热点事件历史事件
研究人员提出面向高维材料数据的神经方程学习框架nn-EQL
1 篇报道1 个报道来源4 天前更新
先了解这件事
AI 综述
2026年10月30日，研究团队在 arXiv 上提出了一种面向高维材料数据的可解释方程学习框架 nn-EQL。该框架利用包含自定义激活函数的神经网络，通过迭代训练、剪枝和重训练的流程，旨在从高维数据中发现紧凑且具可解释性的数学方程。为了在拟合误差与模型稀疏度之间取得平衡，nn-EQL 采用了受最小描述长度（MDL）启发的评分机制，并具备逐项贡献分析、敏感度评估及不确定性诊断能力。目前，该团队已在 AI-Feynman 基准测试、异质材料有限元模拟以及高通量薄膜沉积等实际数据上验证了该框架的有效性。
AI 根据报道生成 · 3 天前更新
最新进展10月30日 12:00
研究人员提出 nn-EQL 框架，可通过神经网络迭代剪枝从高维材料数据中发现紧凑可解释的控制方程。报道时间线
沿着报道，了解事件的不同侧面。
10月30日
- arXiv cs.LGnn-EQL：面向高维材料数据的可解释神经方程学习
研究者提出方程学习框架 nn-EQL，通过自定义激活函数的神经网络迭代训练、剪枝与重训练，从高维材料数据中发现紧凑且可解释的方程。该框架借助受最小描述长度（MDL）启发的评分权衡误差与稀疏度，支持逐项贡献、敏感度与不确定性诊断。团队已在 AI-Feynman 基准、异质材料有限元模拟及高通量薄膜沉积数据上验证了其有效性。
本事件热度走势
当前热度 3·可比范围峰值 7（10月31日 02:00）·近 24 小时可比范围变化 -49%
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。