В статье представлен обзор применения техники выпуклого интегрирования к сингулярным стохастическим уравнениям в частных производных, открывающий возможности построения не-единственных глобальных решений.
![Исследование вибрационных спектров двадцати трех молекул, включая аспартам, этанол и толуол, демонстрирует, что разработанный метод SO3LR превосходит традиционный GAFF2 в точном воспроизведении результатов расчётов [latex]PBE0+MBD[/latex], подтверждённом анализом корреляционных матриц собственных векторов колебаний и сравнением инфракрасных спектров с экспериментальными данными, полученными из баз данных [HITRAN2016\_XSC, HITRAN2020, NISTWebBook2025, Aspartame], что указывает на улучшенное моделирование молекулярных колебаний и потенциальную применимость в более точных расчётах молекулярных свойств.](https://arxiv.org/html/2601.09845v1/x1.png)
Новое исследование демонстрирует, что машинное обучение позволяет значительно повысить точность моделирования стабильности и колебаний белков в различных условиях.
Исследователи представили PaperScout — систему, способную самостоятельно находить релевантные научные публикации, используя методы обучения с подкреплением.
![В ходе обучения архитектуры нейронной сети с двумя скрытыми слоями по 7575 нейронов каждый, при скорости обучения [latex]1\times10^{-2}[/latex], стандартизированных входных данных и без инициализации квадратичного слоя как матрицы тангенциальной жесткости, модель продемонстрировала сходимость, оптимизируясь исключительно по целевым значениям силы, в то время как потери по энергии и тангенциальной жесткости служили лишь для мониторинга процесса.](https://arxiv.org/html/2601.10442v1/Plot_ANN_Loss_Validation_2x75_inp_std_lr1e-02.png)
Исследователи предлагают усовершенствованный метод снижения вычислительной сложности при моделировании нелинейных структур, основанный на интеграции нейронных сетей и физических принципов.
В статье рассматривается попытка интеграции методов обучения с подкреплением в линейное генетическое программирование для повышения эффективности решения задач управления.
Исследователи предлагают инновационный метод сжатия KV-кэша, позволяющий значительно уменьшить потребление памяти при работе с крупными нейронными сетями.
Исследование показывает, что сети Kolmogorov-Arnold способны превосходить многослойные персептроны по точности и эффективности вычислений, открывая новые возможности для задач с ограниченными ресурсами.
Новый подход позволяет эффективно сжимать и адаптировать крупные языковые модели для работы на устройствах с ограниченными ресурсами, сохраняя при этом высокую точность.
Исследователи представили масштабный набор данных MathDoc для оценки способности моделей извлекать информацию из реальных экзаменационных работ по математике и распознавать неполные или нечеткие данные.
Исследователи разработали метод создания специализированных языковых моделей, способных генерировать исполняемый код для сложных инженерных задач, даже при ограниченном объеме данных.