arXiv:2510.24557v1 Announce Type: cross 
Abstract: Machine-learning based methods like physics-informed neural networks and physics-informed neural operators are becoming increasingly adept at solving even complex systems of partial differential equations. Boundary conditions can be enforced either weakly by penalizing deviations in the loss function or strongly by training a solution structure that inherently matches the prescribed values and derivatives. The former approach is easy to implement but the latter can provide benefits with respect to accuracy and training times. However, previous approaches to strongly enforcing Neumann or Robin boundary conditions require a domain with a fully $C^1$ boundary and, as we demonstrate, can lead to instability if those boundary conditions are posed on a segment of the boundary that is piecewise $C^1$ but only $C^0$ globally. We introduce a generalization of the approach by Sukumar \& Srivastava (doi: 10.1016/j.cma.2021.114333), and a new approach based on orthogonal projections that overcome this limitation. The performance of these new techniques is compared against weakly and semi-weakly enforced boundary conditions for the scalar Darcy flow equation and the stationary Navier-Stokes equations.

تُحدث التطورات الأخيرة في التعلم الآلي، وخاصةً مع الشبكات العصبية المستندة إلى الفيزياء والمشغلين، ثورة في الطريقة التي نحل بها الأنظمة المعقدة من المعادلات التفاضلية الجزئية. من خلال فرض شروط الحدود بشكل فعال، تُحسن هذه الأساليب من دقة وكفاءة الحلول، مما يجعلها لا تقدر بثمن في تطبيقات علمية وهندسية متنوعة. لا يُسهل هذا التقدم تنفيذ هذه التقنيات فحسب، بل يفتح أيضًا آفاقًا جديدة لمواجهة المشكلات الصعبة في الفيزياء وما بعدها.

Los recientes avances en aprendizaje automático, especialmente con redes neuronales informadas por la física y operadores, están revolucionando la forma en que resolvemos sistemas complejos de ecuaciones diferenciales parciales. Al imponer eficazmente las condiciones de contorno, estos métodos mejoran la precisión y eficiencia de las soluciones, haciéndolas invaluables en diversas aplicaciones científicas e ingenierías. Este progreso no solo simplifica la implementación de estas técnicas, sino que también abre nuevas posibilidades para abordar problemas desafiantes en física y más allá.

Les avancées récentes en apprentissage automatique, notamment avec les réseaux de neurones informés par la physique et les opérateurs, révolutionnent la manière dont nous résolvons des systèmes complexes d'équations différentielles partielles. En appliquant efficacement les conditions aux limites, ces méthodes améliorent la précision et l'efficacité des solutions, les rendant inestimables dans diverses applications scientifiques et techniques. Ce progrès simplifie non seulement la mise en œuvre de ces techniques, mais ouvre également de nouvelles possibilités pour aborder des problèmes difficiles en physique et au-delà.

Recent advancements in machine learning, particularly with physics-informed neural networks and operators, are revolutionizing the way we solve complex systems of partial differential equations. By effectively enforcing boundary conditions, these methods enhance the accuracy and efficiency of solutions, making them invaluable in various scientific and engineering applications. This progress not only simplifies the implementation of these techniques but also opens up new possibilities for tackling challenging problems in physics and beyond.

Enforcing boundary conditions for physics-informed neural operators

Medtech founder and educator Rush Bartlett talks about medtech innovation on both sides of the pond.
Read more: <a rel="nofollow" href="https://www.siliconrepublic.com/innovation/stanford-biodesign-medtech-innovation-bioinnovate-ireland-galway-startups-healthcare">Ireland is top for medtech innovation, says Stanford expert</a>

يبرز راش بارتليت، مؤسس ومربي في مجال التكنولوجيا الطبية، مكانة أيرلندا الرائدة في الابتكار في هذا المجال، مشيرًا إلى التقدم الذي يحدث في غالواي. تعكس رؤاه اعترافًا متزايدًا بأيرلندا كمركز لتطوير التكنولوجيا الصحية.

Rush Bartlett, fundador y educador en medtech, destaca la posición de Irlanda como líder en innovación medtech, enfatizando los avances que se están realizando en Galway. Sus comentarios reflejan un reconocimiento creciente de Irlanda como un centro de desarrollo tecnológico en el sector de la salud.

Rush Bartlett, fondateur et éducateur en medtech, souligne la position de leader de l'Irlande en matière d'innovation medtech, mettant en avant les avancées réalisées à Galway. Ses réflexions témoignent d'une reconnaissance croissante de l'Irlande comme un pôle de développement technologique dans le secteur de la santé.

Rush Bartlett, a medtech founder and educator, highlights Ireland's leading position in medtech innovation, emphasizing the advancements occurring in Galway. His insights reflect a growing recognition of Ireland as a hub for healthcare technology development.

Ireland is top for medtech innovation, says Stanford expert

A new study by the University of Cambridge found many authors’ work has already been used – without their permission – to train large language modelsMore than half of published novelists in the UK believe artificial intelligence could eventually replace their work entirely, according to a new report from the University of Cambridge.<a href="https://www.mctd.ac.uk/wp-content/uploads/2025/11/MCTD-AIAndTheNovel-PolicyBrief-Accessible.html">The study</a>, conducted for the university’s Minderoo Centre for Technology and Democracy, suggests widespread unease about the speed and scale of AI’s advance into the literary world. <a href="https://www.theguardian.com/books/2025/nov/20/more-than-half-of-uk-novelists-believe-ai-will-replace-their-work">Continue reading...</a>

تظهر دراسة أجرتها جامعة كامبريدج أن أكثر من نصف الروائيين المنشورين في المملكة المتحدة يخشون أن تحل الذكاء الاصطناعي محل أعمالهم تمامًا. تسلط هذه الدراسة، التي أجريت لصالح مركز ميندورو للتكنولوجيا والديمقراطية، الضوء على القلق بشأن الاستخدام غير المصرح به لأعمال المؤلفين لتدريب نماذج اللغة الكبيرة والتقدم السريع للذكاء الاصطناعي في المجال الأدبي.

Un estudio de la Universidad de Cambridge revela que más de la mitad de los novelistas publicados en el Reino Unido temen que la inteligencia artificial pueda reemplazar completamente su trabajo. La investigación, realizada para el Minderoo Centre for Technology and Democracy, destaca las preocupaciones sobre el uso no autorizado de las obras de los autores para entrenar grandes modelos de lenguaje y el rápido avance de la IA en el ámbito literario.

Une étude de l'Université de Cambridge révèle que plus de la moitié des romanciers publiés au Royaume-Uni craignent que l'intelligence artificielle ne remplace complètement leur travail. La recherche, réalisée pour le Minderoo Centre for Technology and Democracy, met en lumière les préoccupations concernant l'utilisation non autorisée des œuvres des auteurs pour former de grands modèles de langage et l'avancement rapide de l'IA dans le domaine littéraire.

A study by the University of Cambridge reveals that over half of published novelists in the UK fear that artificial intelligence could completely replace their work. The research, conducted for the Minderoo Centre for Technology and Democracy, highlights concerns regarding the unauthorized use of authors' work to train large language models and the rapid advancement of AI in the literary field.

More than half of UK novelists believe AI will replace their work

NcodiN, a French deeptech startup,has secured a €16 million seed investment led by MIG Capital AG through its MIGFonds 17 and 18. The round also includes participation from Maverick Silicon,PhotonVent...

نجحت شركة NcodiN، وهي شركة ناشئة فرنسية في مجال التكنولوجيا العميقة، في تأمين استثمار بقيمة 16 مليون يورو في جولة التمويل الأولية، بقيادة MIG Capital AG من خلال صناديق MIGFonds 17 و 18. كما شهدت الجولة مشاركة من Maverick Silicon وPhotonVent.

NcodiN, una startup francesa de deeptech, ha asegurado una inversión de 16 millones de euros en su ronda semilla, liderada por MIG Capital AG a través de sus MIGFonds 17 y 18. La ronda también contó con la participación de Maverick Silicon y PhotonVent.

NcodiN, une startup française de deeptech, a sécurisé un investissement de 16 millions d'euros en seed, dirigé par MIG Capital AG à travers ses MIGFonds 17 et 18. Le tour de financement a également vu la participation de Maverick Silicon et PhotonVent.

NcodiN, a French deeptech startup, has secured a €16 million seed investment led by MIG Capital AG through its MIGFonds 17 and 18. The funding round also saw participation from Maverick Silicon and PhotonVent.

NcodiN secures €16M seed investment led by MIG Capital

The EU wants to consolidate all rules around data into two major laws, the Data Act and the GDPR.
Read more: <a rel="nofollow" href="https://www.siliconrepublic.com/business/european-union-ai-data-gdpr-simplify-rules-scale-up-growth">EU claims cuts to GDPR, AI rules will help business growth</a>

تسعى الاتحاد الأوروبي إلى تبسيط قواعد البيانات من خلال دمجها في قانونين رئيسيين: قانون البيانات واللائحة العامة لحماية البيانات (GDPR). تهدف هذه المبادرة إلى تعزيز نمو الأعمال من خلال تبسيط متطلبات الامتثال.

La Unión Europea busca simplificar sus regulaciones sobre datos consolidándolas en dos leyes principales: la Ley de Datos y el Reglamento General de Protección de Datos (RGPD). Esta iniciativa tiene como objetivo facilitar el crecimiento empresarial al simplificar los requisitos de cumplimiento.

L'Union européenne souhaite rationaliser ses réglementations sur les données en les consolidant en deux lois principales : la Loi sur les données et le Règlement général sur la protection des données (RGPD). Cette initiative vise à favoriser la croissance des entreprises en simplifiant les exigences de conformité.

The European Union aims to streamline its data regulations by consolidating them into two primary laws: the Data Act and the General Data Protection Regulation (GDPR). This initiative is intended to facilitate business growth by simplifying compliance requirements.

EU claims cuts to GDPR, AI rules will help business growth

One of the dominant storylines I’ve been following through 2025 is electricity—where and how demand is going up, how much it costs, and how this all intersects with that topic everyone is talking about: AI. Last week, the International Energy Agency released the latest version of the World Energy Outlook, the annual report that takes&#8230;

أصدرت الوكالة الدولية للطاقة أحدث إصدار من تقرير آفاق الطاقة العالمية، مسلطة الضوء على اتجاهات الطلب على الكهرباء، والتكاليف، والتقاطع مع الذكاء الاصطناعي. يتماشى هذا التقرير مع سرد أوسع حول مستقبل الكهرباء حتى عام 2025.

La Agencia Internacional de Energía ha publicado la última edición del World Energy Outlook, destacando las tendencias en la demanda de electricidad, los costos y la intersección con la inteligencia artificial. Este informe forma parte de una narrativa más amplia sobre el futuro de la electricidad hasta 2025.

L'Agence internationale de l'énergie a publié la dernière édition du World Energy Outlook, mettant en lumière les tendances de la demande d'électricité, des coûts et l'interaction avec l'intelligence artificielle. Ce rapport s'inscrit dans une narration plus large sur l'avenir de l'électricité jusqu'en 2025.

The International Energy Agency has released the latest World Energy Outlook, highlighting trends in electricity demand, costs, and the intersection with artificial intelligence. This report is part of a broader narrative on the future of electricity leading up to 2025.

Three things to know about the future of electricity

A Chinese investment firm bought a block of ByteDance Ltd. shares at a valuation of $480 billion, far above recent levels, a sign of strong investor interest in the parent company of video sensation TikTok.

اشترت شركة استثمار صينية حصة من أسهم شركة بايت دانس المحدودة بتقييم قدره 480 مليار دولار، وهو ما يتجاوز بكثير المستويات الأخيرة. تعكس هذه الصفقة اهتمامًا قويًا من المستثمرين في بايت دانس، الشركة الأم لمنصة الفيديو الشهيرة تيك توك.

Una firma de inversión china ha adquirido un bloque de acciones de ByteDance Ltd. a una valoración de 480 mil millones de dólares, muy por encima de los niveles recientes. Esta adquisición refleja un fuerte interés de los inversores en ByteDance, la empresa matriz de la popular plataforma de videos TikTok.

Une société d'investissement chinoise a acquis un bloc d'actions de ByteDance Ltd. à une valorisation de 480 milliards de dollars, bien au-dessus des niveaux récents. Cette acquisition témoigne d'un fort intérêt des investisseurs pour ByteDance, la société mère de la plateforme vidéo populaire TikTok.

A Chinese investment firm has acquired a block of shares in ByteDance Ltd. at a valuation of $480 billion, significantly higher than recent valuations. This acquisition reflects strong investor interest in ByteDance, the parent company of the popular video platform TikTok.

ByteDance’s Valuation Soars to $480 Billion in Share Auction

arXiv:2511.05879v2 Announce Type: replace 
Abstract: Green hydrogen production via polymer electrolyte membrane (PEM) water electrolysis is pivotal for energy transition, yet hydrogen crossover through membranes threatens safety and economic viability-approaching explosive limits (4 mol% H$_2$ in O$_2$) while reducing Faradaic efficiency by 2.5%. Current physics-based models require extensive calibration and computational resources that preclude real-time implementation, while purely data-driven approaches fail to extrapolate beyond training conditions-critical for dynamic electrolyzer operation. Here we present the first application of physics-informed neural networks (PINNs) for hydrogen crossover prediction, integrating mass conservation, Fick's diffusion law, and Henry's solubility law within a compact architecture (17,793 parameters). Validated across six membranes under industrially relevant conditions (0.05-5.0 A/cm$^2$, 1-200 bar, 25-85{\deg}C), our PINN achieves exceptional accuracy (R$^{2}$ = 99.84% $\pm$ 0.15\%, RMSE = 0.0932% $\pm$ 0.0438%) based on five-fold cross-validation, with sub-millisecond inference times suitable for real-time control. Remarkably, the model maintains R$^2$ > 86% when predicting crossover at pressures 2.5x beyond training range-substantially outperforming pure neural networks (R$^2$ = 43.4%). The hardware-agnostic deployment, from desktop CPUs to edge devices (Raspberry Pi 4), enables distributed safety monitoring essential for gigawatt-scale installations. By bridging physical rigor and computational efficiency, this work establishes a new paradigm for real-time electrolyzer monitoring, accelerating deployment of safe, efficient green hydrogen infrastructure crucial for net-zero emissions targets.

تقدم هذه الدراسة أول تطبيق لشبكات الأعصاب المستندة إلى الفيزياء (PINNs) للتنبؤ بتسرب الهيدروجين في إلكتروليزر الأغشية البوليمرية (PEM). تعالج هذه الابتكارات المخاوف المتعلقة بالسلامة والكفاءة في إنتاج الهيدروجين الأخضر، حيث يمكن أن يؤدي تسرب الهيدروجين إلى حدود متفجرة ويقلل من الكفاءة الفارادية. يدمج نموذج PINN الحفاظ على الكتلة، وقانون انتشار فيك، وقانون ذوبانية هنري، وتم التحقق منه عبر ستة أغشية تحت ظروف صناعية متنوعة.

El estudio presenta la primera aplicación de redes neuronales informadas por la física (PINNs) para predecir la transferencia de hidrógeno en electrolizadores de membrana de polímero (PEM). Esta innovación aborda preocupaciones de seguridad y eficiencia en la producción de hidrógeno verde, ya que la transferencia de hidrógeno puede llevar a límites explosivos y reducir la eficiencia farádica. El modelo PINN integra la conservación de la masa, la ley de difusión de Fick y la ley de solubilidad de Henry, validado en seis membranas bajo diversas condiciones industriales.

Cette étude présente la première application des réseaux de neurones informés par la physique (PINNs) pour prédire le passage d'hydrogène dans les électrolyseurs à membrane échangeuse de protons (PEM). Cette innovation répond aux préoccupations de sécurité et d'efficacité dans la production d'hydrogène vert, car le passage d'hydrogène peut entraîner des limites explosives et réduire l'efficacité faradique. Le modèle PINN intègre la conservation de la masse, la loi de diffusion de Fick et la loi de solubilité de Henry, validé sur six membranes dans diverses conditions industrielles.

The study presents the first application of physics-informed neural networks (PINNs) for predicting hydrogen crossover in polymer electrolyte membrane (PEM) electrolyzers. This innovation addresses safety and efficiency concerns in green hydrogen production, as hydrogen crossover can lead to explosive limits and reduce Faradaic efficiency. The PINN model integrates mass conservation, Fick's diffusion law, and Henry's solubility law, achieving validation across six membranes under various industrial conditions.

Physics-Informed Neural Networks for Real-Time Gas Crossover Prediction in PEM Electrolyzers: First Application with Multi-Membrane Validation

arXiv:2509.22855v3 Announce Type: replace 
Abstract: Online learning to rank (OLTR) plays a critical role in information retrieval and machine learning systems, with a wide range of applications in search engines and content recommenders. However, despite their extensive adoption, the susceptibility of OLTR algorithms to coordinated adversarial attacks remains poorly understood. In this work, we present a novel framework for attacking some of the widely used OLTR algorithms. Our framework is designed to promote a set of target items so that they appear in the list of top-K recommendations for T - o(T) rounds, while simultaneously inducing linear regret in the learning algorithm. We propose two novel attack strategies: CascadeOFA for CascadeUCB1 and PBMOFA for PBM-UCB . We provide theoretical guarantees showing that both strategies require only O(log T) manipulations to succeed. Additionally, we supplement our theoretical analysis with empirical results on real-world data.

Observation-Free Attacks on Online Learning to Rank

arXiv:2511.15406v1 Announce Type: cross 
Abstract: Reliable semantic segmentation is essential for clinical decision making, yet deep models rarely provide explicit statistical guarantees on their errors. We introduce a simple post-hoc framework that constructs confidence masks with distribution-free, image-level control of false-positive predictions. Given any pretrained segmentation model, we define a nested family of shrunken masks obtained either by increasing the score threshold or by applying morphological erosion. A labeled calibration set is used to select a single shrink parameter via conformal prediction, ensuring that, for new images that are exchangeable with the calibration data, the proportion of false positives retained in the confidence mask stays below a user-specified tolerance with high probability. The method is model-agnostic, requires no retraining, and provides finite-sample guarantees regardless of the underlying predictor. Experiments on a polyp-segmentation benchmark demonstrate target-level empirical validity. Our framework enables practical, risk-aware segmentation in settings where over-segmentation can have clinical consequences. Code at https://github.com/deel-ai-papers/conseco.

تم تقديم إطار عمل جديد للتحكم في الإيجابيات الكاذبة في تقسيم الصور، مما يعزز موثوقية التقسيم الدلالي في اتخاذ القرارات السريرية. تستخدم هذه الطريقة المستقلة عن النموذج التنبؤ المتوافق لإنشاء أقنعة ثقة تحافظ على مستوى محدد مسبقًا من الإيجابيات الكاذبة، دون الحاجة إلى إعادة التدريب. تُظهر الطريقة ضمانات عالية الاحتمالية للصور الجديدة، مما يمثل تقدمًا كبيرًا في التصوير الطبي.

Se ha introducido un nuevo marco para controlar los falsos positivos en la segmentación de imágenes, mejorando la fiabilidad de la segmentación semántica en la toma de decisiones clínicas. Este enfoque independiente del modelo utiliza la predicción conformal para crear máscaras de confianza que mantienen una tolerancia definida por el usuario para los falsos positivos, sin necesidad de reentrenamiento. El método demuestra garantías de alta probabilidad para nuevas imágenes, representando un avance significativo en la imagen médica.

Un nouveau cadre pour contrôler les faux positifs dans la segmentation d'images a été introduit, améliorant la fiabilité de la segmentation sémantique dans la prise de décision clinique. Cette approche indépendante du modèle utilise la prédiction conforme pour créer des masques de confiance qui maintiennent une tolérance définie par l'utilisateur pour les faux positifs, sans nécessiter de réentraînement. La méthode démontre des garanties de haute probabilité pour de nouvelles images, représentant une avancée significative dans l'imagerie médicale.

A new framework for controlling false positives in image segmentation has been introduced, enhancing the reliability of semantic segmentation in clinical decision-making. This model-agnostic approach utilizes conformal prediction to create confidence masks that maintain a user-defined tolerance for false positives, without requiring retraining. The method demonstrates high probability guarantees for new images, making it a significant advancement in medical imaging.

Controlling False Positives in Image Segmentation via Conformal Prediction

arXiv:2409.13566v3 Announce Type: replace 
Abstract: The application of TensorFlow pre-trained models in deep learning is explored, with an emphasis on practical guidance for tasks such as image classification and object detection. The study covers modern architectures, including ResNet, MobileNet, and EfficientNet, and demonstrates the effectiveness of transfer learning through real-world examples and experiments. A comparison of linear probing and model fine-tuning is presented, supplemented by visualizations using techniques like PCA, t-SNE, and UMAP, allowing for an intuitive understanding of the impact of these approaches. The work provides complete example code and step-by-step instructions, offering valuable insights for both beginners and advanced users. By integrating theoretical concepts with hands-on practice, the paper equips readers with the tools necessary to address deep learning challenges efficiently.

Enforcing boundary conditions for physics-informed neural operators

Was this article worth reading? Share it