Денис Аветисян ![В ходе решения систем линейных уравнений методом GMRES с использованием предварительных решателей, выбор параллельного переноса [latex]P_s[/latex] и [latex]P_\ell[/latex] оказывает значительное влияние на скорость сходимости, при этом для решётки размером [latex]8^3 \times 16[/latex] с параметрами [latex]\beta = 6[/latex], топологическим зарядом [latex]Q = 1[/latex] и голым параметром массы [latex]m = -0.555[/latex] (близким к критическому значению), предварительные решатели позволяют достичь остатка порядка [latex]10^{-{18}}[/latex] при значительно меньшем количестве применений оператора.](https://arxiv.org/html/2602.23840v1/2602.23840v1/x3.png)
Исследователи предложили инновационную архитектуру нейронных сетей, обеспечивающую ускорение и повышение эффективности расчетов в рамках теории квантовой хромодинамики.
Исследователи разработали систему, способную самостоятельно генерировать и улучшать CUDA-ядра, достигая высокой производительности на современных графических процессорах.
Новое исследование показывает, как искусственный интеллект может учитывать личные увлечения учеников, чтобы сделать обучение более эффективным и увлекательным.
Исследователи предлагают метод расширения памяти рекуррентных нейронных сетей, позволяющий эффективно обрабатывать длинные тексты и другие последовательности данных.
Новый подход к поиску ближайших соседей использует возможности графических процессоров для значительного повышения скорости и эффективности работы с большими объемами данных.
Новое исследование показывает, как молодые люди видят роль ИИ в управлении своим здоровьем и самочувствием.
Исследование демонстрирует усиление сверхпроводимости в ультратонких плёнках TiN, находящихся в контакте с топологическими изоляторами, открывая новые возможности для управления этим квантовым явлением.
Новое исследование показывает, что способность компьютерного зрения к обобщению и переносу знаний напрямую зависит от структуры представления данных в нейронных сетях.
В статье представлен ReasonX — инструмент, позволяющий декларативно формировать и анализировать объяснения, выданные моделями машинного обучения, и находить ответы на вопросы, даже если исходные данные неполны.
![Спецификация желаемого поведения агента, формализуемая как [latex]\varphi[/latex], будь то заданная пользователем или сгенерированная языковой моделью на основе опыта, автоматически преобразуется в модель вознаграждения, направляя процесс оптимизации, в то время как агент одновременно изучает представление наблюдений посредством пространства состояний верифицируемой модели мира, что позволяет обучать политику непосредственно на этом представлении и обеспечивать гарантии посредством верификатора, предоставляющего сертификаты соответствия спецификации и качества абстракции модели мира, при этом не требуя доступа к явной динамике среды, достаточно её симуляции.](https://arxiv.org/html/2602.23997v1/2602.23997v1/x1.png)
Исследователи предлагают новую архитектуру для создания интеллектуальных агентов, способных к самообучению и надежной работе в динамично меняющихся условиях.