Беспроводные сети будущего: мощнее, чем больше
Новый подход к беспроводной связи использует возможности больших моделей для повышения производительности и адаптивности системы.
Денис Аветисян
Ожившие Симуляции: Учим Искусственный Интеллект Реалистичной Физике Движения
![В отличие от существующих подходов к генерации видео, основанных на восстановлении зашумленных данных в латентном пространстве с помощью Flow Matching, которые игнорируют важные пространственно-временные физические закономерности и полагаются на субъективные оценки при обучении с подкреплением, PhysRVG использует цикл [latex]MD[/latex] для полного использования данных визуальной информации и обеспечивает внедрение физических знаний посредством метрики, основанной на физике, что позволяет стабильно сохранять и активно обнаруживать физические принципы для действительно физически осознанного обучения и генерации.](https://arxiv.org/html/2601.11087v1/x2.png)
Новый подход объединяет обучение с подкреплением и генерацию видео, чтобы создавать более правдоподобные и физически корректные анимации и симуляции.
Граненая точность: Квантовые сенсоры на основе графена и функция Ламберта W
[/latex], что сопровождается расхождением модуля производной [latex]|dW_0/dx|[/latex] и фактора усиления чувствительности [latex]\eta_{enh}[/latex], открывая возможности для повышения чувствительности квансоров на порядки величины.](https://arxiv.org/html/2601.10767v1/Fig1.png)
Новый теоретический подход, основанный на свойствах функции Ламберта W, позволяет значительно повысить чувствительность квантовых сенсоров, изготовленных из графеновых нанолент.
Квантовый Шум и 55 000 Студентов
Квантовый Шум и 55 000 Студентов Знаете, всегда казалось, что квантовая механика – это как попытка поймать лунный свет в решето. Чем больше мы узнаем, тем больше понимаем, что не знаем. И вот, Индия запускает массовый курс квантовых вычислений. Парадокс, не правда ли? Представьте себе оркестр. Каждый инструмент – это кубит. Если все играют одновременно, … Читать далее
Поиск с разумом: Как научить ИИ признавать свои границы
![Предложенная схема BAPO осуществляет обучение посредством чередования рассуждений агента, генерирующего множество вариантов решения для каждого вопроса путем комбинирования логических цепочек и взаимодействия с внешней средой, и вычисления вознаграждения, состоящего из оценки корректности ответа [latex]\mathcal{R}^{\textit{Correct}}[/latex], поощрения за выдачу ответа «не знаю» [latex]\mathcal{R}^{\textit{IDK}}[/latex] при отсутствии верного решения, а также адаптивного модулятора, динамически отключающего [latex]\mathcal{R}^{\textit{IDK}}[/latex] в зависимости от соотношения ответов «не знаю» на этапе исследования и разнообразия вариантов на этапе стабилизации.](https://arxiv.org/html/2601.11037v1/x2.png)
Новый подход к обучению ИИ позволяет ему надежнее искать информацию и честно говорить, когда ответа у него нет.
Наука под контролем машин: как сохранить критическое мышление
Статья исследует, как машинное обучение меняет научную практику и как ученым сохранить контроль над процессом познания в эпоху алгоритмов.
Поиск Скрытых Сигналов: Оптимизация Анализа Данных на Большом Адронном Коллайдере
![На основе моделирования столкновений протонов на Большом адронном коллайдере, процесс [latex]q\bar{q}\to(Z/\gamma^{\<i>})\to H(Z/\gamma^{\</i>})\to H(\ell^{+}\ell^{-})[/latex] анализируется посредством оптимальных наблюдаемых [latex]{\cal D}_{\mathrm{opt,2}}[/latex], [latex]{\cal D}_{\mathrm{opt,1}}^{(1)}[/latex], и [latex]{\cal D}_{\mathrm{opt,1}}^{(0)}[/latex], полученных с использованием методов машинного обучения, что позволяет выявить распределение событий и предложить альтернативу подходу MELA для исследования данного процесса.](https://arxiv.org/html/2601.10822v1/x9.png)
Новый подход к анализу данных, разработанный для Большого адронного коллайдера, позволяет выявлять тонкие эффекты, предсказанные теорией эффективного поля.
Когда персонализация вводит в заблуждение: о галлюцинациях в языковых моделях
Новое исследование выявляет проблему искажения фактов в больших языковых моделях, обученных на личных данных, и предлагает способы её решения.
Искусственный интеллект заимствует мудрость у природы: новые горизонты эффективности
Исследование показывает, как вдохновение из физики и экологии позволяет создавать более компактные и производительные нейронные сети.
Квантовая химия: Новые рубежи вычислительной точности
![В исследовании бенчмарка FeS с использованием метода ADAPT-GCIM и квинтетного референсного состояния продемонстрировано, что энергия, вычисленная методом ADAPT-GCIM в активном пространстве (6e,6o) с использованием базиса ANO-RCC-MB, сопоставима с энергией, полученной методом CASCI, при этом разница между ними, представленная на координате диссоциации связи Fe-S, в большинстве случаев не превышает порог химической точности в [latex]1.59 \times 10^{-3} [/latex]Ha.](https://arxiv.org/html/2601.10813v1/FeS_GCIM_Error1.png)
Исследование представляет комплексную методологию и набор эталонных систем для оценки и повышения эффективности квантовых алгоритмов в решении задач сильной электронной корреляции.