616 पेपर
यह शोध पत्र एक रोबस्ट क्रॉस-वैलिडेशन (RCV) फ्रेमवर्क प्रस्तावित करता है, जिसमें नवीन RCV-VarLiNGAM और RCV-PCMCI एल्गोरिदम शामिल हैं, ताकि टाइम सीरीज़ कॉज़ल डिस्कवरी में शोर (noise) और जटिलता की चुनौतियों को प्रभावी ढंग से संबोधित करके एजेंट-बेस्ड मॉडल वैलिडेशन की सटीकता और विश्वसनीयता को बढ़ाया जा सके।
यह शोध पत्र फिजिक्स-बेस्ड फ्लो मैचिंग (PBFM) को प्रस्तुत करता है, जो एक नवीन जनरेटिव मॉडलिंग फ्रेमवर्क है जो संघर्ष-मुक्त ग्रेडिएंट अपडेट के माध्यम से प्रशिक्षण के दौरान भौतिक बाधाओं को लागू करके भौतिक निरंतरता और वितरण सटीकता के बीच के समझौते को हल करता है, जिससे अनुमान गति (inference speed) से समझौता किए बिना या मैन्युअल लॉस बैलेंसिंग की आवश्यकता के बिना पारेटो-ऑप्टिमल प्रदर्शन प्राप्त होता है।
AdaPert एक नवीन ढांचा है जो जैविक ज्ञान ग्राफों से विक्षोभ-विशिष्ट उप-ग्राफ (perturbation-specific subgraphs) सीखकर और मीन कोलैप्स (mean collapse) को दूर करने तथा वास्तविक संकेतों को प्रयोगात्मक शोर से अलग करने के लिए अनुकूली शिक्षण (adaptive learning) लागू करके सुदृढ़ ट्रांसक्रिप्शनल प्रतिक्रिया भविष्यवाणी को बढ़ाता है।
यह शोध पत्र ड्यूल-कर्नेल एडेप्टर (DKA) को प्रस्तुत करता है, जो एक नवीन मॉड्यूल है जो अत्यधिक कम-डेटा वाले मेडिकल इमेजिंग परिदृश्यों में पारंपरिक एडेप्टर के प्रदर्शन ह्रास को दूर करने के लिए बड़े-कर्नेल वाले कनवल्शन के माध्यम से स्थानिक संदर्भ (spatial context) का विस्तार करता है, जिससे विविध बेंचमार्क पर नए अत्याधुनिक (state-of-the-art) परिणाम स्थापित होते हैं।
यह शोधपत्र Scale-PINN को प्रस्तुत करता है, जो एक नवीन शिक्षण रणनीति है जो प्रशिक्षण समय को नाटकीय रूप से कम करने और सटीकता में सुधार करने के लिए संख्यात्मक सॉल्वर (numerical solvers) के पुनरावृत्ति अवशेष-सुधार (iterative residual-correction) सिद्धांत को फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (Physics-Informed Neural Networks) के साथ एकीकृत करती है, जिससे व्यावहारिक वैज्ञानिक अनुप्रयोगों के लिए डीप लर्निंग और पारंपरिक संख्यात्मक विधियों के बीच के अंतर को पाटा जा सके।
यह अध्ययन एक ऑगमेंटेड लैग्रेंजियन-आधारित टोपोलॉजी अनुकूलन ढांचे का प्रस्ताव करता है जो स्थिर और चक्रीय लोडिंग दोनों स्थितियों के तहत इष्टतम यांत्रिक प्रदर्शन वाले मेटामटेरियल माइक्रोस्ट्रक्चर को डिजाइन करने के लिए स्थानीय तनाव बाधाओं को शामिल करता है।
यह शोध पत्र एक नवीन बाल्डविनियन विकास ढांचे (Baldwinian evolution framework) का प्रस्ताव करता है जो कुशल शिक्षण के लिए उन्हें विकासवादी पूर्वाग्रहों (evolutionary biases) के साथ पूर्व-वायर्ड करके फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs) की सामान्यीकरण क्षमता को बढ़ाता है, जिससे विविध भौतिक कार्यों में अत्याधुनिक मेटा-लर्निंग विधियों की तुलना में काफी अधिक सटीकता और कम कम्प्यूटेशनल लागत प्राप्त होती है।
यह शोध पत्र प्रशिक्षण गति, सटीकता और सामान्यीकरण में महत्वपूर्ण चुनौतियों से पार पाने के लिए फिज़िक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINNs) के साथ ग्रेडिएंट-फ्री इवोल्यूशनरी एल्गोरिदम के एकीकरण की वकालत करता है, जिससे सुदृढ़ फिजिकल एआई (Physical AI) के विकास को बढ़ावा मिलता है।
PHAST एक पोर्ट-हैमिल्टोनियन (port-Hamiltonian) डीप लर्निंग आर्किटेक्चर है जो स्ट्रैंग स्प्लिटिंग (Strang splitting) और संरचित हैमिल्टोनियन अपघटन (structured Hamiltonian decomposition) का लाभ उठाकर विविध विसरणात्मक भौतिक प्रणालियों (dissipative physical systems) में केवल स्थिति-मात्र अवलोकनों (position-only observations) से स्थिर दीर्घ-अवधि पूर्वानुमान और भौतिक रूप से सार्थक पैरामीटर रिकवरी प्राप्त करता है।
यह शोध पत्र PINEAPPLE को प्रस्तुत करता है, जो भौतिकी-सूचित तंत्रिका नेटवर्क (physics-informed neural networks) को विकासवादी खोज (evolutionary search) के साथ संयोजित करने वाला एक नवीन ढांचा है, ताकि केवल वोल्टेज-समय डिस्चार्ज वक्रों से आंतरिक लिथियम-आयन बैटरी इलेक्ट्रोड मापदंडों का तीव्र, सटीक और सुदृढ़ वास्तविक समय अनुमान सक्षम किया जा सके, जो अगली पीढ़ी के बैटरी प्रबंधन प्रणालियों के लिए गैर-विनाशकारी अवस्था-स्वास्थ्य (state-of-health) निदान की सुविधा प्रदान करता है।