曼徹斯特大學提出相容性感知形態學習，實現梯度超材料逆向設計
曼徹斯特大學 Digital Manufacturing Lab 提出相容性感知形態學習（Compatibility-Aware Morphology Learning）框架，把微結構間的邊界幾何相容性直接編碼進低維設計空間，使不同拓撲單胞能夠連續過渡，論文已被 CMAME 接收，程式碼與資料在 GitHub 開源。該框架還結合基於先驗的資料篩選，在進入昂貴多物理場最佳化前先篩掉聲學潛力不足的候選結構，並以力學—聲學協同設計作為驗證案例。
原標題：CMAME | 面向功能梯度超材料力学-声学协同逆向设计的兼容性感知形态学习方法
閱讀原文
| 評分 | 45 / 45（平均 45，門檻 65） |
|---|---|
| 狀態 | 未入選 |
相關報導
X @AIatMeta10/2 20:11AI 評分43
@AIatMeta: 4️⃣ Optimization: When can you replace a hard math problem with a simpler one without losing anythi…
Meta AI 在社交平台介紹了一項最佳化領域的新研究：研究者與 Muse Spark 合作，證明了一條明確規則，用於判斷某個簡化在什麼條件下能精確還原原始數學問題、在什麼條件下會留下差距。該結果針對的是用更簡單問題替換困難數學問題的場景，論文連結已隨帖文給出。
Latent Space10/2 01:28AI 評分51
Latent Space 專訪 MIT Alex Zhang：談 RLM 與 agent 叢集
Latent Space 播客本期嘉賓為 MIT 的 Alex Zhang，他是 Recursive Language Models（RLM）的作者，也是 GPU Mode 社群成員。