arXiv cs.AI· Yingheng Wang, Tao Yu, Shufeng Kong, Francesco Ricci, John M. Gregoire, Carla P. Gomes·· 12 小时前AI 评分34
DeepSciReasoner：物理约束下的结构感知科学光谱预测框架
Deep Scientific Reasoning under Physical Constraints: Structure-Aware Spectrum Prediction
AI 导读
DeepSciReasoner 提出一种在物理约束下预测科学光谱的通用范式，将结构感知光谱解码与约束保持的物理推理相结合。该框架在 eDOS、phDOS、XANES 和 Raman 光谱上均显著提升预测精度，同时保持物理一致性，相关成果发表于 ICML 2026，代码与数据已在项目页公开。
正文 · AI 翻译
摘要：结构化科学光谱编码了丰富的物理信息，同时遵循严格约束，例如守恒定律和特征光谱几何。准确预测这些光谱对于材料发现至关重要，然而现有方法往往将其视为无约束序列，因而无法强制施加底层物理结构。以电子态密度（eDOS）为典型示例，我们提出了 DeepSciReasoner，一种在物理约束下预测科学光谱的通用范式。该框架将结构感知的光谱解码与保持约束的物理推理相结合，使预测能够捕捉丰富的光谱结构，同时遵循底层物理规律。我们在 eDOS、声子态密度（phDOS）、X 射线吸收近边结构（XANES）和拉曼光谱上评估了 DeepSciReasoner，它在保持物理一致性的同时显著提高了预测精度。这些结果确立了 DeepSciReasoner 作为在严格物理约束下进行结构化科学光谱预测的可复用蓝图。
| 评论： | 发表于 ICML 2026。代码和数据可在项目页面获取：此 https URL |
| 主题： | 材料科学（cond-mat.mtrl-sci）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.34021 [cond-mat.mtrl-sci] |
| （或 arXiv:2610.34021v1 [cond-mat.mtrl-sci] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.34021 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yingheng Wang [查看电子邮件]
[v1]
2026 年 10 月 25 日星期日 03:22:14 UTC（547 KB）
来源：arXiv cs.AI · arxiv.org