Long-Short-Term Memory Network Based Hybrid Model for Short-Term Electrical Load Forecasting
PulseAugur coverage of Long-Short-Term Memory Network Based Hybrid Model for Short-Term Electrical Load Forecasting — every cluster mentioning Long-Short-Term Memory Network Based Hybrid Model for Short-Term Electrical Load Forecasting across labs, papers, and developer communities, ranked by signal.
-
量子机器学习模型在选定高能物理事件中的应用测试
一篇新研究论文探讨了量子机器学习模型在选定高能物理事件中的应用，特别使用了CMS开放数据。该研究将四种经典机器学习模型与四种混合量子模型进行了比较，评估了它们在二元分类任务上的性能。虽然人工神经网络在经典模型中表现最佳，但量子卷积网络也取得了强劲的成果，证明了在有限量子比特预算内混合量子方法的潜力。
-
新的CBOL-Tuner框架利用AI优化粒子加速器调优
研究人员开发了一个名为CBOL-Tuner的新框架，用于优化粒子加速器等复杂动力学系统。该方法通过整合条件变分自编码器进行表示、长短期记忆网络处理时序动力学以及分类器修剪的贝叶斯优化器，来高效探索高维潜在空间。该系统旨在估计时空束的最优参数，以应对复杂的调优程序。
-
LSTM-GNN框架以3000倍加速重构力学应力场
研究人员开发了一种结合长短期记忆（LSTM）网络和物理信息图神经网络（GNN）的新型框架，用于重构复杂的力学应力场。该方法能有效捕捉路径依赖的本构响应并空间解析应力场，克服了多尺度模拟中的计算瓶颈。与传统的有限元方法相比，该模型实现了三个数量级的显著加速，并展示了对更长加载序列的泛化能力。
-
LSTM网络利用元学习进行脉冲星噪声的少样本预测
研究人员开发了一种使用长短期记忆（LSTM）网络预测脉冲星计时残差的新颖方法。该方法通过模型无关元学习进行优化，使其能够以最少的数据快速适应新的频率域。在国际脉冲星计时阵列（IPTA）数据集上进行评估，该解决方案能够进行准确的预测，并且仅需10%的计时残差即可进行微调，使其适用于资源受限的环境。