Reverse Flow Matching: Marco Unificado para RL Online con Difusión y Flujo
Descubre cómo Reverse Flow Matching unifica métodos de difusión y flujo en RL online, mejorando la eficiencia y estabilidad del entrenamiento con Q-learning.
#boltzmann
Convergencia casi exponencial en clasificación kNN con Margen Boltzmann
Descubre cómo el nuevo margen Boltzmann logra tasas de convergencia casi exponenciales en clasificación kNN. Supera limitaciones de márgenes clásicos. ¡Lee más!
Aprendizaje multifidelidad con decodificadores superficiales en reactores
Los decodificadores recurrentes superficiales mapean modelos de baja fidelidad a alta fidelidad en reactores, reduciendo costes computacionales.
SKMD: aprendizaje activo de potenciales interatómicos
Descubre cómo SKMD mejora el aprendizaje activo de potenciales interatómicos, equilibrando exploración y precisión en simulaciones moleculares. Ideal para MLIPs.
Surrogados profundos con física para la ecuación de Boltzmann de fonones
Nuevo sustituto profundo con física reduce hasta un 70% los datos de entrenamiento para simular transporte térmico a nanoescala, con errores del 5%. Ideal para diseño de materiales.
Monte Carlo secuencial reforzado para muestreo amortizado
Descubre cómo el Monte Carlo secuencial reforzado mejora el muestreo amortizado de distribuciones complejas. Entrenamiento off-policy y temperado adaptativo para mayor precisión.
Annealing escalable en inferencia con estimadores sustitutos
SITA: annealing escalable que evita divergencias para muestreo molecular eficiente. Lider en alanina dipeptido y tripeptido.
Inversión de transformaciones de datos mediante muestreo por difusión
Descubre cómo TIED invierte transformaciones desconocidas en datos usando difusión en grupos de Lie para mejorar la robustez de redes neuronales.