HyperAI超神经

「RFdiffusion3：蛋白质设计模型」现已上线 HyperAI超神经官网（hyper.ai）的「教程」板块，快来一键部署体验！

浙江大学的研究团队提出了一种地质约束的数据驱动成矿预测方法，通过将各向异性空间邻近关系与空间非平稳建模机制显式引入预测框架，实现对成矿异质性与方向性控制的定量表达。

瑞士洛桑联邦理工学院提出的 PET-MAD 模型，依托覆盖广泛原子多样性的数据集，在使用远少于传统规模的训练样本的情况下，仍实现了与专用模型相当的精度，为原子模拟向更高效、更普适的方向发展提供了有力示范。

美国卡内基科学研究所联合全球多所院校组成跨领域团队，精进了热解气相色谱-质谱+监督机器学习的「技术融合」解决方案，可在混乱的分子碎片中捕捉古老的生命遗迹。

由斯坦福大学、SLAC 国家加速器实验室、北京大学、意大利国家天体物理研究院布雷拉天文台、伦敦大学学院、加州大学伯克利分校等众多科研机构组建的团队，开发了一套数据驱动的流程，用于在 DESI DR1 的光谱数据中识别作为强引力透镜的类星体，极大扩展了类星体原本微小的样本。

英国蛋白质分析技术研发商 Peptone 公司、英伟达公司、麻省理工学院等组成的联合团队提出了两项关键突破。其一是 PeptoneBench 系统评估框架：该框架整合 SAXS、NMR、RDC、PRE 等多源实验数据，并结合最大熵重加权等统计方法，实现了实验观测与理论预测的严格定量对照。其二是生成模型 PepTron：基于扩展后的合成 IDR 数据集训练，专门强化了对无序区域的建模能力，使其能够更好地捕捉无序蛋白的构象多样性。

来自英国剑桥大学的研究团队提出了 CytoDiffusion——一种基于扩散模型的血液细胞图像分类方法。它能够忠实建模血细胞形态分布，实现精准分类，同时具备强大的异常检测能力、对分布偏移的抵抗力、可解释性、高数据效率，以及超越临床专家的不确定性量化能力。

加州大学伯克利分校、剑桥大学、牛津大学等全球十余所科研机构的团队联合攻关，推出了首个面向天文学的大规模多模态基础模型家族——AION-1，通过统一的早期融合 backbone 网络，将图像、光谱和星表数据等异质观测信息进行集成建模，不仅在零样本场景下表现优异，其线性探测准确率也可媲美甚至超越针对特定任务专门训练的模型。

来自加拿大多伦多大学以及加拿大国家研究委员会清洁能源创新研究中心的研究团队提出 MOF-ChemUnity：一个结构化、可扩展、可拓展的知识图谱。该方法利用 LLM 在文献中 MOF 名称及其同指代与 CSD 中登记的晶体结构之间建立可靠的一一映射，从而实现 MOF 名称及其同义词与晶体结构的消歧。

缅因大学、谷歌公司与哈佛大学等组成的联合团队提出了「球面谐波狄拉克函数（SHDD）」及集成框架 LocDiff，通过构建适配球面几何的编码方式与扩散架构，实现了不依赖预设网格或外部图像库的精准定位，为该领域提供了突破性的技术路径。

麻省理工学院、威斯康星大学麦迪逊分校等团队，提出一种名为 AutoSciDACT 的方法，可用于自动化检测科学数据中的「新发现」，从而简化科学探究。

哥伦比亚大学、斯坦福大学的联合研究团队，开发了 Squidiff 计算框架。该框架基于条件去噪扩散隐式模型构建，可预测不同细胞类型在分化诱导、基因扰动及药物处理下的转录组响应。研究团队进一步将 Squidiff 应用于血管类器官研究，成功预测了辐射暴露对各类细胞的影响效应，并评估了辐射防护药物的保护效能。

中国科学技术大学精准智能化学重点实验室商红慧特任教授、杨金龙院士团队将人工智能领域的 Transformer 架构与量子物理的基本方程相结合，发展了一种求解多电子薛定谔方程的乾坤网络（QiankunNet），显著加速了变分优化的收敛过程。

来自华盛顿大学 David Baker 教授的研究团队开发了一种图神经网络 PLACER，能够基于小分子的原子组成与键合信息，精确生成多种有机小分子的结构；并在给定蛋白质宏观结构环境的情况下，为蛋白–小分子对接任务构建小分子与蛋白质侧链的详细结构。

苏黎世联邦理工学院、加州理工学院与阿尔伯塔大学等机构的联合团队提出了一种名为 NOBLE 的深度学习框架。它是首个通过人类大脑皮层实验数据来验证其性能的规模化深度学习框架，首次实现了直接从实验数据中学习神经元的非线性动力学行为，其模拟速度比传统数值求解器快出 4200 倍。

同时发布 Omniverse DSX 数字孪生平台，用于设计并运营 100 兆瓦至千兆瓦级 AI 工厂，每年可带来数十亿美元的额外收入，已在弗吉尼亚州马纳萨斯的 AI 工厂研究中心得到验证，帮助全球合作伙伴打造人工智能基础设施。使用越多，就需要更多算力；3 月的 GTC 上，黄仁勋曾笑称 GTC 是 「AI 行业的超级碗」。总结来看，在这场信息含量极高、技术更新密集的主旨演讲中，从大规模 GPU 部署和量子突破，到人工智能工厂、机器人技术，黄仁勋从多角度分享了英伟达在 AI 基础设施建设上的能力与价值。

自驱动实验室系统提高了化学反应器设计的速度和精度，但现有研究缺乏针对几何参数的统一模型。针对不同体系间的通用性问题，来自西班牙 IMDEA 材料研究所的研究团队推出了 Reac-Discovery 半自主数字平台，基于周期性开孔结构，推出了先进催化反应器的创新解决方案。

麻省理工学院与Boltz等机构合作开发了全原子生成模型BoltzGen，统一了结构预测与结合体设计。该模型采用几何连续表示和扩散模块，实现了蛋白折叠、结合位点建模与序列生成的原子级精度同步优化。实验显示，BoltzGen设计的纳米抗体和蛋白结合体在66%的靶标上达到纳摩尔级亲和力，并成功应用于多肽、小分子等多种生物分子设计。研究通过跨模态训练策略和灵活的设计规范语言，解决了传统方法计算成本高、通用性有限的问题，为AI驱动的药物研发提供了高效可控的新工具。相关成果已开源，代码发布于GitHub。

Google 多个团队联合提出 「Earth AI」 地理空间人工智能模型与智能推理系统，构建可互操作的 GeoAI 模型家族，并通过定制化推理 Agent 实现多模态数据的协同分析。该系统聚焦影像、人口、环境三大核心数据类型，借助 Gemini 驱动的 Agent 串联三类模型，突破了单点模型的局限，使非专业用户也能执行跨领域实时分析，推动地球系统研究迈向可行动的全局洞察。

麻省理工的研究团队提出了一种物理先验生成式人工智能模型 SpectroGen，仅需单一光谱模态的输入，就能实现与实验结果相关性达 99% 的跨模态光谱生成。

英伟达与加州大学圣迭戈分校的研究团队在阐明扩散模型（EDM）框架基础上，面向序列建模需求，系统改进了噪声调度、去噪网络参数化、预处理流程、损失加权策略及采样算法，构建出增强型序列扩散模型（ERDM）。该研究重点攻克了「渐进式噪声调度」与「时间损失加权」的协同设计问题，为混沌动力系统的概率预测提供了新的高效路径。

2025 年 10 月 8 日，为金属有机框架领域研究作出贡献的北川进、Richard Robson 和 Omar Yaghi 荣获诺贝尔化学奖。金属有机框架领域历经三十余年，完成了从结构设计到产业化的演进，奠定了化学可计算的基础。如今，人工智能正以生成模型和扩散算法重塑 MOF 研究，开启化学设计的全新时代。

麻省理工学院牵头的研究团队利用科学机器学习，将物理定律与实验数据智能融合。开发了一种神经状态空间模型，通过少量数据就能预测托卡马克配置变量 (TCV) 缓降过程中的等离子体动力学，以及可能出现的不稳定情况。

多伦多大学团队联合昌平实验室等开发了一种名为 Ctrl-DNA 的约束强化学习框架，可最大化 CRE 在目标细胞中的调控活性，同时严格限制其在非目标细胞中的活性。

香港科技大学与浙江大学等研究团队推出「变量自适应专家混合模型（VA-MoE）」。该模型通过分阶段训练与变量索引嵌入机制，引导不同专家模块专注特定类型的气象变量，当新增变量或站点时，无需全量重训即可实现模型扩展，在保障精度的同时大幅降低计算开销。

麻省理工学院李明达教授团队等提出 SCIGEN 几何结构约束集成方法，可适配任意预训练生成式扩散模型，用以整合对称性和几何图案约束，从而生成含特殊限定的目标材料。

上海交通大学人工智能与微结构实验室李金金教授和黄富强教授团队研发出全新 AI 材料设计模型 CGformer，成功突破传统晶体图神经网络局限。

英伟达研究团队推出融合推理能力的高效可合成分子投影框架 ReaSyn，采用反应链表示法，将合成路径视为 LLM 的 CoT 推理路径，为破解分子合成的现实难题开辟了新路径。它借鉴大型语言模型中的 「思维链推理」 思想，从技术底层为解决可合成分子设计的核心痛点提供了新思路。

英国埃克塞特哈德利中心气象局、埃克塞特大学以及美国艾伦人工智能研究所（Ai2）共同组成的研究团队，对此前开发的机器学习天气模型 ACE2 进行了评估，并将其与主流基于物理的海气耦合集合预报系统 GloSea 进行对比。研究首次证明，机器学习天气模型能够生成具备高技巧的全球季节预测，为深化理解短期气候变异机制、发展新一代预报技术并推动业务预报进步，提供了新的可能方向。

谷歌 DeepMind 联合纽约大学、斯坦福大学、布朗大学等机构的研究人员，基于机器学习框架以及高精度的高斯-牛顿优化器，在 3 个不同的流体方程中首次系统地发现了新的不稳定奇点，并揭示出一条简洁的经验渐近公式，将爆破速率与不稳定阶数联系起来。

近年来，孟买极端降雨频率与强度显著上升，而传统全球预报系统因分辨率不足难以捕捉局地天气特征。为此，印度理工学院孟买分校与马里兰大学合作，开发了基于卷积神经网络与迁移学习的预测模型，实现了对极端降雨事件的提前预报。

来自中国科学院、东北农业大学、澳门大学与吉林大学的研究团队联合提出了一种用于解读单细胞 RNA-seq 数据的新型孪生聚类框架  scSiameseClu，能够有效缓解表征坍塌问题，实现更清晰的细胞群体分类，为 scRNA-seq 数据的分析提供了强大的工具。

由清华大学电子工程系城市科学与计算研究中心、建筑学院与麻省理工学院（MIT）感知城市实验室、美国东北大学等顶尖机构的学者组成的跨学科团队，首次系统性地提出了一个由大语言模型（LLM）驱动的智能城市规划框架，旨在将 AI 打造为人类的「智能规划助手」。

为解决大语言模型（LLM）在医疗问诊应用中引导能力不足、医疗伦理缺失及病史管理困难等问题，武汉大学与南洋理工大学联合研发了 Healthcare Agent，通过对话、记忆与处理三大组件识别患者意图、自动检测伦理与安全问题，并支持医护人员介入干预和生成咨询报告。该无需重新训练模型的新路径显著降低了计算成本，提升了系统灵活性与适应性，为 LLM 在医疗领域的更广泛应用提供了新范式。

在生命的复杂调控网络中，蛋白质-蛋白质相互作用（PPIs）协调着细胞内的信号传递、能量代谢和基因活动，是维持生命正常运转的基础。无论是健康状态下的生理平衡，还是疾病发生时的异常变化，PPIs 都发挥着核心作用。研究表明，PPIs的失常与癌症、神经退行性疾病及多种感染性疾病密切相关。因此，针对 PPIs 的药物开发已成为一个新药研发的重要方向。早期科学家通过研究如 MDM2-p53 等蛋白质间相互作用，证实干预这类互作具有治疗疾病的潜力，尤其为以往难以靶向的疾病靶点提供了新思路。

中国香港中文大学、穆罕默德·本·扎耶德人工智能大学等机构的研究人员提出一个可扩展的转录组引导扩散模型——MorphDiff，专门用于高保真模拟细胞形态对扰动的响应过程。

以色列理工学院联合 Meta AI 的研究团队，提出了一种名为 FusionProt 的新型蛋白质表征学习框架。引入创新性的可学习融合 token，在 PLM 和蛋白质的三维结构图之间进行迭代信息交换，在多种生物学任务上性能达到 SOTA。

在 2025 CCF 全球高性能计算学术大会上，中国科学院大气物理研究所林鹏飞研究员团队报告了一项重要研究成果。在全球海表面温度短期预报领域取得突破，为海洋环境预报提供了关键技术支撑。HyperAI超神经在不违原意的前提下，对林鹏飞研究员的深度分享进行了整理汇总，以下为演讲实录。

在与 Y Combinator 的访谈中，Anthropic 首席技术官 Tom Brown 回顾了自己从创业到 AI 研究的转型之路。他谈到「需求匹配度」以及「Scaling Laws」带来的影响，解释了离开 OpenAI 创办 Anthropic 的原因，并谈及了 Claude 系列模型在迭代中遭遇的困难与突破，同时透露了 Anthropic 在多芯片战略与安全愿景上的考量。

针对沿海生态系统健康诊断问题，香港科技大学团队提出了时空插补和预测（STIMP）模型，通过集成专门设计的模块实现了叶绿素 a 时空分布的精准预测，相较于传统的水动力-生物地球化学耦合过程和数据驱动预测方法，解决了数据不完整、时间非平稳变化和空间异质性的三大难题，为预测时空限制条件下的海洋叶绿素 a 提供了新的路径。