EdenGNN加速材料电荷密度预测
研究团队提出EdenGNN模型，可预测电荷密度和占据数，实现投影增强波精度计算，比传统方法快一个数量级，准确预测大多数未见材料的能带结构。
简短解读
该模型为大规模电子结构计算和高通量筛选提供了可扩展的从头算方法，显著加速材料发现过程。
AI前沿·
傍晚精选
新闻范围 — 北京时间
TTR-Compressor革新序列压缩
研究提出基于测试时回归的序列压缩方法TTR-Compressor，作为传统池化和投影压缩的替代方案，在块稀疏注意力和视觉令牌合并任务中表现优异。
SkeLAM提升机器人世界模型
研究提出SkeLAM骨架引导潜在动作模型，将潜在动作分解为运动学分量和残差分量，在DROID数据集上减少末端执行器ADE 19.5%，LPIPS降低11.1%。