2025 Nobel Prize Winners in Medicine, Physics and Chemistry Explained
CDC 更新了新冠疫苗指南并引发了有关儿童免疫接种的争议。全球卫生专家警告称，加沙儿童营养不良现象日益严重。
Physicists capture rare illusion of an object moving at 99.9% the speed of light
物理学家首次模拟了以接近光速运动的物体的样子——一种称为特雷尔-彭罗斯效应的视错觉。
AI Breakthrough Finally Cracks Century-Old Physics Problem
人工智能框架现在可以在几秒钟内计算出曾经不可能的物理方程。这一突破重新定义了科学家研究材料行为的方式。新墨西哥大学和洛斯阿拉莫斯国家实验室的研究人员创建了一个先进的计算框架，解决了数十年来困扰统计物理学家的一个主要问题。称为 [...] 的张量
Kloudspot 机场运营：首席执行官 Ravi Akireddy 解释了物理 AI、运营孪生和集成优先设计如何帮助机场增长 30-50%，速度更快、更环保、更具预测性。从反应性到预测性：Kloudspot 首席执行官 Ravi Akireddy 的文章《物理 AI 如何重写机场运营》首先出现在《机场技术》上。
Transforming the physical world with AI: the next frontier in intelligent automation
在这篇文章中，我们探讨物理人工智能如何代表智能自动化的下一个前沿，其中人工智能超越数字边界来感知、理解和操纵我们周围的有形世界。
对于 OpenAI 的这一雄心壮志，我嗅到了“欢迎来到 NFL”时刻的气息。但我也知道现在还为时过早，信息仍然太少，不值得猜测......
Kyle Leach named American Physical Society Fellow
矿业物理学家凯尔·利奇 (Kyle Leach) 赢得了美国物理学会院士的认可，同时推进中微子研究，揭示了对宇宙构建模块的新见解。
Machine learning for atomic-scale simulations: balancing speed and physical laws
取自对铁表面上的氮分子在非保守力作用下爆炸的模拟。请参阅下面的完整模拟。当我们想要了解物质的行为方式时，真正的作用发生在原子尺度上。水的加热、电池中的化学反应、细胞中蛋白质的折叠方式，或者 [...]
Unified model may explain vibrational anomalies in solids
声子是固体材料中的声音粒子或原子的量子化振动。德拜模型是物理学家彼得·德拜于 1912 年提出的理论，描述了声子对材料比热的贡献，并解释了为什么在低温下提高固体温度所需的热量急剧下降。
After Over 100 Years, Scientists Are Finally Closing In on the Origins of Cosmic Rays
研究人员正在揭开宇宙射线的起源，并将其与称为 PeVatrons 的神秘宇宙加速器联系起来。密歇根州立大学天体物理学家的新研究可能会让科学家更接近解开困扰他们一个多世纪的谜团：银河宇宙射线从何而来？宇宙射线是传播的高能粒子 [...]
Astronomers Captured a Star’s Final Explosion in Stunning Detail
在一项开创性的观测中，天文学家使用欧洲南方天文台的甚大望远镜捕捉到了一颗大质量恒星在冲破其表面的瞬间的爆炸——这是宇宙历史上的第一次。发现后数小时内，科学家们利用光谱偏振法揭示了爆炸的橄榄状形状，揭示了有关超新星背后物理原理的新线索，并重塑了我们的 [...]
IEEE Transactions on Fuzzy Systems, Volume 33, Issue 10, November 2025
1) 基于区间类型 2 模糊模型的控制系统综述：隶属函数相关观点作者：Hak-Keung Lam、Bo Shaw、Ming ChenPages: 3856 - 38702) Advancing Multiscale Information Systems: A Synthesis of Theoretical Insights, Practical applications, and Emerging Challenges作者：Xueling Ma, Yibin Shaw,詹建明页面: 3871 - 38923) 频率驱动网络攻击下模糊可再生能源综合电力系统的弹性网络物理协同设计作者: Jia
Learning from failure to tackle extremely hard problems
这篇博文基于 BaNEL 的著作：Exploration Posteriors for Generative Modeling Use Only Negative Rewards。解决非常困难的问题机器学习研究的最终目标是推动机器在关键应用中超越人类的极限，包括下一代定理证明、算法问题解决和药物发现。标准配方包括：(1) 对现有数据进行预训练模型以获得基本模型，然后 (2) 使用衡量生成样本的质量或正确性的标量奖励信号对它们进行后训练。然而，对于这些问题的最困难的实例，我们遇到两个挑战： 稀疏性：基本生成模型获得接近于零的奖励信号。产生正奖励样本的概率可能非常低，以至于模型可能会经历大部分训练
The broken promise of game theory
博弈论与一般主流经济学一样，是以模型为导向的。造成这种情况的原因有很多——学科的历史、从自然科学（尤其是物理学）借用的理想、对普遍性的追求（用尽可能少的内容解释尽可能多的内容）、严谨性、精确性等等。大多数主流经济学家和博弈论学家寻求[...]
