本文介紹了一種基於機器學習的新方法,用於表徵磁疇的迷宮圖樣,並揭示了拓撲缺陷在淬火態到退火態轉變中的關鍵作用。
本研究展示了熱力學地圖 (TM),一種基於分數的生成式機器學習模型,能夠僅根據等向性和向列性狀態下的平衡漲落,準確推斷出 Gay-Berne (GB) 液晶系統中的等向性-向列型相變臨界行為。
本文深入探討了基於馬爾可夫自旋模型的圖像生成技術,並著重分析了當像素數量趨於無窮大時,圖像重疊度和磁化強度的顯式大偏差特性。
本文介紹了一種基於機器學習的工作流程,用於模擬大尺度二維材料中的拉曼光譜,並探討了缺陷對拉曼響應的影響。
本文介紹了一種基於深度卷積生成對抗網路 (DCGAN) 的快速恆星核心坍縮重力波模擬器,該模擬器能夠學習旋轉恆星核心坍縮重力波信號的結構並生成逼真的波形,可用於數據增強、檢測管道測試以及匹配濾波器類型分析。
本研究利用深度學習技術,特別是貝葉斯神經網路,從模擬的中國空間站望遠鏡無縫光譜巡天數據中準確估計星系的紅移,並提供相應的不確定性。
機器學習可以透過分析天氣模式和望遠鏡指向等觀測數據,提高無線電/亞毫米望遠鏡的指向精度。
本文介紹了一種基於機器學習的新方法,利用線性啁啾變換和卷積神經網絡,有效地識別和排除引力波數據中的假訊號,提高引力波事件檢測的準確性。
本文介紹了一種名為 COSMIC 的新演算法,它利用機器學習技術,從光學巡天數據中高效地識別星系團,並展示了其在構建更完整星系團目錄方面的潛力。
本文提出了一種名為 ALIDIFF 的新框架,用於將預先訓練好的目標導向分子擴散模型與期望的功能特性對齊,從而生成具有高結合親和力和結構合理性的配體分子。