36 articles
Cette étude présente le cadre WT-RDF+, qui améliore la précision de la reconstruction des fonctions de distribution radiale des matériaux amorphes en optimisant les paramètres de la transformée en ondelettes grâce à l'apprentissage automatique, surpassant ainsi les modèles d'apprentissage automatique conventionnels.
Cette étude démontre que l'entraînement des réseaux de neurones artificiels peut être accéléré en exploitant une région de taux d'apprentissage où la dynamique de l'optimisation bascule vers un état de chaos transitoire, favorisant un équilibre optimal entre exploration et exploitation.
Ce papier développe un cadre thermodynamique pour l'inférence asymptotique où l'information de Shannon joue le rôle d'entropie, établissant des lois analogues aux principes de la thermodynamique et révélant que les processus physiques d'ensemble et d'inférence sont des évolutions opposées au sein d'une description unifiée.
Cet article démontre que l'utilisation de réseaux de neurones graphiques (GNN) pour estimer la quantité de mouvement des muons dans l'expérience CMS du LHC surpasse les modèles traditionnels comme TabNet, tout en soulignant l'importance cruciale de la dimension des caractéristiques des nœuds pour l'efficacité du modèle.
Les auteurs proposent un cadre d'analyse d'anomalies pour les données de collisionneurs, basé sur un modèle de diffusion latente bayésien informé par la physique, qui améliore la fiabilité des recherches de nouvelle physique en combinant estimation d'incertitude et contraintes physiques sur des données simulées du LHC.
Cet article présente l'Extracted Mode Tracking (EMT), une méthode d'analyse de données basée sur l'apprentissage automatique non supervisé qui permet de reconstruire l'évolution des modes de vagues gravito-capillaires dans des récipients aux conditions aux limites inconnues, surmontant ainsi les limitations des modèles théoriques traditionnels.
Cette étude présente un cadre de découverte d'alliages accéléré et efficace en calcul qui utilise la densité électronique non interactive comme descripteur universel, permettant une extrapolation rigoureuse vers des systèmes réfractaires complexes non vus auparavant avec un nombre minimal d'échantillons d'entraînement.
Cet article identifie un nouveau mécanisme de « pseudo-cohérence » dans les systèmes stochastiques linéairement stables, où l'amplification pseudospectrale non normale génère une organisation temporelle collective intermittente et irréversible sans oscillateurs intrinsèques ni bifurcations.
Cet article propose deux méthodes d'apprentissage symbolique, SyNF et SyTF, qui génèrent des équations algébriques interprétables pour modéliser et prévoir des séries temporelles chaotiques avec une précision compétitive tout en offrant des insights scientifiques sur les dynamiques sous-jacentes.
Cet article présente la décomposition partielle de la causalité de Granger (PDGC), une méthode exploitant le cadre de la décomposition de l'information partielle pour révéler des interactions redondantes et synergiques dans les réseaux physiologiques, permettant ainsi d'identifier des modes d'interaction inédits liés à la dysfonction autonome chez les patients sujets à la syncope.
Cet article présente un algorithme de suivi maritime adaptatif par filtre particulaire qui fusionne des données caméra et LiDAR en sélectionnant dynamiquement le capteur le plus informatif via une politique de réduction d'entropie, validé par des essais réels à Chypre démontrant une meilleure résilience et un compromis optimal entre précision et continuité.
Cette étude présente une nouvelle méthodologie d'analyse des données de diffusion de neutrons en mode événement, qui élimine l'histogrammage et l'ajustement par moindres carrés pour obtenir des paramètres plus précis et une efficacité accrue, au prix d'une complexité computationnelle et conceptuelle plus élevée.
Cet article introduit une approche d'entropie maximale pour la modélisation en temps continu des réseaux temporels, permettant une représentation factorisée des processus temporels globaux et des probabilités d'arêtes statiques qui génère des modèles efficaces et améliore la vraisemblance par rapport aux processus de Poisson génériques.
Cet article présente des algorithmes pour estimer des modèles d'erreurs de détecteurs (DEM) à partir des syndromes de Google Willow, démontrant que ces modèles estimés directement améliorent la prédiction des syndromes inconnus et permettent de découvrir des corrélations à longue portée, tout en identifiant des artefacts non modélisables tels que des retournements corrélés et des événements de radiation.
Cet article démontre que, lorsque la conditionnelle d'un modèle hiérarchique bayésien suit une distribution canonique de principe d'entropie maximale, la loi marginale dépendante qui en résulte conserve également une propriété d'entropie maximale sous une contrainte différente portant sur la distribution marginale d'une fonction des paramètres inconnus.
Cet article présente une méthode à deux étapes pour projeter les incertitudes des paramètres cinétiques chimiques détaillés sur des variétés réduites, permettant une quantification efficace et spatialement résolue des incertitudes dans des simulations de combustion complexes à moindre coût computationnel.
Cet article présente une méthode symbolique basée sur une approche bayésienne et l'analyse de graphes d'hyperarêtes pour détecter et modéliser des dépendances d'ordre supérieur dans des séries temporelles multivariées, révélant ainsi des interactions complexes significatives dans les systèmes neuronaux et sociaux.
Cet article démontre que le modèle de langage Qwen2.5, adapté via des réseaux connecteurs pour former le « Lightcone LLM », surpasse les réseaux standard et les initialisations classiques pour l'analyse et la génération de cartes cosmologiques 3D issues des données du SKA.
Cette étude démontre que l'application de réseaux de neurones profonds à une matrice de photomultiplicateurs au silicium à gradient linéaire permet de reconstruire la position des photons avec une précision et une linéarité nettement supérieures aux méthodes conventionnelles, augmentant ainsi le nombre de zones résolues d'un facteur allant de 5,7 à 12,1.
Ce papier présente QUnfold, un cadre d'optimisation pour le dépliement des données en physique des hautes énergies qui reformule le problème en un problème d'optimisation binaire quadratique (QUBO) permettant l'utilisation de solveurs quantiques et hybrides, tout en démontrant une précision compétitive par rapport aux méthodes classiques.