Квадрокоптеры: Точное моделирование динамики в реальном времени

Разделенный гауссовский процесс позволяет эффективно моделировать сложные функции, разбивая задачу на более мелкие, управляемые части и обеспечивая масштабируемость вычислений.

Новый подход к моделированию динамики квадрокоптеров обеспечивает высокую точность и скорость вычислений, открывая возможности для разработки более эффективных систем управления и реалистичных симуляций.

Трансформеры в памяти: новый подход к ускорению вычислений

Логическая схема блока MXFP демонстрирует архитектуру, предназначенную для эффективной обработки и интеграции данных, обеспечивая основу для масштабируемых и гибких вычислительных систем.

Исследователи представили MXFormer — архитектуру, использующую инновационные транзисторы и микромасштабирование данных для значительного повышения производительности и энергоэффективности при обработке коротких последовательностей.

Нейросети на грани: Оптимизация для обучения с малым количеством данных

Обучение с учетом квантования, осуществляемое непосредственно в процессе тренировки модели, позволяет нивелировать влияние последующей квантизации, в то время как пост-тренировочная квантизация применяется к уже обученной модели, работающей с числами с плавающей точкой, что представляет собой альтернативный подход к оптимизации.

Новый подход к разработке аппаратного обеспечения для периферийных вычислений позволяет эффективно обучать нейронные сети, используя ограниченные наборы данных.

Фотокатоды будущего: точное моделирование квантовой эффективности

Исследование представляет собой трехступенчатую модель фотоэмиссии, основанную на расчетах из первых принципов с использованием многочастичной теории, где сначала определяются свойства основного состояния посредством DFT (серые блоки), затем рассчитываются свойства возбужденных состояний с помощью MBPT ([latex]G_0W_0 + BSE[/latex] - синие блоки), и, наконец, выполняется постобработка для вычисления выхода фотоэмиссии (зеленые блоки).

Новая ab initio модель, объединяющая теорию многих тел и классическую оптику, позволяет предсказывать эффективность полупроводниковых фотокатодов с беспрецедентной точностью.

Свет частиц: Новые горизонты черенковской визуализации

В рамках исследований, посвященных системам управления для детектора LHCb, особое внимание уделяется оптимизации подавления шумов посредством временной фильтрации, интеграции новых ASIC с фотосенсорами, поиску

В статье представлен обзор последних достижений и перспективных направлений исследований в области черенковской визуализации, используемой для идентификации частиц в современных и будущих экспериментах.

Тандем топ-кварков и бозона Хиггса: новые горизонты точности

Сравнение результатов, полученных методами dQCD и SCET на уровнях NNLO+NNLL для различных выборов начальных масштабов, демонстрирует устойчивость предсказаний к изменению этих параметров, при этом комбинированные результаты NNLO+NNLL лишь незначительно отличаются от NNLO, что указывает на сходимость вычислений и относительную независимость от конкретного выбора масштаба, при отсутствии электрослабых поправок.

Исследователи представили наиболее точные на сегодняшний день теоретические предсказания для процесса совместного рождения топ-кварков и бозона Хиггса в Большом адронном коллайдере.

За пределами стандартной точности: новая структура эффективной теории

Первый энергетический зазор [latex]\Delta E_1[/latex] демонстрирует зависимость от масштаба усечения [latex]E_{max}[/latex] при фиксированных параметрах [latex]m=1[/latex], [latex]\lambda/(4\pi)=1[/latex] и [latex]2\pi R=10[/latex], причём исходное усечение (обозначено пунктирной линией со звёздочками) даёт базовое значение, которое уточняется за счёт введения ведущих локальных контртермов (штрих-пунктирная линия с кружками) и, наконец, результирует в более точное значение при использовании суммированных локальных поправок, реализованных через уравнения (20) и (27).

Исследователи разработали усовершенствованную структуру эффективной теории, позволяющую повысить точность и скорость численных расчетов в квантовой теории поля.

Кванты, ИИ и Борьба за Будущее

Кванты, ИИ и Борьба за Будущее Знаете, всегда казалось, что будущее – это что-то четкое, предсказуемое. Но квантовая физика учит нас, что реальность – это размытая вероятность. И вот теперь ИИ пытается эту вероятность вычислить. Парадоксально, не правда ли? Что такое этот «квантовый ИИ»? Представьте себе оркестр. Обычный ИИ – это как запись этого оркестра. … Читать далее