BriefGPT - AI 论文速递 ·

适应性信息化深度神经网络用于潮流分析

💡 原文中文，约300字，阅读约需1分钟。

📝

内容提要

本研究提出了PINN4PF，一种深度学习架构，旨在捕捉大型电力系统的非线性动态。通过创新的神经网络架构和自适应激活函数，显著提升了潮流分析能力，优于传统模型。

🏷️

DeepSeek-V4 模型结构（4）：深度维度，mHC
该文详解DeepSeek-V4的mHC残差结构：将单条残差流拓宽为4条，通过读、写、混三算子连接子层。为保稳定，混合矩阵被约束为双随机矩阵（非负、行和列和...
Kimi K3 模型结构（4）：深度维度，Attention Residuals
本文解析Kimi K3模型中的Attention Residuals（注意力残差）结构。该机制将残差连接视为深度方向上的RNN，通过可学习伪query对e...
Python 潮流周刊#166：拆解 Kimi K3 的登顶之路
《Python潮流周刊》第166期发布，主题为“拆解Kimi K3的登顶之路”。本期精选12篇文章和12个开源项目，涵盖Django调查、依赖管理、Ope...
DeepSeek-V4 模型结构（6）：优化器与稳定性，Muon
DeepSeek-V4采用Muon优化器，通过谱范数最速下降实现逐矩阵正交化，用Newton-Schulz迭代逼近SVD，混合系数提升小奇异值并精确稳定大...
Kimi K3 模型结构（8）：训练并行，一步训练里谁在等谁
本文介绍Kimi K3模型预训练的并行系统设计，聚焦MoE层expert并行。核心是MoonEP方案：每个rank预留E/R个冗余expert槽位，确保任...
DeepSeek-V4 模型结构（5）：宽度维度，DeepSeekMoE 的四个改动
本文介绍DeepSeek-V4模型结构中MoE层的四处改动：路由打分从sigmoid改为sqrt(softplus)以消除饱和；前三层用固定hash ro...