plasticity
PulseAugur coverage of plasticity — every cluster mentioning plasticity across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的贝尔曼方程针对强化学习中的塑性问题
研究人员引入了一个新的贝尔曼最优方程，专门用于优化持续强化学习中的塑性。这项工作建立在先前的一个形式化基础上，该形式化将稳定性-塑性权衡重新定义为赋能-塑性权衡，其中塑性由从观测到动作的有向信息定义，赋能由从动作到观测的有向信息定义。虽然赋能问题已被广泛研究，但本文首次尝试在马尔可夫决策过程中，在这一新定义下解决塑性优化问题。
-
新AI框架使用神经算子和因果注意力模拟材料行为
研究人员开发了一种新颖的数据驱动框架来模拟材料的本构行为，特别是针对路径依赖的非弹性材料。该方法将变形材料视为从其应变历史到其应力响应的函数映射，在一次并行传递中预测应力轨迹。该框架利用因果掩码注意力机制来捕捉时间路径依赖性，并利用谱卷积进行离散化不变表示，从而能够准确预测塑性和损伤累积等复杂现象。
-
AI模型学习力学和热力学中的本构律
研究人员开发了新颖的物理信息神经网络框架，用于发现力学中的本构模型。一种方法通过将各向异性屈服函数表示为凸神经网络来识别它们，并使用力平衡损失进行训练，并通过基准研究进行验证。另一个框架通过学习内部能量和耗散势来解决完全耦合的热力学问题，使用输入凸神经网络，确保热力学可容性，并在合成数据和实验数据上展示了准确性。
-
新AI研究探讨模块化在持续学习中的作用
两篇新研究论文探讨了模块化在持续学习中的作用，该领域专注于使AI系统能够在不忘记先前知识的情况下学习新信息。其中一篇论文《当模块化在持续学习中有益时，维度控制》研究了表示维度和任务相似性如何与模块化架构相互作用。研究发现，模块化在低维环境中至关重要，能够带来更有条理和可解释的学习，而在高维的“懒惰”模式下，其影响甚微。第二篇论文《位置：模块化记忆是持续学习智能体的关键》认为，通过模块化记忆将权重内学习与上下文内学习相结合，对于创建能够…