Публикации по теме 'science'


Как работают электрон-фононные взаимодействия, часть 1 (Материаловедение)
Магнитно перестраиваемая когерентность экситонных долин в монослое WS2, опосредованная электронно-дырочным обменом и экситон-фононными взаимодействиями (arXiv) Автор: Кан Лан , Шицзе Се , Цзийонг Фу , Фаньяо Цюй . Аннотация: Мы разрабатываем модель, которая включает как внутридолинное, так и междолинное рассеяние в основное уравнение, чтобы исследовать когерентность экситонных долин в монослое WS2, подвергнутом воздействию магнитного поля. Для линейно поляризованного (ЛП)..
Работа со спутниковыми снимками часть 3
PMAA: прогрессивная многомасштабная модель автокодировщика внимания для высокопроизводительного удаления облаков из мультивременных спутниковых изображений (arXiv) Автор: Сюэчао Цзоу , Кай Ли , Цзюньлян Син , Пин Тао , Ячао Цуй . Аннотация: Анализ спутниковых изображений играет жизненно важную роль в дистанционном зондировании, но потеря информации, вызванная облачным покровом, серьезно препятствует его применению. В этом исследовании представлена ​​высокопроизводительная..
Четыре применения ИИ в физике
Как искусственный интеллект революционизирует исследования в области физики На заре физики математические модели кропотливо писались и решались вручную (я вспоминаю Эйнштейна, стоящего перед классной доской с уравнениями). В наши дни искусственный интеллект и машинное обучение дают исследователям возможность моделировать и вычислять сложные физические задачи с гораздо большей скоростью, точностью и творчеством, чем когда-либо прежде. В этой статье представлен обзор некоторых из моих..
Прогресс в области нейронных сетей временного графа, часть 3 (машинное обучение)
Объяснитель для нейронных сетей временного графа (arXiv) Автор: Вэньчун Хэ , Минь Н. Ву , Чжэ Цзян , Мой Т. Тай . Аннотация: Нейронные сети временного графа (TGNN) широко используются для моделирования задач, связанных с графом, изменяющимся во времени, благодаря их способности фиксировать как топологическую зависимость графа, так и нелинейную временную динамику. Объяснение TGNN имеет жизненно важное значение для прозрачной и надежной модели. Однако сложная структура топологии..
Красиво, но логика Шерлоков индуктивная, а не дедуктивная (определение в книге неверное).
Красиво, но логика Шерлоков индуктивная, а не дедуктивная (определение в книге неверное). «Индуктивное рассуждение противоположно дедуктивному. Индуктивное рассуждение делает широкие обобщения из конкретных наблюдений. В индуктивном выводе мы идем от частного к общему. Мы делаем много наблюдений, различаем закономерности, делаем обобщения и выводим объяснение или теорию, сказал Вассертейл-Смоллер в интервью Live Science. В науке происходит постоянное взаимодействие между индуктивным..
Понимание моделирования методом Монте-Карло, часть 3
1. Моделирование методом Монте-Карло течений жидкости, ограниченных стенками, методом случайных вихрей ( arXiv ) Автор: З. Цянь , Ю. Цю , Л. Чжао , Дж. Ву Аннотация: В этой статье предлагается метод Монте-Карло для моделирования движения потока жидкости вдоль твердой стенки. Метод случайных вихрей в настоящей статье устанавливается с использованием технологии отражения и метода возмущения. Может быть реализован метод Монте-Карло, основанный на этой случайной вихревой..
Новые разработки в области машинного обучения, часть 1 (выпуск за октябрь 2022 г.)
Лучшие книги по машинному обучению Практическое машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и методы создания интеллектуальных систем 2. Распознавание образов и машинное обучение 1. Поиск по содержанию для глубоких генеративных моделей (arXiv) Автор: Даохан Лу , Шэн-Ю Ван , Нупур Кумари , Рохан Агарвал , Дэвид Бау , Джун-Ян Чжу Аннотация . Растущее распространение предварительно обученных генеративных моделей..