Physique - Systèmes désordonnés et réseaux neuronaux

Explore le rôle fascinant du spin et des impuretés dans les matériaux électroniques.

Un aperçu des comportements chaotiques des systèmes quantiques et de leurs implications.

Un aperçu de l'impact de la SGD sur les réseaux de neurones à deux couches.

Des chercheurs examinent le lien entre la supraconductivité et la localisation à plusieurs corps dans des systèmes à bande plate.

Une étude révèle comment l'anisotropie influence le transport des ondes atomiques dans des systèmes désordonnés.

Une étude des arrangements de dimères sur la structure de carrelage unique AB.

Un aperçu des réseaux de neurones profonds et de leur dynamique d'apprentissage.

Explorer les similitudes entre les neurones à pics et les états des matériaux.

Un nouveau modèle de transformateur utilisant la mémoire associative pour un meilleur traitement.

Explorer l'utilisation des ARNN dans la compréhension des systèmes physiques et des interactions entre particules.

Découvrez comment les mesures affectent les états d'intrication dans les circuits quantiques.

Un aperçu des mesures quantiques, de l'intrication et de leur importance.

Un outil efficace pour entraîner des modèles prédisant le comportement atomique avec l'apprentissage automatique.

Un aperçu de la localisation à plusieurs corps et de son analyse en utilisant l'homologie persistante.

Un aperçu des GLM et leur relation avec les mélanges gaussiens.

Cet article explore comment le comportement des électrons est affecté par le désordre dans les matériaux.

Un aperçu de l'intrication quantique en utilisant la théorie du champ moyen dynamique.

La diffusion montre comment les substances se déplacent à travers des matériaux poreux, ce qui a un impact sur la science de l'environnement.

Des recherches révèlent les conditions pour les bords de mobilité dans des systèmes désordonnés grâce à un nouveau modèle AA.

Examine les dynamiques et les transitions des particules dans des systèmes quasi-périodiques.

De nouvelles découvertes redéfinissent notre compréhension de la localisation à plusieurs corps dans des systèmes quantiques désordonnés.

Des recherches révèlent une nouvelle compréhension de l'ordre nematique électronique dans le TDBG grâce à l'apprentissage automatique.

Explore comment les taux d'apprentissage, la profondeur et la largeur influencent la performance des DNN.

Examiner comment les groupes arrivent à un consensus malgré les incertitudes individuelles.

Des chercheurs analysent le diagramme de Hubble pour l'expansion cosmique en utilisant des réseaux de neurones avancés.

Cet article explore comment les circuits de mesure uniquement créent des états quantiques uniques.

De nouvelles méthodes utilisant l'apprentissage profond améliorent l'extraction des noyaux de mémoire à partir de systèmes complexes.

Examiner comment différents types de bruit modifient les dimensions critiques dans les transitions de phase.

Lasso aide à identifier les données importantes dans des ensembles de données complexes.

Cette étude montre comment le mouvement et la division des cellules façonnent la structure des tissus.

Un aperçu de la rupture d'ergodicité faible et de ses implications dans la recherche sur les verres de spin.

Une étude du modèle Kitaev révèle des phases complexes dans les liquides de spin quantiques.

Des chercheurs utilisent l'apprentissage automatique pour classer avec précision l'âge du verre en fonction de sa structure.

La recherche souligne le rôle de la structure de poids dans la performance des modèles d'apprentissage profond.

Une étude révèle comment les défauts structurels influencent la localisation des ondes dans les matériaux 2D.

L'analyse de la dynamique de mesure quantique dans un circuit inspiré de Bacon-Shor révèle un comportement de phase complexe.

Des chercheurs ont développé une nouvelle méthode pour prédire avec précision les mouvements physiques.

Cette étude examine comment les interactions fortes affectent les superfluides fermioniques lors de changements de conditions.

Exploration de comment l'inférence bayésienne s'adapte aux réseaux de neurones avec des largeurs finies.

Découvre comment l'apprentissage par transfert peut améliorer efficacement les prédictions des propriétés des matériaux.