这篇论文用神经网络直接解量子场论方程,不需要标签数据,结果精度在百分级别,对初学者和专家都有启发。
#neural networks
这篇论文把黎曼深度学习做成了统一理论,把批量归一化、逻辑回归推广到各种流形,还有新的双曲模型和高效几何,搞几何深度学习的别错过。
这篇论文用TAIR方法让神经网络学真实流体偏离理想气体的部分,超临界燃烧场景下误差降了数倍,做物理信息嵌入的可以看看。
这篇论文搞了个新路子,用误差估计自动告诉你该在网络的哪一层加更多神经元,在流体力学数据上比现有方法都强。
Anthropic在Claude里找到了类似人脑全局工作空间的J-space,用新方法看穿了模型内部怎么思考,挺有意思的。
这篇论文教你用FFT给特征学习网络做预处理,在数据少时也能提升效果,实验显示NMSE最高降一半,值得搞特征提取的人看看。
这篇论文提出了一种计算简单的方法,能告诉你神经网络对输入噪声的容忍上限,还画出了鲁棒性曲线,帮你量化模型稳定性。
这篇论文用可解释神经网络从对称性角度预测原子核质量,WINN模型精度0.430 MeV,还揭示了中子滴线和超重区的新现象,值得搞核物理或AI的人看看。
微软研究员真用《帝国时代2》山羊搭了个神经网络,顺带扒了315篇AI论文的皮,脑洞和讽刺都拉满。
这篇论文用Oppenheim-Lim实验方法测试了多个模型(ViT、CNN)的内部表示,发现相位才是关键,还解释了为什么CNN和ViT对纹理和形状的偏好不同。
这项研究戳破了 AI 领域的一个常见误解——神经网络并不像大脑。做 AI 研究或对认知科学感兴趣的读者,看完会对模型设计有新的思考。
做神经网络可解释性研究的团队会关心——SAE特征不稳定不是噪声,而是低维结构的基选择问题,看完能帮你更合理设计实验和解读结果。
这项研究澄清了数据对称性与神经网络训练动力学之间的深层关系,对理解数据增强的理论基础有重要意义。做理论研究的机器学习学者值得关注,它可能影响你对数据增强策略的设计思路。
城市交通规划团队终于有了一个能提前预见线路设计后果的AI工具——AlphaTransit用搜索+学习解决了公交网络设计的延迟反馈难题,做交通规划或智慧城市的研究者可以直接用开源代码跑自己的数据。
这篇论文揭示了神经网络蒸馏中一个反直觉但关键的机制——潜意识学习并不依赖初始化匹配,而是由输出头兼容性驱动。做模型压缩、知识蒸馏或研究表征对齐的研究者值得细读,它可能改变你对蒸馏数据选择的认知。
Karpathy 把软件行业的底层假设翻了个底朝天——未来可能不是更好的 App Store,而是神经网络直接接管界面生成。做产品、搞架构的开发者看完会重新思考自己每天在写什么。
零售定价和需求预测的从业者终于有了一个能稳定估计交叉价格弹性的工具——ICDN直接解决了传统模型在弱识别场景下的不稳定问题,做品类管理和定价优化的团队值得关注。
地震预测领域终于有了能捕捉空间异质性的神经网络方法,做灾害风险评估的团队可以直接用分位数构建警报,比传统全局假设模型更准。
VPD 解决了神经网络可解释性长期以来的痛点——权重不可读,做模型调试、安全对齐或研究 AI 内部机制的团队可以直接用这个工具来追踪和编辑模型行为。
Anthropic 的可解释性工作是理解 AI 黑箱的关键,做 AI 安全或模型研究的团队值得收藏这个页面,直接了解最新成果和加入机会。
对强化学习研究者有参考价值,提供了超越传统策略分析的模型内部状态洞察方法,尤其可用于分析RLHF训练中的阶段变化。