85 Arbeiten
Die Studie untersucht Anderson-Lokalisierung in ungeordneten Hatano-Nelson-Ketten und zeigt, dass bei schwacher und kritischer Unordnung zwei vollständig delokalisierte Zustände mit divergierender Lokalisierungslänge auftreten, die direkt mit einem nicht-trivialen spektralen Windungszahl-Übergang korrelieren.
Diese Arbeit analysiert die durch Classifier-free Guidance verursachten Verzerrungen in hochdimensionalen Diffusionsmodellen als Phasenübergang und schlägt einen theoretisch fundierten Guidance-Verlauf mit einem Fenster negativer Guidance vor, um den Diversitätsverlust zu mindern.
Diese Studie stellt neue Benchmarks für harte Zufallsprobleme aus der Sicht der statistischen Physik vor und zeigt durch einen fairen Vergleich, dass klassische Algorithmen Graph Neural Networks bei der Lösung komplexer Constraint Satisfaction Problems weiterhin überlegen sind.
Basierend auf neuen Experimenten an verdrilltem MoTe zeigt diese Arbeit, dass die Randzustände eines fraktionalen topologischen Isolators bei durch Unordnung und Wechselwirkungen lokalisiert werden können, was zu unterschiedlichen Leitfähigkeitswerten führt und beweist, dass Zweiterminal-Transportmessungen allein nicht ausreichen, um diese Phase eindeutig zu identifizieren.
Diese Arbeit zeigt, dass die Verletzung random-matrix-theoretischer Vorhersagen für lokale Observablen, insbesondere im Hinblick auf die Quanten-Fisher-Information und Fluktuations-Dissipations-Relationen, als wirksamer Nachweis für den Übergang von ergodischem zu nicht-ergodischem Verhalten in Quanten-Vielteilchensystemen dienen kann.
Die Studie zeigt, dass nicht-Markovsche Umgebungen in stark korrelierten Quanten-Vielteilchensystemen die Relaxationsmechanismen qualitativ verändern können, indem sie ein reichhaltiges Phasendiagramm mit Bereichen algebraischer Relaxation, exponentiellen Zerfalls und eines intermediären Vorrelaxationsregimes aufdecken.
Die Autoren entwickeln eine statistisch-mechanische Theorie, die die lineare Decodierfähigkeit kontinuierlicher Variablen mit den geometrischen Eigenschaften neuronaler Mannigfaltigkeiten verknüpft und dabei eine zunehmende Dekodierkapazität für Objektposition und -größe entlang des visuellen Pfades bei Affen aufzeigt.
Diese Studie nutzt Restricted Boltzmann Machines, um die Aktivität von etwa 1500 bis 2000 Neuronen aus dem Allen Institute Visual Behavior Neuropixels-Datensatz zu modellieren, wodurch hochpräzise Nachbildungen komplexer neuronaler Korrelationen und die Aufdeckung anatomisch strukturierter, effektiver Wechselwirkungen ermöglicht werden.
Dieses Tutorial und die Übersicht stellen Predictive Coding Networks als eine vielversprechende, biologisch plausible und mathematisch übergeordnete Alternative zum Backpropagation-Algorithmus vor, die durch Inferenzlernen effizientere und vielseitigere Architekturen für überwachtes und unüberwachtes Lernen ermöglicht.
Dieses Papier entwickelt einen analytischen Ansatz zur Berechnung der Dichte komplexer Resonanzpole in eindimensionalen, durch weißes Rauschen gestörten Schrödinger-Operatoren, indem es eine Verbindung zur Verteilung des Reflexionskoeffizienten bei komplexen Energien herstellt, um sowohl für halbunendliche als auch für kurze Proben explizite Formeln zu erhalten, die numerisch am Anderson-Gittermodell validiert werden.
Die Autoren stellen eine rein optische Architektur für tiefe neuromorphe Netzwerke vor, die durch einen lokalen optischen Rückkopplungsmechanismus und nichtflüchtige Phasenwechselmaterial-Synapsen eine Online-Hebbian-Lernfähigkeit ermöglicht und auf einer handelsüblichen Faseroptik-Plattform eine 100-prozentige Erkennungsrate bei der Buchstabenerkennung ohne energieineffiziente optisch-elektrisch-optische Konversionen erreicht.
Die Studie untersucht mittels neuronaler Quantenzustände und der Schrieffer-Wolff-Transformation, wie eine antiferromagnetische Heisenberg-Störung den topologischen Ordnungsübergang des Toric-Code-Modells bewirkt und zu einer vierfach entarteten Néel-Phase führt.
Der Artikel beweist, dass Predictive Coding Graphs (PCGs) eine mathematische Obermenge von Feedforward-Neuronalen Netzen darstellen und sie dadurch stärker in den Bereich des maschinellen Lernens einordnen.
Die Arbeit leitet eine kontinuierliche Feldtheorie für zufällige Ensembles von zwei-dimensionalen fermionischen Matchgate-Tensornetzwerken her und zeigt, dass deren universelles Langzeitverhalten durch ein nichtlineares Sigma-Modell der Symmetrieklasse D beschrieben wird, das eine direkte Entsprechung zum thermischen Quanten-Hall-Effekt herstellt.
Diese Arbeit leitet ein großes-Abweichungs-Prinzip für die Grundzustandsenergie von Spin-Gläsern mit ±1-Spins her und zeigt, dass die zugehörige Ratenfunktion genau dann asymptotisch quadratisch in der Nähe ihres Minimums ist, wenn ein externes Magnetfeld vorhanden ist.
Diese Arbeit zeigt, dass die Petz- und Schumacher-Westmoreland-Wiederherstellungsschemata für Quantenfehlerkorrektur optimal sind und führt mit der gegenseitigen Spurweite ein informationstheoretisches Maß ein, das zur exakten Bestimmung der optimalen Fehlertoleranzschwelle ohne explizite Optimierung dient.
Diese Arbeit stellt ein retina-inspiriertes, photonisches Rechensystem auf Basis eines nichtlinearen Lasernetzwerks vor, das durch heterogene, hemmende Kopplung von Lasermustern eine effiziente Few-Shot-Lernfähigkeit demonstriert und dabei bei Aufgaben wie Klassifizierung und Segmentierung in datenarmen Szenarien die Leistung herkömmlicher Software-CNNs übertrifft.
In dieser Studie wird die Bose-Glas-Phase in einem zweidimensionalen Quantengas-Mikroskop mit kontrollierter Unordnung nachgewiesen, indem lokale Fluktuationen, der Edwards-Anderson-Parameter und die Kurzreichweiten-Phasenkohärenz mittels Talbot-Interferometrie gemessen werden, was zudem Hinweise auf nicht-ergodisches Verhalten liefert.
Die Arbeit definiert algorithmisches Erfassen formal und zeigt, dass unendliche Transformer trotz universeller Ausdruckskraft durch einen induktiven Bias auf Algorithmen mit geringer Komplexität innerhalb der EPTHS-Klasse beschränkt sind, was das Erlernen komplexerer Algorithmen verhindert.
Die Arbeit stellt DysonNet vor, eine Klasse neuronaler Quantenzustände, die durch eine physikalisch interpretierbare Struktur und den ABACUS-Algorithmus lokale Updates in konstanter Zeit ermöglicht und damit die Trainingskomplexität signifikant reduziert, ohne die Genauigkeit zu beeinträchtigen.