3 figures, to be published in the Proceedings of ICASSP 2026