condensed matter physics
PulseAugur coverage of condensed matter physics — every cluster mentioning condensed matter physics across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的ANCHOR方法增强了晶体结构发现
研究人员开发了一种名为ANCHOR的新方法，用于从头晶体生成，将成分搜索与结构预测分开。ANCHOR利用一个GRPO成分策略，该策略使用多目标奖励和冻结的晶体结构预测（CSP）模型进行训练。与现有的从头生成模型相比，该方法显著提高了新颖且稳定的晶体结构的发现率，这通过MSUN和SUN指标的增加以及在MatterGen评估管道下的性能提升得到证明。
-
新理论分析神经网络中记忆模式的稳定性
研究人员开发了一种新理论来分析吸引神经网络中存储模式的动力学稳定性，吸引神经网络是生物记忆的模型。该理论通过考虑分级神经活动和噪声的存在，并使用随机矩阵理论的方法，扩展了先前的方法。该研究确定了一个决定存储模式是否稳定的“临界稳定性负载”，这一概念不同于经典的临界容量。研究结果表明，稀疏类模式和阈值线性激活函数提供了计算优势，并为神经回路提供了可检验的预测。
-
动态相位选择控制循环Transformer中的计算扩展
研究人员发现，循环Transformer在推理过程中的计算成本由其动态相位决定，而动态相位受初始化影响。具有相同架构和目标但初始化不同的网络会进入不同的动态相位，从而导致不同的计算扩展行为。该研究详细介绍了特定的分岔机制，如鞍节点折叠和Neimark-Sacker跃迁，如何区分这些相位并影响测试时的计算量。
-
新物理模型揭示熵产生率的普适定律
研究人员开发了一种通过分析定向游走来量化复杂系统不可逆性的新方法。该方法揭示了一个普适的平方根定律，该定律控制着熵产生率，独立于特定的网络拓扑或谱密度。这些发现适用于多元Ornstein-Uhlenbeck动力学，并提供了关于相互作用网络如何产生熵的见解。
-
新框架详细阐述了有限设备中学习的热力学
研究人员提出了一个理解有限设备中学习的新框架，区分了设备已记录的内容和未来有价值的内容。该框架将学习分为四个组成部分：训练端拟合、记录相关性储备、更新端搜索账本和操作资本价值。研究详细说明了记录相关性在资本价值不相应增加的情况下增加的条件，并提供了任务分布变化下资本化效率和价值保留的恒等式。这些发现侧重于有限设备价值保留而非统计泛化。
-
新研究通过随机热力学构建生成模型
一篇新论文探讨了随机热力学在基于SDE的生成模型（如扩散模型和薛定谔桥）中的应用。该研究引入了功、热量和熵产生的轨迹层面定义，以及一个广义的Jarzynski恒等式和一个类似第二定律的不等式。这个热力学框架将现有设置扩展到处理随时间变化的浴温度和非保守力，为这些生成模型提供了非平衡统计力学的新视角。
-
论文揭示线性回归模型的可解释性限制
一篇新发表在arXiv上的论文探讨了多重线性回归模型在可解释性方面的局限性，特别是在处理多重共线性时。该研究从理论上分析了相关的输入特征如何导致权重不稳定和振荡，从而阻碍物理解释。虽然Ridge正则化可以抑制这些不稳定的模式，但论文强调，即使在这些比深度神经网络更简单的模型中，解释所得权重时仍需谨慎。