本稿では、マルチスケール物理情報ニューラルネットワーク(MscalePINN)を用いることで、従来の均質化理論の限界を超えて、有限サイズのステルスハイパーユニフォーム(SHU)構造の有効な電磁特性を予測できることを示す。
三方向連想記憶(TAM)と呼ばれる新しいニューラルネットワークモデルは、パターン認識、パターン分離、マルコフ系列の検索、周波数変調など、従来のモデルよりも優れた情報処理能力を示す。
人間の脳の複雑な情報処理は、無秩序な超伝導ループネットワークを用いてモデル化できる。このモデルは、外部からの入力に対する反応として、ネットワーク内の情報フローパターンが動的に変化することを示しており、連想記憶や時間依存的な記憶といった脳の特徴を示唆している。
液晶スカイrmionの光学的テクスチャパターンを分析することで、畳み込みニューラルネットワークを用いて液晶のピッチや自由エネルギーなどの特性や、印加電圧などの外部刺激を予測できる。
本稿では、固定カーネル法と比較して、ニューラルネットワークがカラビヤウ計量を学習する能力が高い理由を、ニューラルネットワーク勾配降下によって誘起される計量フローの理論を通じて説明します。
大規模言語モデルにおけるエキスパート混合モデル (MoE) は、専門化されたエキスパートのモジュール構造により、計算効率と性能のバランスを改善する可能性を秘めているが、その内部メカニズムや真のモジュール化の度合いについては更なる探求が必要である。
大規模言語モデル(LLM)の効率的な展開のために、精度と効率性のバランスをとった新しい事後量子化(PTQ)アルゴリズム「aespa」を提案する。
深層ネットワークの学習済み重みはランダムな初期化に依存せず、各層の重み共分散によって決定されるデータ依存のRKHSに属する。
本稿では、文脈ガイダンスと転移学習を用いた自己教師あり特徴抽出法であるCG-CNNを提案し、その有効性を示しています。CG-CNNは、ラベル付けされていないデータから豊富な表現を学習し、様々な分野やデータセットにおいて高い転移学習能力を発揮することを示しています。
自然動画刺激と刺激非依存の潜在因子を組み合わせることで、マウスV1の神経細胞集団全体の動的な反応分布を予測する精度が向上する。