Harvard University（哈佛大学）

Scaling laws for amplitude surrogates

幅度替代方案的缩放规律

Henning Bahl, Victor Bresó-Pla, Anja Butter, Joaquín Iturriza Ramirez

机构 * Institut für Theoretische Physik, Universität Heidelberg（海德堡大学理论物理研究所） ； Department of Physics, Harvard University（哈佛大学物理系） ； LPNHE, Sorbonne Université, Université Paris Cité, CNRS/IN2P3（巴黎大学LPNHE） 纠错

AI总结 本文研究了粒子物理学中幅度替代方案的缩放规律，发现缩放系数与过程的外部粒子数量相关，并证明了缩放规律在实现精度目标中的作用。

Comments 45 pages, 20 figures

Don't be lazy: CompleteP enables compute-efficient deep transformers

不要懒惰：CompleteP使深度变压器计算高效

Nolan Dey, Bin Claire Zhang, Lorenzo Noci, Mufan Li, Blake Bordelon, Shane Bergsma, Cengiz Pehlevan, Boris Hanin, Joel Hestness

机构 * Cerebras Systems（Cerebras系统） ； ETH Zurich（苏黎世联邦理工学院） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学） ； Kempner Institute（凯普纳研究所） 纠错

AI总结 CompleteP通过实现深度-wise超参数转移和非懒惰学习，提升了深度变压器的计算效率，适用于更广泛的模型宽度/深度比和硬件环境。

Comments NeurIPS 2025. v4 fixes Table 1 typo to match AdamW eps to Equation 40

The Cost of EFX: Generalized-Mean Welfare and Complexity Dichotomies with Few Surplus Items

EFX的成本：在少量剩余物品下的广义均值效用与复杂性二元对立

Eugene Lim, Tzeh Yuan Neoh, Nicholas Teh

机构 * National University of Singapore（新加坡国立大学） ； Harvard University（哈佛大学） ； University of Oxford（牛津大学） 纠错

AI总结 研究探讨了在少量剩余物品情况下，EFX与广义均值效用的复杂性关系，揭示了EFX在不同p值下的计算难度及效用损失。

Cognition spaces: natural, artificial, and hybrid

认知空间：自然、人工和混合

Ricard Solé, Luis F Seoane, Jordi Pla-Mauri, Michael Timothy Bennett, Michael E. Hochberg, Michael Levin

机构 * Complex Systems Lab, Universitat Pompeu Fabra（复杂系统实验室，庞培法布拉大学） ； Institució Catalana de la Recerca i Estudis Avançats (ICREA)（加泰罗尼亚高级研究与教育机构） ； Institut de Biologia Evolutiva, CSIC-UPF（生物进化研究所，CSIC-UPF） ； Santa Fe Institute（圣菲研究所） ； School of Computing, Australian National University（澳大利亚国立大学计算机学院） ； ISEM, Université de Montpellier, CNRS, IRD（蒙彼利埃大学ISEM，CNRS，IRD） ； Allen Discovery Center, Tufts University（塔夫茨大学艾伦发现中心） ； Wyss Institute for Biologically Inspired Engineering, Harvard University（哈佛大学生物启发工程研究所） 纠错

AI总结 本文提出认知空间框架，通过组织和信息维度分析不同系统的认知能力，揭示认知多样性并强调混合认知作为探索新复杂性的重要方向。

PTL-PINNs: Perturbation-Guided Transfer Learning with Physics- Informed Neural Networks for Nonlinear Systems

PTL-PINNs：基于物理信息神经网络的扰动引导迁移学习用于非线性系统

Duarte Alexandrino, Ben Moseley, Pavlos Protopapas

机构 * Department of Earth Science and Engineering, Imperial College（帝国理工学院地球科学与工程系） ； Harvard John A. Paulson School Of Engineering And Applied Sciences（哈佛大学约翰·A·保罗森工程与应用科学学院） 纠错

AI总结 PTL-PINNs结合扰动理论与迁移学习，高效求解非线性系统，精度与龙格-库塔方法相当，速度提升一个数量级。

Comments 51 pages, 14 figures, 7 tables

Bridging Modalities: Joint Synthesis and Registration Framework for Aligning Diffusion MRI with T1-Weighted Images

弥合模态：联合合成与配准框架用于对齐扩散磁共振成像与T1加权图像

Xiaofan Wang, Junyi Wang, Yuqian Chen, Lauren J. O' Donnell, Fan Zhang

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Brigham and Women’s Hospital（布里奇沃特医院） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 本文提出一种基于生成配准网络的无监督框架，通过图像合成和变形场学习，提升扩散MRI与T1加权图像的配准精度。