85 artigos
O artigo investiga as propriedades de localização de Anderson na cadeia de Hatano-Nelson desordenada, demonstrando que a transição de um espectro de autovalores com um único laço para dois laços distintos, acompanhada por uma mudança no número de enrolamento espectral de 1 para 0, está diretamente correlacionada com a existência de estados completamente deslocalizados em regimes de desordem fraca e crítica.
Este artigo formaliza a perda de diversidade em modelos de difusão guiados por classificação (CFG) como uma distorção generativa, demonstrando através de análise de física estatística que esse fenômeno surge em um regime de alta dimensão e propondo um novo cronograma de orientação com janela de orientação negativa para mitigar a redução de variância sem comprometer a separabilidade das classes.
Este artigo propõe novos benchmarks baseados em problemas aleatórios sob uma perspectiva de física estatística para avaliar Redes Neurais de Grafos em problemas de satisfação de restrições difíceis, demonstrando que, em uma comparação justa, os algoritmos clássicos ainda superam as redes neurais.
Motivado por experimentos recentes em MoTe torcido, este artigo desenvolve uma teoria de borda desordenada para um isolante topológico fracionário em , demonstrando que a localização simétrica induzida por interações pode levar a estados isolantes ou condutores distintos e, crucialmente, que o transporte de borda de dois terminais é insuficiente para identificar inequivocamente essa fase topológica.
Este artigo demonstra que a violação de previsões da teoria de matrizes aleatórias para observáveis locais, especificamente através da evolução da informação quântica de Fisher e de uma relação de flutuação-dissipação, serve como um indicador eficaz para detectar a transição de regimes ergódicos para não ergódicos em sistemas quânticos de muitos corpos.
Este estudo utiliza o modelo SYK aberto acoplado a um banho fermiônico pseudogap para demonstrar que a dissipação não-Markoviana pode qualitativamente remodelar os mecanismos de relaxação em sistemas quânticos de muitos corpos, revelando um diagrama de fases dinâmico que inclui regimes de decaimento algébrico, exponencial e uma fase intermediária de pré-relaxação.
Este artigo desenvolve uma teoria estatístico-mecânica que relaciona a eficiência da decodificação linear de variáveis contínuas às propriedades geométricas de variedades neurais, revelando um aumento na capacidade de decodificação de posição e tamanho de objetos ao longo do fluxo visual do macaco.
Este artigo demonstra que Restricted Boltzmann Machines (RBMs) podem modelar com precisão a atividade de milhares de neurônios simultaneamente registrados no cérebro de camundongos, capturando dependências de alta ordem e revelando padrões de interação funcional estruturados anatomicamente que reproduzem tanto as estatísticas quanto a dinâmica de relaxamento da atividade neural.
Este trabalho oferece uma revisão abrangente e uma especificação formal detalhada das Redes de Codificação Preditiva (PCNs), situando-as no contexto dos métodos modernos de aprendizado de máquina e destacando seu potencial como uma estrutura versátil e biologicamente plausível para futuras inovações em IA.
O artigo desenvolve uma abordagem analítica para calcular a densidade de ressonâncias de reflexão em amostras desordenadas unidimensionais, estabelecendo uma ligação com o coeficiente de reflexão em energias complexas e fornecendo fórmulas explícitas para os limites de amostras semi-infinitas e curtas, cujas previsões são validadas numericamente no modelo de Anderson.
Os autores apresentam e demonstram experimentalmente uma rede neural fotônica profunda que realiza aprendizado não supervisionado online e totalmente óptico, utilizando materiais de mudança de fase para sinapses e um mecanismo de feedback local, alcançando reconhecimento de letras com 100% de precisão sem conversões elétrico-ópticas.
Este estudo investiga o impacto de uma perturbação antiferromagnética Heisenberg isotrópica no código torico, utilizando estados quânticos de redes neurais e transformações de Schrieffer-Wolff para caracterizar a transição de fase que leva à ruptura da ordem topológica e ao surgimento de uma fase de Néel antiferromagnética.
O artigo demonstra que os Grafos de Codificação Preditiva (PCGs) constituem um conjunto matematicamente superior às redes neurais feedforward, posicionando-os como uma generalização mais ampla dentro do aprendizado de máquina contemporâneo.
O artigo estabelece uma descrição de campo contínuo para ensembles aleatórios de redes de tensores de matchgate fermiônicos bidimensionais, demonstrando que a desordem induz um comportamento universal de longo alcance governado por um modelo sigma não linear da classe D, colocando essas redes em correspondência direta com o problema do efeito Hall quântico térmico e revelando uma estrutura de fases que inclui fases localizadas, criticalidade e um metal térmico robusto.
Este artigo caracteriza as grandes desvios da energia máxima de vidros de spin com spins ±1, demonstrando que a função de taxa é assintoticamente quadrática perto do seu mínimo se e somente se um campo magnético externo estiver presente, utilizando uma fórmula do tipo Parisi para momentos fracionários e argumentos de dualidade convexa.
Este artigo estabelece que os esquemas de recuperação Petz e Schumacher-Westmoreland atingem o limiar ótimo de correção de erros quânticos e introduz a "distância traço mútua" como uma ferramenta teórica de informação necessária e suficiente para determinar esse limite sem necessidade de otimização explícita.
Este artigo apresenta um sistema de computação fotônica inspirado na retina, baseado em redes de laser aleatórias com modos de lasing competitivos, que utiliza dinâmicas não lineares heterogêneas para realizar detecção de características e classificação com poucos exemplos, superando redes neurais convencionais em cenários de dados escassos e desbalanceados.
Este estudo utiliza um microscópio de gás quântico com átomos ultrafrios em um potencial desordenado para observar diretamente a fase de vidro de Bose, caracterizando sua falta de coerência de fase e comportamento não ergódico através de medições locais e interferometria Talbot.
Este artigo define formalmente a "captura algorítmica" e demonstra que, apesar de sua expressividade universal, os transformers de largura infinita possuem um viés indutivo que os limita a aprender algoritmos de baixa complexidade dentro da classe EPTHS, impedindo a generalização para tarefas computacionalmente mais complexas.
O artigo apresenta o DysonNet, uma nova arquitetura de estados quânticos neurais que, ao combinar não-linearidades locais com camadas lineares globais e utilizar o algoritmo ABACUS, permite atualizações de spin em tempo constante, alcançando acelerações de até 230 vezes e melhorando a escalabilidade computacional sem sacrificar a precisão.