36 articoli
Questo studio presenta il framework WT-RDF+, che potenzia la ricostruzione delle funzioni di distribuzione radiale nei materiali amorfi ottimizzando i parametri della trasformata wavelet tramite apprendimento automatico, superando così i modelli ML convenzionali e migliorando la precisione quantitativa per i sistemi Ge-Se e Ag-Ge-Se.
Questo studio dimostra che impostare i tassi di apprendimento in una regione di caos transitorio, dove l'ottimizzazione bilancia esplorazione e sfruttamento, accelera il training delle reti neurali riducendo il tempo necessario per raggiungere un'accuratezza accettabile su diversi compiti e architetture.
Il paper sviluppa un quadro termodinamico per l'inferenza asintotica in cui l'informazione di Shannon agisce come entropia, unificando concetti fisici e statistici per derivare limiti fondamentali, percorsi ottimali e relazioni note come proiezioni di una struttura termodinamica sottostante.
Questo articolo dimostra che le Reti Neurali su Grafi (GNN) superano i modelli tradizionali come TabNet nella stima dell'impulso delle particelle muoniche per il trigger CMS, evidenziando come la scelta delle dimensioni delle caratteristiche dei nodi sia cruciale per l'efficienza del modello.
Gli autori propongono un framework di rilevamento delle anomalie per i dati dei collider basato su un modello di diffusione latente bayesiano, che integra vincoli fisici e stime di incertezza per migliorare la stabilità e la generalizzazione nella ricerca di nuova fisica.
Questo articolo presenta l'Extracted Mode Tracking (EMT), un framework di analisi dati basato sull'apprendimento automatico non supervisionato che risolve il problema delle condizioni al contorno sconosciute nell'evoluzione delle onde gravito-capillari, permettendo l'estrazione diretta dei modi d'onda dai dati sperimentali e facilitando lo studio delle dinamiche non lineari in sistemi fluidi a simmetria assiale.
Questo studio presenta un framework computazionale efficiente che utilizza la densità elettronica non interagenti e l'apprendimento attivo bayesiano per scoprire rapidamente nuove leghe ad alta entropia refrattarie, permettendo previsioni accurate anche con zero-shot o con un numero minimo di campioni di addestramento.
Il documento identifica un nuovo meccanismo di "pseudo-coerenza" in cui sistemi stocastici lineari stabili e privi di oscillatori intrinseci sviluppano comportamenti collettivi simili alla sincronizzazione grazie all'amplificazione pseudospettrale non normale, generando transizioni pseudo-critiche e correnti probabilistiche irreversibili senza biforcazioni di Hopf.
Il paper propone due nuovi metodi di apprendimento simbolico, SyNF e SyTF, che generano equazioni algebriche interpretabili per prevedere serie temporali caotiche con accuratezza competitiva rispetto ai modelli deep learning, offrendo al contempo una trasparenza scientifica fondamentale per comprendere le dinamiche sottostanti.
Questo lavoro introduce la PDGC, un metodo basato sulla decomposizione parziale dell'informazione che, applicando la causalità di Granger spettrale a reti fisiologiche, permette di distinguere effetti unici, ridondanti e sinergici nelle interazioni causali, rivelando nuovi meccanismi di disfunzione autonoma legati al controllo simpatico.
Questo studio presenta un tracciatore a filtro particellare per il monitoraggio di singole imbarcazioni che utilizza una strategia adattiva basata sull'entropia per selezionare dinamicamente tra sensori LiDAR e camera, ottimizzando così il compromesso tra accuratezza e continuità in ambienti marittimi reali.
Questo studio presenta un nuovo metodo probabilistico per l'analisi dei dati di scattering neutronico e a raggi X in modalità evento che, eliminando l'istogrammazione e l'adattamento ai minimi quadrati, offre maggiore accuratezza ed efficienza rispetto alle tecniche tradizionali, sebbene a costo di una minore intuitività e di un maggior tempo di calcolo.
Questo articolo introduce un approccio di massima entropia per la modellazione continua di reti temporali, che permette di fattorizzare le interazioni in processi temporali globali e probabilità statiche degli archi, fornendo modelli generativi interpretabili con funzioni di verosimiglianza in forma chiusa e migliorando le prestazioni rispetto ai processi di Poisson generici.
Questo articolo presenta algoritmi per stimare modelli di errore dei rivelatori (DEM) direttamente dai dati dei sindromi sui chip quantistici di Google Willow, dimostrando che tali modelli migliorano la previsione dei sindromi e rivelano correlazioni a lungo raggio e nuovi artefatti fisici, pur risultando meno efficaci come prior per i decoder rispetto ai modelli ottimizzati per le prestazioni logiche.
Il documento dimostra che, quando la prior condizionata agli iperparametri è una distribuzione canonica di massima entropia, anche la prior marginale risultante nei modelli gerarchici bayesiani conserva una proprietà di massima entropia, ma vincolata alla distribuzione marginale di una funzione delle quantità incognite, rivelando così la natura delle informazioni assunte in tali modelli.
Questo articolo presenta un framework a due passaggi per quantificare l'incertezza dei parametri della cinetica chimica dettagliata su modelli ridotti, permettendo una proiezione efficiente e risolta spazialmente delle variazioni temporali nelle simulazioni di combustione complessa.
Il paper introduce un metodo che trasforma le serie temporali multivariate in sequenze simboliche per identificare dipendenze di ordine superiore tramite un approccio bayesiano e modellare tali interazioni come iperarchi in un ipergrafo, rivelando così relazioni significative in sistemi neurali e sociali.
Il documento dimostra che l'utilizzo del Large Language Model Qwen2.5, integrato con reti connettive per il transfer learning, supera le inizializzazioni standard e si confronta favorevolmente con reti dedicate nell'analisi e nella generazione di dati cosmologici SKA, come mappe 3D della struttura su larga scala e generazione di coni di luce.
Questo lavoro presenta l'uso di una rete neurale profonda per migliorare la ricostruzione della posizione in un array di fotomoltiplicatori al silicio (SiPM) a gradiente lineare, ottenendo una risoluzione e una linearità superiori rispetto ai metodi tradizionali e aumentando il numero di aree risolvibili fino a 12,1 volte.
Questo lavoro presenta QUnfold, un framework open-source che riformula il problema dell'unfolding in fisica delle alte energie come un'ottimizzazione quadratica (QUBO), permettendo l'uso di solutori classici e quantistici ibridi per ottenere ricostruzioni accurate delle distribuzioni fisiche.