Cuasilinealización convexa para resolver EDP no lineales con PINNs
Descubre LiL-Q: resuelve EDP no lineales con redes neuronales sin optimización no convexa, convergencia rápida y menos parámetros.
#nns
RepNet: Abordando el sesgo espectral en redes profundas con reparametrización
Descubre cómo RepNet elimina el sesgo espectral con reparametrización, logrando alta precisión en problemas oscilatorios y multiescala.
Optimización aleatoria sin gradiente en espacios infinito-dimensionales
Descubre un nuevo método de optimización sin gradiente para espacios infinito-dimensionales, que solo requiere derivadas direccionales. Ideal para PINNs y
Mejorando Redes Neuronales Informadas por Física con Ingeniería de Características
Descubre cómo SAFE-NET revoluciona las PINNs con ingeniería de características: menor error, 65% menos parámetros y entrenamiento 95% más rápido.
Cómo la validación temporal afecta la predicción de mortalidad infantil con ML
Descubre cómo la validación temporal cambia la utilidad de los modelos de machine learning para predecir la mortalidad infantil en Bangladesh. Un estudio clave
Nuevo método MODE: Extrapolación Dual-espectral para PINNs
Descubre MODE, un microarquitectura ligera que mejora la generalización de redes neuronales físicas sin aumentar parámetros. Supera a SVD y LoRA en ecuaciones
GraphInfer-Bench: Evaluando la capacidad de inferencia de LLMs en grafos
Descubre GraphInfer-Bench, el benchmark que mide la capacidad de inferencia de LLMs en grafos. ¿Superan a las GNNs? Entra y conoce los resultados.
Cotas de error a posteriori para PINNs: inferiores y superiores
Descubre cómo obtener cotas de error inferiores y superiores a posteriori para PINNs en ecuaciones diferenciales. Certificación rigurosa.
A2SG: Gradientes sustitutos adaptativos y asimétricos para SNNs
Descubre cómo A2SG, los gradientes sustitutos adaptativos y asimétricos, mejoran la precisión y eficiencia energética en redes neuronales de picos profundas.
Método adjunto vs PINNs: problemas inversos con EDP
Comparación justa entre método adjunto y PINNs en problemas inversos gobernados por EDP. Descubre cuándo usar cada técnica y cómo la estrategia híbrida PINN-adjunto reduce costos.
Optimización SAV acelerada con Hessiana de bajo rango aleatoria
Descubre cómo N-RSAV acelera optimización SAV con Hessiana, logrando convergencia rápida en problemas mal condicionados como PINNs.
Acelerando optimización SAV con Hessiana de bajo rango aleatorizada
N-RSAV acelera la optimización SAV con Hessiana de bajo rango aleatoria. Logra convergencia más rápida en PINNs y problemas mal condicionados.
Marco adaptativo para magnetosfera de púlsares con redes Kolmogorov-Arnold
Descubre las redes Kolmogorov-Arnold que mejoran precisión y rapidez en simulaciones de magnetosfera de púlsares, reduciendo errores y tiempo de entrenamiento.
Control no lineal de activaciones mediante transformaciones latentes invertibles
Descubre INNSteer: control no lineal de LLMs con transformaciones latentes invertibles que mejora precisión y fluidez sin comprometer la inferencia.
INNSteer: Control no lineal de LLMs con transformaciones latentes
INNSteer revoluciona el control de modelos de lenguaje al aplicar transformaciones invertibles en el espacio latente, logrando intervenciones no lineales adaptables a cada entrada.
Estabilidad en RNNs con coherencia hacia atrás
Aprende cómo la coherencia hacia atrás estabiliza RNNs, reduciendo errores hasta un 58% y acelerando la convergencia en un 44%. Basado en teoría de cuasi-martingala inversa.
Aprendizaje de operadores para Fokker-Planck con condiciones iniciales
Optimiza la simulación de procesos estocásticos con flujos normalizantes y PINNs para ecuaciones de Fokker-Planck.
Proyecciones Implícitas Estocásticas para Conservación Integral en PINNs
Aprende cómo SDIFP impone restricciones integrales en PINNs de alta dimensión sin mallas fijas, mejorando precisión y reduciendo costos.
Dimensionalidad efectiva: invariante de operador en adaptación de restricciones en PINNs
Descubre la dimensionalidad efectiva actúa como invariante de operador en PINNs para adaptar condiciones de frontera sin retrain. Adaptación rápida y precisa.
LC-PINN: Redes neuronales con pérdida condicional para familias paramétricas de EDP
Descubre cómo LC-PINN entrena un único modelo que resuelve toda una familia de ecuaciones diferenciales paramétricas, sin datos generados por solver.