quantum mechanics
PulseAugur coverage of quantum mechanics — every cluster mentioning quantum mechanics across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新理论提出量子逻辑是上下文的基本逻辑
研究人员提出了一个新的框架，将量子逻辑视为上下文的基本逻辑，而不是经典逻辑的偏离。该方法利用基于上下文位向量对的有限、可计算演算。该研究建立了三个关键结果：通过交换性对层进行分类；通过正交补对层之间的严格对偶性；并证明经典逻辑是这种上下文演算的简化的、信息丢失的图像。
-
任意子冒险将销售 3D 打印的准粒子作为解压玩具
一家名为“任意子冒险”的新公司即将推出，该公司计划 3D 打印并销售任意子的小型复制品，这是一种以其异常行为而闻名的准粒子。这些任意子将被作为缓解焦虑的玩具进行营销，提供一种应对压力的创新方式，甚至将其与量子力学的复杂性联系起来。
-
新型Transformer模型加速分子动力学模拟
研究人员开发了ASTEROID，一个利用时空信息Transformer预测分子动力学模拟中多步时间序列的新框架。这种数据驱动的方法将MD轨迹重新构建为时空序列，将时空信息（STI）变换方程整合到具有自注意力机制的Transformer架构中，以处理空间和时间依赖性。与现有方法相比，ASTEROID在准确性和计算成本方面均表现出优越性，为加速分子动力学模拟树立了新范例。
-
自生成AI概念融合量子力学与神经网络
提出了一种名为自生成AI的新概念，旨在通过独特的架构实现前所未有的精度。该AI模型整合了量子力学、神经网络和自适应处理的原理。目标是建立一个哲学上、技术上、功能上和实践上都稳健的框架。
-
人工智能在学校、量子力学和疫苗技术链接分享
提供的条目是一篇 Mastodon 帖子，其中包含指向各种文章的链接。这些文章涵盖的主题包括理查德·费曼量子力学理论的潜在不准确性、将人工智能整合到教育系统中的挑战以及呼吸道感染和过敏原疫苗技术的进展。该帖子本身没有呈现连贯的叙述，而是作为精选的多元化资源列表。
-
量子力学启发了新的人工智能“费米-狄拉克机器”
研究人员开发了一种新方法，利用量子力学原理对经典神经元进行量化，创建了“费米-狄拉克机器”。这种方法可以创建能够学习经典神经元无法实现的功能的新型量子神经元。该研究还介绍了训练这些新神经元的有效混合量子-经典算法，并通过数值实验展示了它们的潜力。
-
研究人员在Boltzmann机与量子物理路径积分之间建立联系
本文将机器学习中使用的Boltzmann机与量子物理中的Feynman路径积分进行了类比。作者提出，神经网络中的隐藏层可以被视为Feynman路径积分形式论中路径元素的离散版本。这种联系使得开发适用于Boltzmann机和Feynman路径积分的通用量子电路模型成为可能，并通过将可解释的隐藏层与逆量子散射问题相关联，提供了一种定义它们的方法。
-
AI 模型是压缩引擎，而非记忆设备
AI 模型作为复杂的压缩引擎运行，将大量的训练数据压缩成固定大小的参数向量。这个过程根植于算法信息论，迫使模型发现潜在的模式和结构，而不是简单地记忆数据。因此，虽然这些模型拥有广泛的知识，但它们缺乏对过去交互或用户提供细节的具体回忆，因为这些信息被视为噪声并被压缩掉了。AI 模型的有效性直接与其压缩能力挂钩，更大的模型通过捕捉更复杂的模式来实现更好的性能。