85 articoli
Lo studio analizza le proprietà di localizzazione di Anderson nella catena Hatano-Nelson disordinata, rivelando una transizione topologica caratterizzata da un cambiamento del numero di avvolgimento spettrale da 1 a 0 e dall'emergere di stati completamente delocalizzati in corrispondenza di una soglia critica di disordine.
Questo studio formalizza la perdita di diversità nei modelli di diffusione guidati come "distorsione generativa", dimostrando che tale fenomeno subisce una transizione di fase in base al numero di classi e proponendo una nuova strategia di guida con una finestra di guida negativa per mitigare la riduzione della varianza preservando la separabilità delle classi.
Questo studio propone nuovi benchmark basati su problemi casuali per valutare le reti neurali su grafi (GNN) nella risoluzione di problemi di soddisfacimento di vincoli difficili, dimostrando che, nonostante le affermazioni di superiorità, gli algoritmi classici rimangono più efficaci.
Basandosi su recenti esperimenti su MoTe torcido, questo studio teorico dimostra che i bordi disordinati di un isolante topologico frazionario a possono localizzarsi simmetricamente, rendendo insufficiente la misurazione del trasporto a due terminali per identificare inequivocabilmente tale stato della materia.
Questo studio dimostra che le violazioni delle previsioni della teoria delle matrici casuali su osservabili locali, in particolare attraverso l'evoluzione dell'informazione di Fisher quantistica e una relazione di fluttuazione-dissipazione, possono fungere da indicatori efficaci per rilevare la transizione verso comportamenti non ergodici in sistemi quantistici a molti corpi.
Lo studio del modello SYK aperto accoppiato a un bagno fermionico pseudogap rivela che la dissipazione non markoviana può qualitativamente rimodellare i meccanismi di rilassamento nei sistemi quantistici a molti corpi, generando una ricca fase dinamica che include rilassamento a legge di potenza, decadimento esponenziale guidato dal caos e una fase intermedia di pre-rilassamento.
Questo studio sviluppa una teoria statistico-meccanica che collega l'efficienza della decodifica lineare di variabili continue alle proprietà geometriche dei manifold neurali, rivelando un aumento della capacità di decodifica della posizione e delle dimensioni degli oggetti lungo il flusso visivo della scimmia.
Questo studio dimostra che le Restricted Boltzmann Machines, applicate a registrazioni di migliaia di neuroni nel cervello del topo, superano i limiti dei modelli statistici tradizionali catturando con precisione le dipendenze di ordine superiore e rivelando una struttura anatomica nelle interazioni neuronali, pur riuscendo a riprodurre anche la dinamica di rilassamento globale dell'attività neurale.
Questo lavoro offre una revisione completa e una specifica formale dettagliata delle reti di codifica predittiva, presentandole come un quadro neurale ispirato e biologicamente plausibile che supera i limiti della retropropagazione tradizionale e si posiziona come una soluzione promettente per l'innovazione futura nel machine learning.
Il paper sviluppa un approccio analitico per calcolare la densità dei poli di risonanza complessi in sistemi disordinati unidimensionali, collegandola alla distribuzione del coefficiente di riflessione a energie complesse e fornendo formule esplicite per campioni semi-infiniti e corti, le quali vengono poi confrontate con simulazioni numeriche del modello di Anderson.
Gli autori presentano e dimostrano sperimentalmente una rete neurale fotonica profonda che realizza l'apprendimento non supervisionato online tramite un meccanismo di feedback locale ottico e sinapsi a materiali a cambiamento di fase, ottenendo il riconoscimento completo di lettere senza conversioni elettro-ottiche.
Questo studio utilizza stati quantistici a rete neurale e trasformazioni di Schrieffer-Wolff per dimostrare come le interazioni di Heisenberg antiferromagnetiche inducano una transizione di fase dal codice torico topologico a una fase di Néel antiferromagnetica, caratterizzando il punto critico attraverso suscettibilità di fedeltà ed entanglement topologico.
Il documento dimostra che i grafi di codifica predittiva costituiscono un insieme matematico sovrastante delle reti neurali feedforward, rafforzando così il loro ruolo nel machine learning moderno e la rilevanza della topologia nelle reti neurali.
Il lavoro sviluppa una descrizione di campo continuo per ensemble casuali di reti tensoriali di matchgate fermionici, dimostrando che la tipicità e il disordine li mappano in un modello sigma non lineare di classe D che corrisponde al problema dell'effetto Hall quantistico termico, rivelando fasi di localizzazione, criticità e metalli termici robusti.
Il lavoro descrive le grandi deviazioni dell'energia massima di un vetro di spin con spin +/-1, dimostrando che la funzione di velocità è asintoticamente quadratica vicino al suo minimo se e solo se è presente un campo magnetico esterno, mediante l'utilizzo di una formula di tipo Parisi, trasformate di Laplace e argomenti di dualità convessa.
Questo studio dimostra che le strategie di recupero di Petz e Schumacher-Westmoreland sono ottimali per la correzione degli errori quantistici, introducendo la "distanza di traccia reciproca" come strumento diagnostico necessario e sufficiente per determinare la soglia di errore ottimale senza bisogno di ottimizzazione esplicita.
Gli autori presentano un sistema di calcolo fotonico ispirato alla retina, basato su una rete laser casuale con dinamiche non lineari eterogenee, che supera le reti neurali convoluzionali software nel riconoscimento di immagini e nella diagnosi medica in scenari di apprendimento con pochi dati.
Utilizzando un microscopio a gas quantistico su atomi ultrafreddi in un reticolo bidimensionale con potenziale disordinato, gli autori identificano la fase di vetro di Bose misurando fluttuazioni di particelle e coerenza di fase a corto raggio, osservando infine comportamenti non ergodici.
Il paper definisce formalmente la "cattura algoritmica" e dimostra che, nonostante la loro espressività universale, i transformer a larghezza infinita possiedono un pregiudizio induttivo verso algoritmi a bassa complessità (classe EPTHS), il che ne limita l'apprendimento a compiti semplici come ricerca, copia e ordinamento, impedendo loro di generalizzare ad algoritmi più complessi.
Il paper introduce DysonNet, una nuova architettura di stati quantistici neurali che, sfruttando una struttura analoga a una serie di Dyson e l'algoritmo ABACUS, permette aggiornamenti locali in tempo costante e offre un'interpretazione fisica intuitiva, ottenendo accelerazioni fino a 230 volte rispetto ai Transformer senza compromettere l'accuratezza.