Виртуальные породы: ускоренная генерация 3D-структур
Новый алгоритм, основанный на GPU-ускорении и оптимизированной методологии QSGS, позволяет создавать высокоточные 3D-модели пористых сред в рекордно короткие сроки.
Новый алгоритм, основанный на GPU-ускорении и оптимизированной методологии QSGS, позволяет создавать высокоточные 3D-модели пористых сред в рекордно короткие сроки.
Новый алгоритм позволяет эффективно вычислять главные компоненты матрицы с гарантированной конфиденциальностью данных.
Квантовый Автоматизм: Взгляд изнутри Знаете, вот что забавно: мы строим машины, которые оперируют принципами неопределенности. И при этом хотим, чтобы эти машины работали предсказуемо. Парадокс, не правда ли? Представьте себе настройку музыкального инструмента. Каждый струна, каждый лад требует точной настройки. Квантовый компьютер – это оркестр, где каждая кубит – это струна. И если хотя бы … Читать далее
![Микромагнитный решатель MagneX использует многоскоростную интеграцию по времени (SUNDIALS) для эволюции уравнения Ландау-Лифшица-Гильберта [latex]\mathbf{M} \times \frac{d\mathbf{M}}{dt} = - \gamma \mathbf{H}_{\rm eff}[/latex], разделяя быстрые компоненты (обмен, анизотропия, DMI) и медленные (демагнетизация) по разным временным масштабам, а пространственная дискретизация и параллелизация осуществляются посредством фреймворка AMReX, при этом поле демагнетизации [latex]\mathbf{H}_{\rm demag}[/latex] вычисляется либо посредством спектральной свертки на основе БПФ, либо аппроксимируется нейронной сетью, обеспечивая эффективное, масштабируемое и расширяемое моделирование на современных многопроцессорных GPU-архитектурах.](https://arxiv.org/html/2602.12242v1/x1.png)
Представлен высокопроизводительный решатель для микромагнетики, позволяющий эффективно исследовать сложные магнитные явления.
Новое исследование показывает, как мощные языковые модели могут достичь высокой эффективности в формально верифицируемых языках, таких как Idris, благодаря адаптации на основе диагностики компилятора.
![В отличие от механизмов полного и линейного внимания, характеризующихся линейным ростом памяти и ограниченной вместимостью, RAM-Net отсоединяет объем памяти от размерности признаков посредством декодера адресов, преобразующего плотные векторы [latex]\mathbf{k}_{t}[/latex] и [latex]\mathbf{v}_{t}[/latex] в разреженные адреса [latex]\mathbf{w}_{t}[/latex] и [latex]\mathbf{r}_{t}[/latex], что обеспечивает масштабную емкость состояния и высокоточное извлечение информации при постоянном размере состояния памяти.](https://arxiv.org/html/2602.11958v1/new_intro_cmp.png)
Исследователи представили RAM-Net — архитектуру, позволяющую эффективно обрабатывать длинные последовательности данных, не увеличивая размер модели.
Исследование показывает, как неинвертируемые симметрии в одномерных квантовых системах накладывают ограничения на их поведение и взаимосвязи.
Исследователи продемонстрировали эффективную генерацию сверхширокого спектра в волноводах из танталата, открывая возможности для прецизионных оптических измерений.

Новый подход объединяет машинное обучение и электромагнитное моделирование для автоматического создания физических макетов РЧ-схем.
![Гибридная архитектура, представленная в данной работе, демонстрирует возможность обучения прямого оператора в задачах высококонтрастного рассеяния, превосходя существующие подходы, такие как FNO и scOT, при решении различных задач: от сглаживания данных [latex]v_{bg} \mapsto p_{bg}[/latex], через обработку остаточных данных [latex]p_{bg}(\cdot,\omega), \delta v \mapsto \delta p_{bg}(\cdot,\omega)[/latex], до получения полного решения уравнения Гельмгольца для острых волновых фронтов [latex]v \mapsto p v[/latex].](https://arxiv.org/html/2602.11197v1/x2.png)
Исследователи объединили возможности нейронных операторов и трансформеров для более точного предсказания поведения волн в сложных материалах.