Dieser Text bietet einen Überblick über Deep-Learning-Methoden für Anwendungen in der künstlichen Intelligenz und zukünftige Entwicklungen. Dabei werden verschiedene Arbeiten von Wissenschaftlern wie Bengio, Lecun und Hinton sowie Krestinskaya, James und Chua zu Neuromemristiven Schaltkreisen für Edge-Computing oder Ielmini und ...
Künstliche neuronale Netzwerke, die von biologischen Gehirnen inspiriert sind, stehen im Mittelpunkt der modernen künstlichen Intelligenz, hinter Chatbots und Bildgeneratoren. Diese Netzwerke können aufgrund ihrer vielen Neuronen als Black Boxes erscheinen, deren innere Funktionsweise für Benutzer uninterpretierbar ist. Forscher haben ...
Die Veröffentlichungen von Xue et al. in Nature (2024), McMahon in Nature Rev. Phys. (2023), Ross et al. in Nature Nanotechnol. (2023), Ambrogio et al. in Nature (2023), Lee, Mulder & Hopkins in Science Robotics (2022), Marković, Mizrahi, Querlioz & ...
Der neuronale Netzwerkdichteoperator (NDO) basierend auf einer gereinigten RBM wird definiert, indem zusätzliche Hilfsknoten a analytisch aus einem erweiterten System, das durch eine parametrisierte Wellenfunktion ψ(σ, a) beschrieben wird, herausverfolgt werden. Die reduzierte Dichtematrix für die physikalischen Spin-Konfigurationen σ und ...
In dem vorliegenden Forschungsbereich werden verschiedene datengetriebene Ansätze zur Vorhersage mechanischer Eigenschaften von Baustoffen und Bauprojekten untersucht. Eine Studie von Hayat, Hussain und Afridi (2019) beschäftigt sich mit der Bestimmung von Temperaturvariationen in frischem Heißasphalt (HMA) und den entsprechenden Verdichtungstemperaturen. ...