Денис Аветисян В статье описывается создание инфраструктуры для интеграции искусственного интеллекта и машинного обучения в системы управления ускорителями Fermilab, направленной на повышение эффективности и надежности работы оборудования.
![В предложенном подходе к количественной HRTEM-микроскопии, замена ручной, итеративной процедуры оптимизации параметров на автоматизированный алгоритм байесовской оптимизации, использующий пакеты входных векторов параметров [latex]\mathbf{X}\in\mathbb{R}^{n}[/latex] и динамическую адаптацию пространства поиска [latex]\mathbb{R}^{n}[/latex] с учетом как непрерывных, так и дискретных параметров, а также физических ограничений, позволяет существенно повысить эффективность и точность моделирования и анализа экспериментальных данных.](https://arxiv.org/html/2603.19943v1/x1.png)
Новый подход, объединяющий физические модели и байесовскую оптимизацию, значительно упрощает и ускоряет анализ атомной структуры материалов по данным высокоразрешающей просвечивающей электронной микроскопии.
Новое исследование показывает, что генеративные рекомендательные системы превосходят традиционные в предсказании поведения пользователей при столкновении с ранее не встречавшимися последовательностями, но уступают в запоминании популярных паттернов.
![Модель SSC(22) преобразуется в родительскую цепь SSH и остаточные цепи посредством параметров перескока, определяемых как [latex]\{J\_{1},J\_{2},J\_{3},J\_{4}\}=\{\sin\theta\_{1}^{(2)},\cos\theta\_{1}^{(2)},\sin\theta\_{2}^{(2)},\cos\theta\_{2}^{(2)}\}[/latex], при этом различия в краевых потенциалах остаточной цепи обусловлены пониженной координационной способностью конечных участков.](https://arxiv.org/html/2603.19513v1/x1.png)
Исследование открывает возможности для высокоскоростной передачи квантовых состояний в топологических изоляторах с расширенной топологией, используя модели синусов и косинусов с дефектами.
Ученые представили систему ReLi3D, позволяющую создавать детализированные 3D-модели с реалистичными материалами и возможностью динамического изменения освещения.
Новое исследование выявляет скрытые недостатки существующих методов оценки систем интерпретации машинного обучения и предлагает альтернативный подход.
Исследователи предлагают инновационный подход к обучению языковых моделей с обратной связью, повышающий их эффективность и точность в сложных задачах.
В статье представлен метод Q-приближения, позволяющий значительно ускорить расчет ключевых характеристик дизайна клинических исследований.
В этой статье мы предлагаем всесторонний анализ ключевых компонентов больших языковых моделей, помогая исследователям разобраться в их возможностях и ограничениях.
Новое исследование демонстрирует, как системы, построенные на основе больших языковых моделей, могут автоматически формировать связные и правдивые объяснения логики работы моделей машинного обучения.