Maschinelles Lernen enthüllt Merkmale der Spinon-Fermi-Oberfläche
Maschinelles Lernen kann charakteristische Merkmale von unbekannten Quantenzuständen aufdecken.
Bewertung von Machine-Learning-Klassifikationsalgorithmen für die Physik mit geringer Energie in Flüssigargon-Detektoren
Maschinelles Lernen übertrifft konventionelle Algorithmen in der Klassifizierung von Ereignissen mit geringer Energie in Flüssigargon-Detektoren.
Die Evolution der Turbulenztheorien und die Notwendigkeit kontinuierlicher Wavelets
Turbulenz ist ein komplexes, ungelöstes Problem, das durch die Evolution von Theorien und die Einführung von kontinuierlichen Wavelets erforscht wird.
OmniJet-α: Das erste Grundlagenmodell für Teilchenphysik
Grundlagenmodelle für Physikdaten versprechen eine vielversprechende Zukunft, indem sie auf großen Datenmengen und Aufgaben trainiert werden und voraussichtlich leicht auf jedes nachgelagerte Problem generalisieren können.
Eine physische Theorie der zweistufigen Thermalisierung
Die Entanglement-Membrantheorie erklärt die zweistufige Thermalisierung in lokalen Quantenschaltkreisen.
Effiziente Lösung des BGK-Modells der Boltzmann-Gleichung mit separierbaren physiksinformierten neuronalen Netzwerken
Effiziente Lösung des BGK-Modells der Boltzmann-Gleichung mit separierbaren physiksinformierten neuronalen Netzwerken.
Verbesserte Partikel-Fluss Ereignisrekonstruktion mit skalierbaren neuronalen Netzwerken für aktuelle und zukünftige Teilchendetektoren
Effiziente und genaue Algorithmen sind entscheidend für die Rekonstruktion von Teilchen in hochgranularen Detektoren. Skalierbare maschinelle Lernmodelle zeigen Verbesserungen in der Ereignisrekonstruktion.
Jet-Diskriminierung mit Quantum Complete Graph Neural Network
Quantum Complete Graph Neural Network (QCGNN) bietet eine effiziente Methode für das Lernen unstrukturierter Jets in der Hochenergiephysik.
Sturmflutmodellierung im KI-Zeitalter: Verwendung von LSTM-basiertem maschinellem Lernen zur Verbesserung der Vorhersagegenauigkeit
Die Verwendung von LSTM-basiertem maschinellem Lernen verbessert die Vorhersagegenauigkeit von Sturmflutmodellen.
Neuronales Netzwerklernen und Quantengravitation: Anwendung von maschinellem Lernen
Das maschinelle Lernen kann die Erforschung der String-Landschaft in der Quantengravitation vorantreiben.
© 2024 by Linnk AI