University of Wisconsin-Madison（威斯康星大学麦迪逊分校）

DeepEra: A Deep Evidence Reranking Agent for Scientific Retrieval-Augmented Generated Question Answering

DeepEra: 一种用于科学检索增强生成问答的深度证据重排代理

Haotian Chen, Qingqing Long, Siyu Pu, Xiao Luo, Wei Ju, Meng Xiao, Yuanchun Zhou, Jianghua Zhao, Xuezhi Wang

机构 * Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Peking University（北京大学） 纠错

AI总结 DeepEra通过集成逐步推理提升科学检索增强生成问答的检索精度，首次系统研究并验证了双阶段RAG框架中语义相似但逻辑无关的问题。

Bayesian Experimental Design for Model Discrepancy Calibration: A Rivalry between Kullback--Leibler Divergence and Wasserstein Distance

贝叶斯实验设计用于模型偏差校准：KL散度与瓦瑟斯坦距离的较量

Huchen Yang, Xinghao Dong, Jin-Long Wu

机构 * Department of Mechanical Engineering, University of Wisconsin–Madison, Madison, WI 53706（机械工程系，威斯康星大学麦迪逊分校，麦迪逊，WI 53706） 纠错

AI总结 本文比较了KL散度与瓦瑟斯坦距离在贝叶斯实验设计中的应用，发现KL散度在无模型偏差时收敛更快，而瓦瑟斯坦距离在存在模型偏差时更稳健。

Pre-Generating Multi-Difficulty PDE Data for Few-Shot Neural PDE Solvers

预生成多难度的PDE数据以用于少样本神经PDE求解器

Naman Choudhary, Vedant Singh, Ameet Talwalkar, Nicholas Matthew Boffi, Mikhail Khodak, Tanya Marwah

机构 * Machine Learning Department, Carnegie Mellon University（卡内基梅隆大学机器学习系） ； Department of Computer Sciences, UW-Madison（威斯康星大学麦迪逊分校计算机科学系） 纠错

AI总结 通过预生成多难度的PDE数据，提升少样本神经PDE求解器的性能与效率。

Comments 10 Pages, 11 Figures

AutoSciDACT: Automated Scientific Discovery through Contrastive Embedding and Hypothesis Testing

AutoSciDACT：通过对比嵌入和假设检验实现自动化科学发现

Samuel Bright-Thonney, Christina Reissel, Gaia Grosso, Nathaniel Woodward, Katya Govorkova, Andrzej Novak, Sang Eon Park, Eric Moreno, Philip Harris

机构 * Department of Physics, Massachusetts Institute of Technology（麻省理工学院物理系） ； The NSF AI Institute for Artificial Intelligence and Fundamental Interactions（国家科学基金会人工智能与基本相互作用研究所） ； Department of Physics, University of Wisconsin, Madison（威斯康星大学麦迪逊分校物理系） 纠错

AI总结 AutoSciDACT通过对比嵌入和假设检验，实现科学数据中新颖性的自动化检测与统计量化。

Comments Accepted at NeurIPS 2025; 33 pages, 16 figures

Visual Autoregressive Transformers Must Use $Ω(n^2 d)$ Memory

视觉自回归变换器必须使用$Ω(n^2 d)$内存

Yang Cao, Xiaoyu Li, Yekun Ke, Yingyu Liang, Zhenmei Shi, Zhao Song

机构 * Wyoming Seminary（怀俄明神学院） ； University of New South Wales（新南威尔士大学） ； The University of Hong Kong（香港大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Simons Institute for the Theory of Computing, University of California, Berkeley（伯克利加州大学理论计算研究所） 纠错

AI总结 本文证明了视觉自回归变换器在生成序列时必须使用至少$Ω(n^2 d)$的内存，揭示了在无额外约束下实现亚二次内存使用不可能的理论界限。

On Computational Limits of FlowAR Models: Expressivity and Efficiency

流AR模型的计算极限：表达力与效率

Yang Cao, Chengyue Gong, Yekun Ke, Xiaoyu Li, Yingyu Liang, Zhizhou Sha, Zhenmei Shi, Zhao Song

机构 * Wyoming Seminary（怀俄明私立学校） ； UT-Austin（得克萨斯大学奥斯汀分校） ； The University of Hong Kong（香港大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Simons Institute, UC Berkeley（伯克利大学模拟研究所） 纠错

AI总结 本研究分析了FlowAR模型的电路复杂性，证明其可被TC⁰电路模拟，并探讨了其计算效率与表达能力的限制。

Comments AISTATS 2026

Bootstrapping, autonomous testing, and initialization system for Si/Si$_x$Ge$_{1-x}$ multi-quantum-dot devices

自举、自主测试与初始化系统用于Si/Si$_x$Ge$_{1-x}$多量子点器件

Tyler J. Kovach, Daniel Schug, M. A. Wolfe, E. R. MacQuarrie, Patrick J. Walsh, Owen M. Eskandari, Jared Benson, Mark Friesen, M. A. Eriksson, Justyna P. Zwolak

机构 * Department of Physics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校物理系） ； Department of Computer Science, University of Maryland（马里兰大学计算机科学系） ； National Institute of Standards and Technology（美国国家标准与技术研究院） ； Joint Center for Quantum Information（量子信息联合中心） ； Computer Science, University of Maryland（马里兰大学计算机科学系） ； Department of Physics, University of Maryland（马里兰大学物理系） 纠错

AI总结 BATIS系统通过自举、自主测试和初始化方法，简化了Si/Si$_x$Ge$_{1-x}$多量子点器件的评估与校准，提升了低温环境下器件的可扩展性和效率。

Comments 13 pages, 6 figures, 3 pages of supplemental material

Journal ref Phys. Rev. Applied 25, 014043 (2026)

Modern Hopfield Networks Require Chain-of-Thought to Solve $\mathsf{NC}^1$-Hard Problems

现代Hopfield网络需要链式思考来解决$\mathsf{NC}^1$-难问题

Yang Cao, Xiaoyu Li, Yuanpeng Li, Yingyu Liang, Zhenmei Shi, Zhao Song

机构 * Wyoming Seminary（怀俄明神学院） ； University of New South Wales（新南威尔士大学） ； The University of Hong Kong（香港大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Simons Institute for the Theory of Computing, University of California, Berkeley（伯克利加州大学计算理论研究所） 纠错

AI总结 本文研究了现代Hopfield网络在解决$\mathsf{NC}^1$-难问题时的能力限制，并证明引入链式思考机制可使其突破$\mathsf{TC}^0$障碍。

Provable Differentially Private Computation of the Cross-Attention Mechanism

可证明的差分隐私交叉注意力机制计算

Yekun Ke, Yingyu Liang, Zhenmei Shi, Zhao Song, Jiahao Zhang

机构 * The University of Hong Kong（香港大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； The Simons Institute for the Theory of Computing at the University of California, Berkeley（伯克利大学计算理论研究所） 纠错

AI总结 本文提出了一种可证明差分隐私的交叉注意力机制计算方法，通过新颖的数据结构实现隐私保护，同时保证计算效率和安全性。