实验结果揭示了当前主流LLM在”知道”与”做到”之间的明显差距，并表明以Foam-Agent为代表的多智能体框架在FoamBench任务上带来了可量化的成功率提升，为缩小这一差距提供了一条可行路径。：含24道CFD编程题，要求LLM根据自然语言描述的物理问题，从零生成能够正确执行的Python数值仿真代码。现有LLM科学评测基准要么仅聚焦于单项能力（如知识问答或代码生成），要么考察的CFD问题过于

数学是一门推理严谨、逻辑缜密的学科，这与人工智能（AI）的「黑箱」特性看似背道而驰。然而，这一印象在 2025 年被彻底颠覆。近日，发表于《Quanta Magazine》的一篇报道，归纳总结了多位数学家对 AI 在数学领域影响的观察与思考。ScienceAI 对《Quanta Magazine》报道核心内容进行了不改变原意的编译、整理，内容如下。2025 年 7 月，多个人工智能模型在国际数学奥

从优化地形的角度来看，利用”锐度感知最小化（Sharpness-Aware Minimization）“指标评估模型对输入扰动的敏感性时，可学习加权混合架构收敛到的极小值点更为平坦——在3D HIT基准（32^3分辨率、r=5）上，本方法的锐度（Sharpness）为0.015，而AE和简单混合网络分别达到16.69和22.61，相差约1000倍。在编码器端（Encoder），对于输入的高维时空物

总结主要有两点：第一点，人工智能在理论层面已经取得了巨大进步，只是这些成果还没有被普遍了解。相信今天报告中的很多内容，即使是人工智能理论研究领域的从业人员也并不完全熟悉。我们重点强调了人工智能发展历程中已经初步解决的几个“灾难”性困难：维数灾难：解释了基于神经网络的深度学习为什么优于传统机器学习；深度灾难：解释了残差网络为什么优于一般网络；记忆灾难：解释了Transformer架构为什么优于循环神

第二届浦江AI学术年会上的演讲

引用格式。

此外，研究所构建的物理建模与机器学习方法相结合的混合监测框架，借助KAN网络在稀疏传感器条件下实现了对峰值压力和干扰长度的准确预测，为高超声速进气道激波诱导流动分离的实时监测提供了一种切实可行的解决方案。壁面压力分布中的峰值压力可以包含激波入射位置、膨胀拐角几何参数等对干扰流动的影响，因此本研究利用实测的峰值压比替代理论无粘值，提出了一种“等效转化”的干扰强度表征方法，将受膨胀拐角影响的激波/边界

本文聚焦于风力机翼型动态失速这一典型强非定常分离问题，针对传统 URANS 方法精度不足、LES/DES等高保真方法计算代价过高的矛盾，提出了一种新的预测思路：宏观非定常气动力的准确预测，未必依赖于小尺度湍流非定常时序的显式求解，而可以通过“高保真稳态湍流模型 + URANS求解框架”来实现。基于这一认识，论文将由数据同化与符号回归构建的 DASR 湍流模型嵌入 URANS 框架，用于 S809、

以下文章来源于“”，仅做学术分享提取码: 4hxu原文下载：开源代码：https://github.com/TengMa25/EvLOWN。

基于湍流数据库，挖掘出新的壁湍流平均速度标度律、混合长标度率、逆压梯度历史效应、超临界湍流脉动速度标度律和状态方程等知识发现。本项目作为该计划立项的四个集成项目中唯一由高校牵头的项目，主要围绕高雷诺数湍流数据库的构建及数据驱动湍流模型及知识发现开展研究，项目周期四年，总经费1022.5万元，牵头单位西北工业大学联合浙江大学、上海交通大学、哈尔滨工业大学、中国航天空气动力技术研究院等4家承研单位，以