机器学习分子动力学论文引热议：隐藏算力成本或夸大提速幅度
rishabh16_ · x · 2026-10-28
用户在阅读一篇由多个研究团队合作撰写的立场论文后提出观点：当前 ML 方法的真实成本常被隐藏——数据生成/清洗、训练与推理各环节的实际计算开销往往未被完整披露。他主张研究者应透明地报告这些开销，才能准确评估方法相对传统方法到底带来多大的真实加速。该论文讨论了如何更严谨地构建用于分子动力学（MD）的机器学习方法，文末还附有一份实践检查清单。
所属事件:学者发文批评生成式分子动力学评估失范(2 条相关)→
「研究」频道最新
- 研究者跟进 OpenAI/Anthropic 的 ETH 反驳声明，发布 Lean 机器校验的哈密顿回路结果 — xennygrimmato_ · 2026-10-28
- DiscoTrace 获 EMNLP 最佳论文:LLM 答题策略缺乏人类式的社区多样性 — TuhinChakr · 2026-10-28
- arXiv 新论文提出世界模型表征的三问框架：可达性、准入与指派 — SoloGen · 2026-10-28
- OpenAI 发布内部前沿模型数学成果，Terence Tao 长文回应消化之道 — krisspy39 · 2026-10-28
- Divergence Labs 联手 Anthropic 用 Claude 发现食物过敏抗体疗法 — anshulkundaje · 2026-10-28
- kalomaze:用 RLVR 优化 NLL 也可算作 GOFAI — kalomaze · 2026-10-28