Предсказывая Неожиданные Переходы: Машинное Обучение на Службе Динамических Систем
![Использование подхода на основе нейронных сетей для решения уравнений (EINNs) позволяет предсказывать критические точки бифуркации в динамической системе [latex] (4) [/latex], причем анализ диаграммы бифуркации, дополненный информацией о линейной устойчивости равновесных точек, выявляет переходы между стабильными и нестабильными состояниями.](https://arxiv.org/html/2603.04420v1/2603.04420v1/x3.png)
Новый подход, основанный на глубоком обучении, позволяет выявлять критические точки в сложных системах и предсказывать резкие изменения их поведения.
Искусственный интеллект
Двумерные материалы: объединяя эксперимент и вычисления
Новая база данных X2DB систематизирует информацию о двумерных материалах, соединяя экспериментальные данные с результатами вычислительного моделирования для ускорения открытия новых материалов.
Обучение роботов стало проще: используем смартфон для мгновенной оптимизации
Новая система RoboPocket позволяет существенно повысить эффективность обучения роботов, используя обратную связь в реальном времени и возможности вашего смартфона.
Моделирование разума: новый подход к пониманию принятия решений
![Архитектура BioLLMAgent объединяет среду IGT, внутренний RL-движок, использующий модель ORL для генерации оценок ожидаемой ценности (EV), частоты (EF) и персеверации (PS), внешнюю LLM-оболочку, моделирующую полные испытания IGT с помощью персональных подсказок, и механизм слияния решений, где баланс между RL и LLM регулируется параметром ω, а полученные вероятностные распределения усредняются и преобразуются в статические априорные масштабы полезности [latex]\Pi_{util}[/latex].](https://arxiv.org/html/2603.05016v1/2603.05016v1/x2.png)
Исследователи разработали гибридную систему, объединяющую возможности машинного обучения и больших языковых моделей для более реалистичного моделирования процессов принятия решений в психиатрии.
Искусственный интеллект, который не забывает: новый подход к обучению на больших данных
Исследователи представили новый набор данных и агент ReMA, демонстрирующие важность динамического управления памятью для создания систем искусственного интеллекта, способных к непрерывному обучению и долгосрочному рассуждению.
Рассуждения машин: новый взгляд на искусственный интеллект
![Рекурсивная машина логических выводов (РМЛВ) итеративно решает задачи, определяемые переменными [latex]xx[/latex], начиная с начального решения [latex]y^{(0)}[/latex] и начального состояния [latex]z^{(0)}[/latex], посредством чередования этапов обновления состояния решателем в течение [latex]TT[/latex] шагов и генерации обновленного решения генератором, повторяя этот цикл [latex]NN[/latex] раз для получения конечного решения [latex]y^{(N)}[/latex].](https://arxiv.org/html/2603.05234v1/2603.05234v1/x1.png)
В статье представлена концепция Recursive Inference Machines — унифицированного подхода к нейронным рассуждениям, позволяющего повысить точность и обобщающую способность моделей.
Реалистичные Видео в Реальном Времени: Новый Подход к Генерации
Исследователи представили систему, способную создавать правдоподобные видеоролики в реальном времени, управляемые физическими действиями и основанные на принципах физического моделирования.
Нейросеть предсказывает сродство антител к COVID-19
Новая модель искусственного интеллекта позволяет точно оценивать силу связывания антител с белком-спайком коронавируса SARS-CoV-2, открывая возможности для разработки более эффективных терапевтических средств.
Разумные модели для науки: как упростить обучение искусственного интеллекта
Новая методика позволяет обучать сложные модели для научных открытий, преодолевая ограничения, связанные с экспоненциальным ростом вычислительных затрат.
Мир в частицах: Моделирование динамики видео с помощью самообучающихся объектов
Новый подход позволяет создавать реалистичные видеопрогнозы и управлять динамикой сцен, представляя мир как набор независимых объектов.