Tsinghua University（清华大学）

SPA: A Simple but Tough-to-Beat Baseline for Knowledge Injection

SPA：一个简单但难以被击败的基线模型用于知识注入

Kexian Tang, Jiani Wang, Shaowen Wang, Kaifeng Lyu

机构 * Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院） 纠错

AI总结 本文提出SPA基线模型，通过精心设计的提示生成大规模合成数据以增强模型知识，实验表明其优于现有方法，并揭示了先前方法的两个关键局限。

Mesh-Attention: A New Communication-Efficient Distributed Attention with Improved Data Locality

Mesh-Attention: 一种新的通信高效分布式注意力机制，具有改进的数据本地性

Sirui Chen, Jingji Chen, Siqi Zhu, Ziheng Jiang, Yanghua Peng, Xuehai Qian

机构 * Tsinghua University（清华大学） ； Purdue University（普渡大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； ByteDance Seed（字节跳动种子） 纠错

AI总结 Mesh-Attention通过改进的数据本地性，提高了分布式注意力的通信效率和可扩展性，实验显示在大规模GPU上实现了显著的加速和通信量减少。

Self-Attention to Operator Learning-based 3D-IC Thermal Simulation

基于自注意力算子学习的三维集成电路热仿真

Zhen Huang, Hong Wang, Wenkai Yang, Muxi Tang, Depeng Xie, Ting-Jung Lin, Yu Zhang, Wei W. Xing, Lei He

机构 * University of Science and Technology of China（中国科学技术大学） ； Eastern Institute of Technology（东部技术研究所） ； ShanghaiTech University（上海科技大学） ； Tsinghua University（清华大学） ； BTD Technology（BTD技术） ； University of Sheffield（谢菲尔德大学） ； University of California（加州大学） 纠错

AI总结 针对三维集成电路热管理难题，本文提出SAU-FNO框架，结合自注意力、U-Net与FNO，采用迁移学习微调低保真数据，实现最优热预测精度，较传统FEM加速842倍，为三维集成电路热仿真提供高效工具。

Journal ref DAC 2025

LEGO-Puzzles: How Good Are MLLMs at Multi-Step Spatial Reasoning?

LEGO-Puzzles：多模态大语言模型（MLLMs）在多步骤空间推理上的表现如何？

Kexian Tang, Junyao Gao, Yanhong Zeng, Haodong Duan, Yanan Sun, Zhening Xing, Wenran Liu, Kai Chen, Kaifeng Lyu

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Tongji University（同济大学） ； Tsinghua University（清华大学） 纠错

AI总结 该研究推出多步骤空间推理基准LEGO-Puzzles，评估29个顶尖MLLMs，发现其在基础空间推理、多步骤规划任务上远逊于人类，凸显其空间推理能力存在关键局限。

ProPINN: Demystifying Propagation Failures in Physics-Informed Neural Networks

ProPINN：揭秘物理信息神经网络中的传播失效问题

Yuezhou Ma, Haixu Wu, Hang Zhou, Huikun Weng, Jianmin Wang, Mingsheng Long

机构 * School of Software, BNRist, Tsinghua University（软件学院、BNRist、清华大学） 纠错

AI总结 本文针对物理信息神经网络（PINNs）的传播失效问题，深入剖析其根本原因，提出新型ProPINN架构，可有效解决失效模式，相较基于Transformer的模型实现46%的相对性能提升。