Квантовая физика

Математический интеллект: как улучшить навыки решения задач у больших языковых моделей

от

Для выявления и исправления ошибок в процессе рассуждений, система определяет критическую точку расхождения между корректным и некорректным путями, после чего, используя маскировку на основе критериев желательности, локализует ключевые компоненты нейронной сети - attention heads и MLP neurons - наиболее ответственные за формирование этой точки, и применяет градиентные обновления исключительно к этим компонентам, усиливая конструктивные вычисления и сохраняя остальную часть сети неизменной.

Новый метод позволяет повысить точность решения математических задач, целенаправленно обновляя лишь небольшую часть нейронной сети.

Квантовые Иллюзии и Практический Реализм

от

Квантовые Иллюзии и Практический Реализм Интересно, мы так увлечены поиском квантового превосходства, что упускаем из виду то, что квантовые технологии уже здесь, влияя на логистику, фармацевтику и даже оборону? Это как искать экзотические частицы, забывая, что свет, который мы видим, тоже квантовый. Представьте себе оркестр. Квантовые вычисления – это попытка настроить каждую скрипку идеально. Но … Читать далее

Искусственный интеллект на службе качества кода: новый подход к аннотациям

от

Исследователи предлагают методологию для обеспечения надежности и воспроизводимости аннотирования кода с использованием больших языковых моделей.

Нейросети: Новый взгляд сквозь призму времени и частоты

от

Исследование предлагает теоретическую основу для повышения точности и эффективности неглубоких нейронных сетей за счет применения инструментов анализа времени и частоты.

Квантовый туннельный эффект: новый взгляд на инверсию аммиака

от

Отношение между временем квантово-механического туннелирования и средним стохастическим временем туннелирования, рассчитанное для двойного потенциала Розена-Морса при фиксированных параметрах $A=398~\mathrm{cm^{-1}}$, $k=2.22$ и $d=17~\mathrm{pm}$, демонстрирует зависимость от высоты барьера $V_0$ в диапазоне $680~\mathrm{cm^{-1}}<B<2810~\mathrm{cm^{-1}}$, причём характерные профили потенциала, соответствующие различным высотам барьера (39.5, 98.0 и 286.5 меВ), отражают 28.8%, 48.4% и 71.6% от глубины потенциальной ямы $V_D$, что указывает на существенное влияние формы потенциала на процесс туннелирования.

Исследование показывает, что стохастическая квантизация позволяет последовательно рассчитывать времена туннелирования, открывая универсальную связь между средним временем туннелирования и периодом квантовых колебаний.