何恺明团队提出了一种新方法，将去噪技术与哈密顿神经网络结合，克服了传统机器学习在物理问题上的局限。该方法通过Block-wise哈密顿量设计和掩码建模策略，提升了模型在正向模拟、表征学习和轨迹插值任务中的准确性和鲁棒性。

麻省理工学院的科学家使用数学方法证明了当温度达到一定值时，量子纠缠会突然消失。这种现象以前已经被观察到，但这项新研究提供了更全面和严格的证明。该团队包括中国研究人员，在研究量子计算时意外发现了这个物理问题。他们认为自己在量子物理方面的知识不足给了他们新的视角。他们称之为量子纠缠的突然消失已经在数学上得到证明，但还需要进一步探索。

本文介绍了新的基准数据集JEEBench，用于评估大型语言模型（LLMs）在数学、物理和化学问题解决能力上的表现。研究发现，尽管采用多种提示策略，GPT-4的表现仍不足40%。此外，SciBench数据集的引入旨在系统检验复杂科学问题的推理能力，结果显示当前LLMs的综合得分仅为35.80%。研究希望推动LLMs的推理能力发展，以促进科学研究。

研究发现，预训练文本的大型语言模型（LLM）可以解决物理问题，通过使用类似问题及其答案作为提示，LLM可以解决接近人类水平的初级物理问题，并生成新的物理问题。这项研究显示了LLM在中等教育领域中的潜力。

研究发现，基于预训练文本的大型语言模型（LLM）可以接近人类水平地解决初级物理问题，并生成新的物理问题，具有在中等教育领域中应用的潜力。

本文综述了传统的PDE数值逼近方法和基于机器学习的方法，重点介绍了神经算子的关键构架。神经算子是一种学习PDE解算子的新方法，计算速度比传统方法快1000倍。这些新的计算方法在解决基础和应用物理问题方面具有巨大优势。