Physique - Systèmes désordonnés et réseaux neuronaux

Explore des éléments bistables et leur impact sur la mémoire et le calcul.

Des recherches montrent comment les fluctuations neuronales influencent l'efficacité et la rapidité d'apprentissage.

Explorer des neurones spintroniques à faible consommation pour un calcul IA efficace.

Enquête sur les interactions lumière-matière et leurs effets sur les réactions chimiques.

Une étude sur le modèle de verre de spin booléen et ses implications pour l'IA et l'apprentissage automatique.

Explore comment le hasard influence les systèmes physiques et les propriétés des matériaux.

La recherche met en avant les comportements uniques de la phase critique multifractale dans des systèmes quasipériodiques en 2D.

Examiner comment les polymères capturent les métaux lourds pour le nettoyage de l'environnement et la santé.

Examiner des stratégies pour améliorer l'apprentissage des caractéristiques dans des ensembles de données déséquilibrés.

Explorer les bandes plates et leurs implications dans les matériaux et la physique.

De nouveaux matériaux quasicristallins montrent du potentiel pour la résistance et la flexibilité dans diverses applications.

Un nouveau cadre améliore la précision des simulations atomistiques grâce à une optimisation avancée des champs de force.

J'examine comment l'utilisation d'énergie du cerveau est liée au traitement de l'information.

Examiner comment les animaux et les robots peuvent bouger plus naturellement grâce à l'auto-organisation.

Les chercheurs utilisent la méthode de Swap Monte Carlo pour étudier les liquides surrefroidis et les verres.

Examiner le rôle des classificateurs, surtout les modèles CVFR, dans l'apprentissage automatique.

Un aperçu des processus de vieillissement logarithmique dans les matériaux et les systèmes biologiques.

Examiner le lien entre les vortex centraux et les modes de Dirac pendant les transitions de phase.

Des recherches sur les propriétés du verre de bore avec des techniques d'apprentissage automatique montrent des perspectives intéressantes pour des applis futures.

Investiguer comment les matériaux se déforment progressivement sous stress au fil du temps.

Cette étude examine comment le verre se casse sous un stress répété et ses signes précurseurs.

Les algorithmes révèlent des trucs sur le comportement des verres et des matériaux compliqués.

Cet article examine comment des motifs se forment dans un modèle de percolation unidimensionnel.

Une étude révèle des limites à la croissance des opérateurs à cause des champs aléatoires à queues lourdes.

Un aperçu de comment les neurones communiquent et de leur importance dans le fonctionnement du cerveau.

Cet article explore comment les particules fixes affectent la dynamique des matériaux formant du verre.

Cet article explore comment la physique statistique aide à comprendre l'apprentissage des réseaux de neurones.

Explorer comment les modèles d'apprentissage automatique étudient la transition de Kosterlitz-Thouless dans les matériaux 2D.

Un aperçu des défis du changement de distribution et de son impact sur les prédictions.

Découvrez comment les réseaux de neurones lagrangiens prédisent le mouvement avec des contraintes du monde réel.

Une étude sur l'utilisation de l'apprentissage automatique pour analyser les changements de phase des matériaux.

Un aperçu simple de deux types de localisation des particules.

Un aperçu des comportements des systèmes non-hermitiens et de leur signification.

Un aperçu clair de l'intrication multipartite et de ses méthodes de visualisation.

Découvre les polymères hyperramifiés et leurs propriétés uniques ainsi que leurs applications.

Ce programme analyse les spins pour révéler des changements de phase dans les matériaux.

Des recherches montrent que l'apprentissage des caractéristiques améliore efficacement la performance des réseaux de neurones.

Un aperçu de comment de petits oscillateurs interagissent et trouvent un équilibre dans un monde chaotique.

Explorer des stratégies efficaces pour la sélection d'hyperparamètres dans l'apprentissage par transfert.

Un nouveau regard sur le modèle de Hopfield quantique révèle des perspectives inédites.