arXiv cs.AI· Tian Luo, Ruge Zhang, Haozhi Han, Yifeng Chen, Yunquan Zhang, Yunxin Liu, Ting Cao, Kun Li·· 11 小时前AI 评分31
AtomWorld-Mem：面向长时程原子演化的记忆恢复世界状态模型
AtomWorld-Mem: Memory-Restored World States for Long-Horizon Atomistic Evolution
AI 导读
AtomWorld-Mem 将长时程原子演化建模为基于记忆的世界状态恢复问题，通过空间编码器写入多尺度原子关键帧，并结合短期事件记忆与长期结构记忆恢复瞬时快照中缺失的隐藏状态。
正文 · AI 翻译
摘要：在长时间尺度上实现高保真的原子级演化，需要的不仅仅是观察当前晶体构型。瞬时原子快照往往是不完整的：局部相似的构型可能对应不同的隐藏动力学背景、未来事件偏好和等待时间尺度。我们认为，这种快照歧义使得长时程原子级演化从根本上成为一个基于记忆的世界状态恢复问题。为解决这一问题，我们提出了 AtomWorld-Mem，一种记忆恢复的原子世界模型，能够恢复瞬时晶体快照中缺失的潜在世界状态。AtomWorld-Mem 将演化中的合金视为一个 AtomWorld：空间编码器从稠密局部拓扑和稀疏长程缺陷上下文写入多尺度原子关键帧，而短期事件记忆和长期结构记忆则跨时间整合这些关键帧，以恢复具有未来预测能力的演化状态。恢复出的状态用于在单事件动力学蒙特卡洛（KMC）约束下对合法的空位介导事件进行优先级排序，而事件合法性、物理执行和驻留时间更新仍由底层模拟器控制。在实验中，AtomWorld-Mem 在固定的微观事件预算下提升了长时程原子级进展，同时在能量、结构和空位输运等可观测量上保持高保真演化。它还能零样本迁移到多种未见过的合金-温度 AtomWorld，这表明所学习的记忆恢复机制捕捉到的是隐藏状态推断的可复用原理，而非特定系统的局部能量启发式。这些结果将记忆恢复的世界状态建模定位为通向高效、物理 grounded 且可迁移的原子级演化的一条有前景的路径。
| 主题： | 人工智能（cs.AI）；材料科学（cond-mat.mtrl-sci） |
| 引用为： | arXiv:2609.31133 [cs.AI] |
| （或 arXiv:2609.31133v3 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.31133 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Tian Luo [查看邮箱]
[v1]
2026年9月25日星期五 11:26:05 UTC（3,192 KB）
[v2]
2026年10月4日星期日 06:02:12 UTC（3,192 KB）
[v3]
2026年10月20日星期二 11:08:38 UTC（3,203 KB）
来源：arXiv cs.AI · arxiv.org