DeepSciReasoner 提出受物理约束的谱预测框架，被 ICML 20…
论文AI 评分 72/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究团队提出 DeepSciReasoner，用于在守恒律与谱几何等硬性物理约束下预测科学谱。该方法把结构感知的谱解码与保持约束的物理推理结合起来，使预测既能刻画谱的细节结构，又不违背底层物理规律。作者以电子态密度为典型对象，并在声子态密度、X 射线吸收近边结构和拉曼谱上做了评测，称预测精度明显提升且保持物理一致性。论文被 ICML 2026 收录，代码与数据已在项目页公开。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载问题设定
材料指出，结构化科学谱既携带丰富的物理信息，又必须服从守恒律和特征谱几何这类硬性约束。现有做法通常把谱当成不受约束的序列来预测，因此无法保证输出符合背后的物理结构。作者以电子态密度（eDOS）作为代表性对象，把「在物理约束下预测科学谱」提炼为一个通用问题，而不是只针对单一谱型做定制模型。
方法构成
DeepSciReasoner 由两个环节组成：一是结构感知的谱解码，让预测结果能够还原谱的细节结构；二是保持约束的物理推理，使输出不偏离底层物理规律。两者结合后，模型在生成谱时同时兼顾结构表达与物理可行性。论文将这一框架定位为可复用的蓝图，供其他受硬约束的结构化科学谱预测任务借鉴。
评测范围与结论
作者在四类谱上做了验证：电子态密度、声子态密度（phDOS）、X 射线吸收近边结构（XANES）和拉曼谱。材料给出的结论是预测精度有实质提升，同时维持物理一致性。论文被 ICML 2026 收录，代码与数据通过项目页提供，便于复现与后续扩展。
为什么值得看
材料发现中的谱预测长期被当作无约束序列处理，这项工作给出了可复用的受约束建模范式，并公开了代码与数据。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。