Самообучающийся алгоритм находит критические точки Изинговской модели
![Алгоритм AMPPI, примененный к двумерной треугольной решетке Изинга (L=(32,64)), демонстрирует возможность точного определения критических параметров [latex]T_c = \frac{4}{\ln(3)}[/latex] и [latex]\beta = 0.125[/latex] посредством переноса обучения, при этом последующая донастройка в течение 20 итераций на основе данных физической среды позволяет достичь высокой точности, подтвержденной соответствием теоретическим значениям.](https://arxiv.org/html/2601.05577v1/figure/Main_Text/Tranfer_Learning/transfor_learning.png)
Новый подход, основанный на обучении с подкреплением, позволяет автоматически определять критические параметры Изинговской модели с высокой точностью и эффективностью.
Денис Аветисян
Реальный опыт против виртуальной лаборатории: как лучше учить науке?
Новое исследование сравнивает эффективность практических экспериментов и цифровых симуляций в обучении естественным наукам, выявляя оптимальные стратегии для повышения успеваемости учащихся.
Понимание ориентации объектов: новый взгляд на 3D-пространство
Исследователи представили модель Orient Anything V2, способную к всестороннему анализу и интерпретации ориентации объектов в трехмерном пространстве.
Топологический порядок: Операторный подход к экзотическим частицам
В статье представлен новый математический аппарат для изучения топологического порядка в квантовых спиновых системах, позволяющий классифицировать экзотические квазичастицы — анионы.
Геолокация с помощью карт: новый взгляд на определение местоположения
Исследователи предлагают инновационный подход к геолокации изображений, объединяющий возможности больших языковых моделей и интерактивное взаимодействие с картами.
Искусственный интеллект: учимся у машин
Новый обзор посвящен тому, как извлечь знания из моделей машинного обучения, чтобы продвинуть научные открытия и повысить надежность ИИ-систем.
Искусственный интеллект и будущее науки: от создания знаний к гарантии их достоверности?
Статья исследует, как университеты могут сохранить свою роль и авторитет в эпоху искусственного интеллекта, перейдя от генерации знаний к их оценке и обеспечению надежности.
Ускорение будущего: компрессия на основе марковских процессов
Новый подход к сжатию данных в распределенных вычислениях позволяет повысить скорость обучения и эффективность алгоритмов.
Когда Искусственный Интеллект Слишком Много Ищет: Проблема Избыточного Поиска
Новое исследование выявило тенденцию у больших языковых моделей с поиском — ненужное обращение к инструментам поиска даже при наличии ответа или невозможности его найти.
Разнообразие симуляций – ключ к точности в изучении эпохи реионизации
Новое исследование показывает, что использование данных из множества космологических симуляций значительно повышает надежность методов искусственного интеллекта при анализе сигналов эпохи реионизации.