naPINN: Redes Neuronales Adaptativas al Ruido para Recuperar Física
naPINN recupera leyes físicas de mediciones con ruido y outliers sin conocer la distribución del ruido. Ideal para datos corruptos.
#ecuaciones
Enriquecimiento de datos para regresión simbólica con modelos de difusión
El enriquecimiento de datos con modelos de difusión guiados por física mejora el descubrimiento de ecuaciones en datos dispersos, sin experiencia experta.
Geodesias unificadas con restricciones tangentes y regularización de curvatura
Geodesias con restricciones tangentes y regularización de curvatura mejoran la segmentación al evitar atajos y preservar formas. ¡Descúbrelo!
Mapas de Flujo Estocásticos Fuertes
Descubre cómo los Strong Stochastic Flow Maps revolucionan el muestreo en modelos de difusión, permitiendo generar imágenes y simular sistemas moleculares en pocos pasos.
Formalizando y falsificando caminos causales de eventos raros
Descubre cómo formalizar y probar caminos causales de eventos raros usando modelos matemáticos, mejorando el análisis de causa raíz en sistemas complejos.
Denoisers suavemente restringidos para modelos de difusión en EDP
Descubre cómo los denoisers suavemente restringidos mejoran el cumplimiento de EDPs sin rigidizar el modelo. Ideal para física computacional con IA.
Auto-Discovery-Bench: Diagnóstico de seguimiento de estado estructurado
Descubre Auto-Discovery-Bench, un benchmark diagnóstico para evaluar la capacidad de agentes de IA de mantener y actualizar creencias estructuradas en descubrimiento interactivo guiado.
Los modos de fallo de PINNs son sobreajuste
Descubre cómo el sobreajuste provoca fallos en PINNs y cómo la regularización y el doble backpropagation permiten resolver ecuaciones con menos puntos de colocación.
Reducción de Malla Informada por Física para Redes Neuronales Grafo Multigrid
Coarsening informado por física mejora precisión y estabilidad en redes neuronales grafo multigrid para sólidos deformables. ¡Optimiza!
Modelos de dinámicas de red con múltiples condiciones iniciales usando WSINDy
Descubre cómo WSINDy extrae modelos efectivos de dinámicas en redes usando múltiples condiciones iniciales, mejorando precisión con alto ruido.
Red neuronal holomorfa para problemas de contorno 3D con potenciales armónicos
Redes neuronales holomorfas resuelven problemas de contorno 3D sin residuos internos. Validado en Laplace y elasticidad.
Aprendices Universales de Decisión
Descubre cómo los Universal Decision Learners unifican planificación, RL, intervenciones causales y teoría de juegos mediante extensiones de Kan. Una perspectiva matemática elegante.