同一套WZW流代数,两种神经网络实现误差不同:能级–秩对偶让带电关联函数跨理论迁移
神经网络场论把场论关联函数写成网络参数系综上的期望,但同一个连续极限流代数可以由不同网络实现。这项工作用玻色Wakimoto场和费米Fourier–Berezin场构造正能级WZW流代数,并借助能级–秩对偶把配对理论的带电扇区联系起来。在固定调节子和有限宽度下,直接构造与陪集构造的误差不同,谱分布和调节子选择会改变逼近精度;源扇区的测量可在不测目标制备的情况下预测配对扇区的响应。
神经网络场论把场论关联函数写成网络参数系综上的期望,但同一个连续极限流代数可以由不同网络实现。这项工作用玻色Wakimoto场和费米Fourier–Berezin场构造正能级WZW流代数,并借助能级–秩对偶把配对理论的带电扇区联系起来。在固定调节子和有限宽度下,直接构造与陪集构造的误差不同,谱分布和调节子选择会改变逼近精度;源扇区的测量可在不测目标制备的情况下预测配对扇区的响应。
面对SMEFT中912个守恒重子数、轻子数与轻子味的算符,逐一枚举多算符组合会迅速变成组合爆炸问题。ReinforceSMEFT把逐个加入算符写成序贯决策,用约4万可训练参数的actor–critic策略在132个观测量(其中24个偏离标准模型超过3σ)的环境里学习选择,并额外奖励与已有解重叠小的方案。与随机子集和随机序贯搜索相比,该策略更高效地构造出多算符理论;合并十次独立训练后,共得到26个Jaccard指数低于0.1的高质量解。
化学反应预测模型通常只按终点准确率评估,看不出模型如何表示化学转化。UniRxnAxis把正向预测与逆合成统一为共享潜空间中的方向条件终点重分配,使源状态、变换状态与编码目标终点可直接比较,从而把学习到的位移拆成指向终点的平行分量与正交残差。在USPTO-50K逆合成上,只保留平行分量时top-1为0.0997,而只保留正交残差可达0.6303,接近完整状态的0.6441。
在非线性量子网络上,纠缠路由把网络切成互不相交的路径、再在每条路径上并行运行链式协议,以此缩小搜索空间。该工作改用强化学习在更大的非路由协议空间中直接搜索,在八站交叉网络等小型网络上得到的端到端对数负性速率高于路由式swap-ASAP,即便后者处于被广泛认为最优的参数区间。作者据此主张路由应被非路由方法取代,并给出一个与改进幅度相关的网络评分。
通用量子纠错码的解码器长期面临速度与精度的取舍:快速解码器精度不足,最可能错误解码器又慢到无法用于实时纠错。TCBP-JOBS 用一个小型多层感知机从置信传播的整条迭代轨迹中学习每个故障的校准概率,再以这些概率为起点在 GPU 上并行搜索多种排序下的候选纠正。在 72 个表面码、色码和双变量自行车码电路上,其逻辑错误率与 Tesseract 相当或更低,最大码上最多低 4.5 倍,串行解码相对稀疏化 Tesseract 提速 10 到 7400 倍。
旋转不变表示在高度对称的原子环境中可能把几何上不同的构型映射成同一个描述,从而限制原子间势的精度。研究构建了一个针对多重对称构型的轻量基准,暴露出不变与等变架构共有的退化,并据此为不变架构HIP-HOP补入更高角阶的矩不变量基。在含七百多万构型的随机位移甲烷数据上,扩展基在HIP-HOP各变体中误差最低,约3.6万参数时精度接近EquiformerV3而推理更快;但(3/4)环构型上两者仍会失败。
碳纳米管片、胶原和纸张由相互交叠的纤维构成,显微图像里交叉处会把不同纤维并成一块,信号缺口又把同一根纤维切成碎片。PLECTA只输入一张标出纤维中心线的二值掩膜,在每个交叉点把各段纤维的续接当作整体做精确最大权部分匹配,并允许纤维在交叉处终止、交叉像素同时属于多根纤维。在128个合成场景上,其共同碎片成对F1均值为0.85(95%自助置信区间[0.84, 0.86]),随面覆盖率从20%升到60%由0.91降到0.77。
分子语言模型靠配对结构-文本做对比学习,却把结构相近的非匹配分子和毫不相干的分子当成同一类负样本。SAGA在训练时用中心核对齐把神经分子嵌入的两两关系对齐到指纹Tanimoto相似度,不增加参数,推理时也不需要指纹。在MolCA与Atomas上,分子-文本检索各项指标全部提升,Atomas-L的文本到分子R@1从43.15升到50.97,非精确检索也更多落在结构更近的类似物上。
自驱动实验室的每轮实验都是真实反应器或培养过程,通常只有几十到几百轮,不足以再调学习率。异方差高斯过程Q学习(HGPQ)把Q函数直接建成高斯过程,用卡尔曼增益充当学习率,并用第二个异方差高斯过程估计每个贝尔曼目标的噪声方差,使噪声大的目标少移动估计。在包含化学反应器和生物过程的五个模拟基准上合并统计,HGPQ用比GP、核方法和深度强化学习基线更少的轮数接近任一方法找到的最佳回报。
点对点电力市场的清算通常靠分布式迭代求广义纳什均衡,迭代次数和通信轮数随参与者增多而成为部署障碍。KTH 团队把历史清算数据用于训练一个图神经网络修正项,叠加在分布式 Douglas–Rachford 基线上,修正项按几何速度衰减,因此收敛性由基线继承。在合成市场上,这一修正减少了清算所需迭代次数及其波动,并在运行条件偏移到训练所见四倍时仍保持加速。