Денис Аветисян ![Предложенная схема PINN для моделирования распространения вязкоакустических волн использует три отдельные нейронные сети для аппроксимации давления [latex]P[/latex], скорости [latex]v[/latex] и коэффициента поглощения [latex]g[/latex], причем сети скорости и поглощения активируются лишь в режиме инверсии, а автоматическое дифференцирование позволяет получить необходимые производные для формирования функции потерь.](https://arxiv.org/html/2601.16068v1/x1.png)
Новый подход с использованием физически обоснованных нейронных сетей позволяет точно моделировать распространение звуковых волн в сложных средах и восстанавливать параметры среды по наблюдаемым данным.
Исследователи представили Neural Particle Automata — подход, позволяющий создавать динамические системы частиц, демонстрирующие сложные самоорганизующиеся поведения.
Новое исследование выявляет существенные расхождения в работе больших языковых моделей при обработке разных языков, подчеркивая необходимость более совершенных методов оценки и учета культурного контекста.
Новый подход позволяет обучать мощные мультимодальные модели, сохраняя при этом конфиденциальность данных и преодолевая проблемы разнородности.
Новая методика позволяет визуализировать и прослушать поведение невязкой жидкости вокруг сферических объектов в режиме реального времени.
Новый статистический подход позволяет выявлять ключевые взаимодействия между аминокислотами и предсказывать влияние мутаций на структуру и функцию белков.
Новая система, использующая продвинутые инструменты и синтетические данные, совершает прорыв в анализе длинных видеороликов.
Новое исследование систематизирует и формализует интуитивно понятные подходы к многокритериальной оптимизации, раскрывая их теоретические основы и границы применимости.
![Для повышения точности модели при прогнозировании болезни Альцгеймера предложена методика инкрементного вывода, позволяющая адаптировать обученную модель θ на исходных атрибутах [latex]X[/latex] с учётом новых факторов, таких как YWHAG (опубликован в Nat. Hum. Behav. Guo et al., 2024) и MI (Nat. Med. Jack et al., 2024), что позволяет эффективно интегрировать актуальную информацию в уже существующую модель.](https://arxiv.org/html/2601.15751v1/x1.png)
Новый подход позволяет табличным моделям машинного обучения эффективно обрабатывать новые признаки на этапе инференса, повышая их гибкость и точность.
В статье представлена библиотека FlexLLM, позволяющая создавать настраиваемые и эффективные аппаратные ускорители для обработки больших языковых моделей.