BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 ·

周期动力神经算子：基于数据驱动的非局部本构模型与复杂材料响应

💡 原文中文，约200字，阅读约需1分钟。
📝

内容提要

本文介绍了复神经算子（CoNO）的应用，通过参数化积分核和复值神经网络提高模型的表示能力、噪音鲁棒性和泛化能力。实证评估结果显示CoNO在多个数据集和任务中表现优秀，为连续动态系统的建模提供了鲁棒且优越的模型。

🏷️

标签

参数化积分核 噪音鲁棒性 复值神经网络 复神经算子 模型表示能力
➡️

继续阅读

  1. 让 Apple Watch 记录的每一趟游泳数据更有意义：即刻游
    即刻游是一款配合Apple Watch使用的游泳训练应用，核心功能包括详细记录游泳数据（如SWOLF、分段数据、心率区间）、自定义训练计划、AI分析提供专...
  2. 一分钟读论文：《数据喂饱了，算法还饿着》
    清华大学团队研究发现，在线蒸馏中仅用一条训练query即可覆盖全量数据71.5%的学生状态，恢复大部分收益。瓶颈不在数据供给，而在算法吸收效率。多教师设定...
  3. 数据并行与 ZeRO：三级分片各省多少
    本文介绍数据并行与ZeRO优化技术。ZeRO通过三级分片（优化器状态、梯度、权重）减少显存占用，前两级不增通信量，第三级需额外all-gather。ZeR...
  4. Kimi K3 模型结构（10）：RL 与服务，状态住在哪里
    本文介绍Kimi K3模型在1M上下文强化学习与线上服务中的系统设计，核心是状态管理。KV块和KDA状态通过write-back策略在GPU与DRAM池间...
  5. Kimi K3 模型结构（9）：显存，把 2.8T 塞进 GPU
    本文详解Kimi K3模型训练中的显存优化策略，通过账本形式分析权重、激活等内存占用，并介绍六项关键技术：均衡PP rank激活、统一激活管理器、MoE反...
  6. DeepSeek-V4 模型结构（7）：结构决定系统
    DeepSeek-V4模型采用混合压缩注意力（mHC），将KV缓存分为状态缓存和分页缓存，分别管理滑窗KV与压缩条目。上下文并行通过点对点通信和all-g...
👤 个人中心
在公众号发送验证码完成验证