» Håll dig ajour kring AI · En AI-skapad och ständigt föränderlig nyhetstidning om AI. Idag har vår robot sammanfattat 236 nyhetshändelser. Upptäck gärna vår kurs AI på jobbet förresten. «
Physical Review Letters (PRL) är en internationell vetenskaplig tidskrift som publicerar korta artiklar om betydande forskning inom fysik. Tidskriften grundades 1958 och utges av American Physical Society (APS). PRL täcker alla områden av fysik, inklusive kondenserad materia, partikelfysik, atomfysik, optik, biologisk fysik och astrofysik. Artiklarna i PRL är korta och fokuserar på viktiga nya forskningsresultat och genombrott. Tidskriften är mycket respekterad inom fysiksamhället och anses vara en av de mest prestigefyllda fysiktidskrifterna.
Senaste nytt kring Physical Review Letters
Maskininlärning kan hjälpa till att avslöja oupptäckta partiklar i data från Large Hadron Collider
Forskare vid USA:s energidepartements Argonne National Laboratory och deras kollegor har som en del av ATLAS-samarbetet använt en maskininlärningsmetod kallad anomalidetektering för att analysera stora mängder ATLAS-data. Metoden har aldrig tidigare använts på data från en kolliderande experiment. Detta har potential att förbättra effektiviteten i sökandet efter något nytt. Forskarna representerade varje partikelinteraktion i datan som en bild som liknar en QR-kod. Därefter tränade de sitt neurala nätverk genom att exponera det för 1% av bilderna. Nätverket består av cirka 2 miljoner sammanlänkade noder, vilka är analogt med neuroner i hjärnan. Efter träningen matade forskarna de andra 99% av bilderna genom det neurala nätverket för att upptäcka eventuella anomalier. Nätverket analyserade cirka 160 miljoner händelser inom LHC Run-2-data som samlats in från 2015 till 2018. Även om det neurala nätverket inte hittade några uppenbara tecken på ny fysik i denna datamängd, upptäckte det en anomali som forskarna anser är värd vidare studier.
har gått vår kurs "AI på jobbet".
Lösningarna för sfäriska negativa perceptronmodellen är stjärnformade, finner forskare
Nyligen genomförda numeriska studier som undersöker neurala nätverk har funnit att lösningar som oftast hittas av moderna maskininlärningsalgoritmer ligger i komplexa utsträckta regioner av förlustlandskapet. Forskare vid Bocconi University, Politecnico di Torino och Bocconi Institute for Data Science and Analytics har nyligen genomfört en studie för att utforska dessa regioner med hjälp av en av de enklaste icke-konvexa neurala nätverksmodellerna, känd som den negativa sfäriska perceptron. Deras studie, publicerad i Physical Review Letters, fann att lösningarna för denna neurala nätverksmodell är ordnade i en stjärnformad geometri.
