plasticity
PulseAugur coverage of plasticity — every cluster mentioning plasticity across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的遗传编程方法实现作业车间调度的终身学习
研究人员开发了一种新颖的代理辅助遗传编程方法,以实现动态柔性作业车间调度(DFJSS)的终身学习。该方法旨在克服传统遗传编程的局限性,传统遗传编程在适应新任务或变化的作业特征时,常常会发生灾难性遗忘。所提出的框架平衡了可塑性和稳定性,根据任务相似性调节知识重用,并使用改进的具有距离约束的代理模型以获得更好的准确性。实验表明,该方法在保持适应性的同时有效减少了知识损失,在动态调度场景中优于现有技术。
-
新研究揭示梯度流可能误判神经网络在有限批量 SGD 下的适应性
一篇新论文探讨了群体梯度流(一种分析神经网络适应性的常用方法)如何可能不准确地预测有限批量随机梯度下降 (SGD) 的行为。该研究确定了一种特定的机制,在该机制下,尤其是在一个双单元 ReLU 回归任务中,会出现这种差异。研究表明,虽然梯度流在一定预训练期后可以在目标任务上恢复,但在与批量大小、步长和预训练持续时间相关的特定条件下,具有有限批量的在线 SGD 有很高概率会失败。这种失败与某些输入上 ReLU 门控的分歧有关,而这些分歧…
-
新型聚类注意力神经算子求解参数化PDE
研究人员推出了一种新颖的求解参数化偏微分方程(PDE)的方法——聚类注意力神经算子(CANO)。与现有方法可能面临二次复杂度或通过压缩造成信息丢失不同,CANO利用交叉注意力机制,动态地对查询进行聚类,同时保持全分辨率的键和值。该方法旨在在流体和固体动力学、不规则几何形状以及长期时间预测等各种基准测试中取得最先进的性能,与先前模型相比,展现出更低的误差和强大的适应性。
-
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…