光轮智能通过自研仿真基础设施，解决了具身智能时代的数据问题，推动仿真技术与产业结合。其“测量、生成、求解”方案提升了Sim2Real的可靠性，并建立了全球最大的遥操数据采集工厂和RL训练平台，助力具身智能发展。

机器之心数据服务现已上线，提供高效稳定的数据获取服务，简化数据爬取流程。

本研究提出了纯度法则（PuLa），揭示了最佳TSP解的基本结构原则，发现边缘普遍性与顶点稀疏性呈指数增长。基于此，提出了纯度策略优化（PUPO），显著提升了神经网络的泛化性能。

本研究解决了传统数据驱动神经求解器在预测时间相关偏微分方程（PDE）时的计算开销和适应性问题。论文提出了一种潜在扩散模型，通过在低维潜在空间中嵌入PDE状态，显著降低计算成本，并利用自动编码器统一不同类型网格的映射。实验结果表明，该模型在准确性和长期稳定性上优于多个确定性基线，展示了基于扩散的方法在数据驱动PDE学习中的潜力。

本研究解决了物理感知神经网络（PINNs）在工程湍流优化中面临的数据需求高和计算准确性低的问题。提出了一种新的框架PT-PINNs，通过软约束方法和基于流量守恒的预训练方法，提高了湍流问题的求解能力。实验表明，PT-PINNs的预测结果与实验数据和传统CFD结果高度一致，同时在计算效率上显著优于传统CFD方法。

本研究解决了顺序3D打印中的物体排列与调度问题，该问题与标准3D打印有所不同。论文提出了一种基于线性算术公式的创新方法，并结合启发式技术显著提升了求解效率。研究结果显示该方法在确保打印过程中不发生碰撞的情况下，能够优化打印调度，具有重要的实际应用价值。

该研究解决了现实世界中车辆路径问题（VRPs）设计过程中的复杂约束问题，现有的研究未能充分应对这些约束。通过引入RoutBench基准，论文提出了一种自动路径求解器（ARS），利用大型语言模型（LLM）生成考虑约束的启发式代码，实验表明ARS在解决VRPs方面显著优于现有方法，并在所有基准测试中至少提升了30%。

本文提出RM-PoT框架，旨在解决大型语言模型在复杂数字推理中的脆弱性。通过重构问题、代码辅助推理和少量样本学习，显著提升了解答的表现和准确性。微小问题变化对解答分布有显著影响，从而增强模型的鲁棒性。

本研究提出了LocalEscaper框架，结合监督学习与强化学习，解决旅行商问题中的数据质量依赖和效率低下问题。实验结果表明，该框架在低质量标签数据集上表现优异，显著提升了扩展性和效率。

本研究解决了大型语言模型（LLMs）在计算机辅助设计（CAD）中生成程序几何体的困难，主要在于缺乏空间推理能力和复杂规划指导。通过引入一种名为AIDL的求解器辅助层次化领域特定语言（DSL），本研究将空间推理的需求转移给几何约束求解器，实验证明在少量样本情况下，AIDL在生成的视觉结果和后处理对象的可推理性上均优于训练数据集切实存在的语言（如OpenSCAD）。

本文提出了一种新算法MRS（均值回归采样器），旨在提高均值回归扩散模型的生成效率。该算法通过解决反向时间随机微分方程，减少高质量样本的采样步骤，提升采样速度10至20倍，同时保持样本质量。

本研究填补了半对偶对抗最优传输方法在统计学习方面的理论空白。通过建立泛化误差上界，揭示了这些界限与功能类的统计和数学特性之间的关系，为未来的最优传输研究指明了新方向。