64 papers
MOOSE-Star is een nieuw raamwerk dat de wiskundige onhaalbaarheid van het direct modelleren van het generatieve redeneerproces voor wetenschappelijke ontdekkingen overwint door de complexiteit van exponentieel naar logaritmisch te reduceren via gedecomponeerde subtaken, hiërarchische zoekopdrachten en een bijbehorend trainingsdataset genaamd TOMATO-Star.
Deze studie presenteert een Fourier Neural Operator-schijfmodel dat protontransport en neutronproductie in protontherapie binnen enkele seconden voorspelt met Monte Carlo-achtige nauwkeurigheid, waardoor real-time adaptieve bereikverificatie mogelijk wordt.
Deze paper introduceert een spectrale correctiemethode voor Quantum Singular Value Transformation die, door gebruik te maken van kennis van een subset van eigenwaarden, de polynoomgraad en daarmee de circuitsdiepte aanzienlijk verlaagt terwijl de nauwkeurigheid behouden blijft.
Deze bijdrage beoordeelt de geldigheid en effectiviteit van een nieuw snellere directe solver voor elektromagnetische integralvergelijkingen op niet-kanonieke geometrieën in het hoogfrequente regime door gebruik te maken van relevante semiclassical microlokale resultaten.