-
最近の投稿
- Learning to Recover: Dynamic Reward Shaping with Wheel-Leg Coordination for Fallen Robots
- An Integrated Visual Servoing Framework for Precise Robotic Pruning Operations in Modern Commercial Orchard
- Adaptive Locomotion on Mud through Proprioceptive Sensing of Substrate Properties
- TD-TOG Dataset: Benchmarking Zero-Shot and One-Shot Task-Oriented Grasping for Object Generalization
- Hierarchical Intention-Aware Expressive Motion Generation for Humanoid Robots
-
最近のコメント
表示できるコメントはありません。 cs.AI (39326) cs.CL (29768) cs.CV (44705) cs.HC (2997) cs.LG (44251) cs.RO (23494) cs.SY (3583) eess.IV (5135) eess.SY (3575) stat.ML (5752)
「physics.comp-ph」カテゴリーアーカイブ
Crystalformer: Infinitely Connected Attention for Periodic Structure Encoding
要約 結晶構造から材料の物理的特性を予測することは、材料科学の基本的な問題です。 … 続きを読む
カテゴリー: cond-mat.mtrl-sci, cs.LG, physics.comp-ph
Crystalformer: Infinitely Connected Attention for Periodic Structure Encoding はコメントを受け付けていません
Generalizing Denoising to Non-Equilibrium Structures Improves Equivariant Force Fields
要約 3D 原子系における力などの原子の相互作用を理解することは、分子動力学や触 … 続きを読む
カテゴリー: cs.AI, cs.LG, physics.comp-ph
Generalizing Denoising to Non-Equilibrium Structures Improves Equivariant Force Fields はコメントを受け付けていません
Zero Coordinate Shift: Whetted Automatic Differentiation for Physics-informed Operator Learning
要約 自動微分 (AD) は、物理学に基づいた機械学習における重要なステップであ … 続きを読む
カテゴリー: cs.AI, cs.LG, cs.NA, math.NA, physics.comp-ph
Zero Coordinate Shift: Whetted Automatic Differentiation for Physics-informed Operator Learning はコメントを受け付けていません
A Physics-driven GraphSAGE Method for Physical Process Simulations Described by Partial Differential Equations
要約 物理情報に基づいたニューラル ネットワーク (PINN) は、偏微分方程式 … 続きを読む
カテゴリー: cs.LG, G.1.8, physics.comp-ph
A Physics-driven GraphSAGE Method for Physical Process Simulations Described by Partial Differential Equations はコメントを受け付けていません
PhAST: Physics-Aware, Scalable, and Task-specific GNNs for Accelerated Catalyst Design
要約 気候危機を緩和するには、低炭素エネルギーへの急速な移行が必要です。 触媒材 … 続きを読む
カテゴリー: cs.LG, physics.comp-ph
PhAST: Physics-Aware, Scalable, and Task-specific GNNs for Accelerated Catalyst Design はコメントを受け付けていません
SE(3) Equivariant Augmented Coupling Flows
要約 正規化フローを結合すると、高速サンプリングと密度評価が可能になり、物理シス … 続きを読む
カテゴリー: cs.LG, physics.comp-ph
SE(3) Equivariant Augmented Coupling Flows はコメントを受け付けていません
Quantum Many-Body Physics Calculations with Large Language Models
要約 大規模言語モデル (LLM) は、数学的および科学的推論を含む、複数のドメ … 続きを読む
カテゴリー: cond-mat.other, cs.AI, physics.comp-ph
Quantum Many-Body Physics Calculations with Large Language Models はコメントを受け付けていません
Active Deep Kernel Learning of Molecular Functionalities: Realizing Dynamic Structural Embeddings
要約 分子空間を探索することは、化学的性質や反応の理解を進め、材料科学、医療、エ … 続きを読む
カテゴリー: cs.LG, physics.chem-ph, physics.comp-ph, physics.data-an
Active Deep Kernel Learning of Molecular Functionalities: Realizing Dynamic Structural Embeddings はコメントを受け付けていません
Symplectic ODE-Net: Learning Hamiltonian Dynamics with Control
要約 本論文では、観測された状態軌跡から常微分方程式（ODE）で与えられる物理シ … 続きを読む
カテゴリー: cs.LG, cs.SY, eess.SY, physics.comp-ph, stat.ML
Symplectic ODE-Net: Learning Hamiltonian Dynamics with Control はコメントを受け付けていません
TorchMD-Net 2.0: Fast Neural Network Potentials for Molecular Simulations
要約 分子シミュレーションにおける計算速度、予測精度、普遍的な適用性の間のバラン … 続きを読む
カテゴリー: cs.LG, physics.bio-ph, physics.chem-ph, physics.comp-ph
TorchMD-Net 2.0: Fast Neural Network Potentials for Molecular Simulations はコメントを受け付けていません