Transformer de Física Adaptativa para Sistemas de Energía Subterránea
El APT fusiona atención global-local para simular sistemas subterráneos con alta precisión y supera modelos previos. ¡Descúbrelo!
#operador
Embeddings de proteínas mejoran generalización en transferencia implícita
Mejora la generalización en dinámica molecular con PLaTITO. Embeddings de proteínas aumentan eficiencia y precisión en muestreo de equilibrio.
Deriva Generativa y Score Matching: Perspectiva Espectral y Variacional
El Drifting Generativo no es magia: es Score Matching. Aprende su teoría, la elección de kernels, y cómo estabilizar el entrenamiento con el operador stop-gradient.
MENO: Operadores Neurales Mejorados con MeanFlow para Sistemas Dinámicos
Descubre MENO: el nuevo marco que mejora operadores neurales con MeanFlow para predicciones precisas en sistemas dinámicos, con hasta 14x más rapidez que DDIM.
Kernels cuánticos: más allá de los valores escalares para aprovechar su potencial
Descubre por qué los kernels cuánticos escalares limitan el potencial de la IA cuántica y cómo los kernels operador-valorados pueden revolucionar el aprendizaje estructurado.
Aprendizaje espectral consciente del resultado para regresión IV
Descubre cómo el aprendizaje espectral consciente del resultado mejora la regresión IV incluso con desalineación espectral.
¿Es posible la superresolución zero-shot en aprendizaje de operadores?
¿Es posible la superresolución zero-shot en aprendizaje de operadores? Este estudio teórico revela condiciones y límites. ¡Descubre cuándo funciona y cuándo no!
Aproximación eficiente de operadores neurales codificador-decodificador mediante espacios de variación
Aprende cómo los espacios de variación optimizan la aproximación de operadores neurales codificador-decodificador, con garantías de convergencia.
CDOT: Transporte Óptimo Convexo de Distancias
Descubre CDOT, un marco convexo de transporte óptimo que alinea distribuciones heterogéneas preservando geometría. Mejora robustez y precisión.
Auditoría espectral de redes de operadores en contexto
Descubre cómo la auditoría espectral revela fallos ocultos en operadores neuronales más allá del error de predicción, mejorando la fiabilidad en modelos de IA.
Sparse FEONet: Red eficiente de operadores con elementos finitos
Conoce Sparse FEONet, la red de operadores dispersa que reduce costos computacionales y memoria para PDEs paramétricas.
Modelado Generativo Precondicionado Un Paso para Problemas Inversos Bayesianos
Genera muestras posteriores 64x64 en milisegundos con modelado generativo de un paso para problemas inversos bayesianos en espacios funcionales. Evita MCMC.
Flowers: un motor warp para solucionadores neuronales de PDE
Flowers: arquitectura neuronal con warps multihead. Sin Fourier ni atención, logra interacciones globales a costo lineal. Supera a modelos mucho más grandes.
Sensado en tiempo real de campos inaccesibles con operador neuronal en el borde
VIRSO: operador gráfico neuronal para inferencia de campos inaccesibles en tiempo real, con 29x menos energía y 17 muestras/s a 7W.
Límites de la equivariancia de resolución en operadores neuronales de Fourier
Los Fourier Neural Operators (FNO) no siempre mejoran al cambiar resolución. El aliasing no lineal es el culpable. Aprende la solución.
Inferencia cero-shot certificada con geometría latente compartida
Nueva arquitectura de dos vías logra inferencia cero-shot certificada en sistemas eléctricos. Supera al método Newton-Raphson con precisión y velocidad.
Operadores Neuronales de Haces Celulares para Modelado de PDEs con Restricciones
Operadores Neuronales de Haces Celulares ofrecen modelado sustituto de PDE con restricciones, preservando estructura para simulaciones en MHD y fusión.
Gráfico contrastivo anclado en Doeblin para aprender kernels de Markov
Aprende a estimar núcleos de Markov válidos con un gráfico contrastivo anclado en Doeblin. Mejora la precisión en dinámicas de cadena.
CoEvo-AHD: Heurísticas Evolutivas con LLM para Optimización Acoplada
Descubre cómo CoEvo-AHD usa LLMs para co-evolucionar heurísticas en problemas de optimización acoplada como TTP y TPP, mejorando soluciones de forma automática.
Marco Semántico de Mundos Abstractos para Cambio de Creencias
Descubre el Marco de Mundos Abstractos para el cambio de creencias: unifica operadores clásicos y no prioritarios, simplificando la teoría sin sintaxis lógica.