?
Dataset of artefacts for machine learning applications in astronomy
New Astronomy. 2026. Vol. 122. Article 102466.
Sreejith S., Pruzhinskaya M., Volnova A., Krushinsky V., Malanchev K., Ishida E. O., Lavrukhina A., Semenikhin T., Gangler E., Matwey V. Kornilov, Korolev V.
Aleksei Samarin, Назаренко А. А., Kotenko E. и др., Machine Learning and Knowledge Extraction 2026 Vol. 8 No. 11 Article 389
Добавлено: 19 ноября 2026 г.
А. Ф. Аминов, Вдовин Е. Е., А. А. Соколик и др., Письма в Журнал экспериментальной и теоретической физики 2026 Т. 124 № 11 С. 944–949
Мы представляем результаты экспериментальных и теоретических исследований туннельного магнитотранспорта носителей между двумя листами биграфена, слабо разориентированных (θ ≈ 0.7◦) относительно друг друга. Благодаря возможности реализации разных режимов туннелирования: как между зонами проводимости, так и между валентной зоной и зоной проводимости, в рамках одного эксперимента были обнаружены экспериментально как осцилляции Шубникова–де Гааза в каждом из слоев ...
Добавлено: 19 ноября 2026 г.
Gangler E., Ishida E., Корнилов М. В. и др., , in: Machine Learning for Astrophysics 2024.: Springer, 2026. P. 97–104.
Добавлено: 19 ноября 2026 г.
Semenikhin T. A., Корнилов М. В., Pruzhinskaya M. V. и др., , in: 26th International Conference, DAMDID/RCDL 2024, Nizhny Novgorod, Russia, October 23–25, 2024, Revised Selected Papers. Data Analytics and Management in Data Intensive Domains. (CCIS, volume 2641).: Springer, 2026. P. 211– 219.
Добавлено: 19 ноября 2026 г.
Semenikhin T. A., Корнилов М. В., Pruzhinskaya M. V., Moscow University Physics Bulletin 2025 Vol. 80 No. S1 P. S204–S207
Добавлено: 19 ноября 2026 г.
Pruzhinskaya M. V., Корнилов М. В., Dodin A. V. и др., Astronomy and Astrophysics 2026 Vol. 715 P. 1–18
Добавлено: 19 ноября 2026 г.
Semenikhin T. A., Kornilov M.V., Pruzhinskaya M. V. и др., Astronomy and Computing 2026 Vol. 56 Article 101126
Добавлено: 19 ноября 2026 г.
Смирнов О. М., Писарев В. В., Коллоидный журнал 2026 Т. 88 № 6 С. 850–873
Силовое поле фиксированного заряда Madrid-2019 применяет подход масштабированных зарядов для описания солевых растворов. В работе оценена его пригодность в сочетании с потенциалом TraPPE-UA для моделирования межфазных свойств в системах алкана—водный раствор галогенида (NaCl, KCl, MgCl₂, CaCl₂, KBr, MgBr₂ и KI) для растворов низкой и высокой моляльности при постоянной температуре 293 K. Также рассмотрен двухсолевый раствор NaCl–CaCl₂ при ...
Добавлено: 18 ноября 2026 г.
Burov A., Котыхов А. С., Aksyonov D. и др., Computer Physics Communications 2027 Vol. 330 Article 110458
Явный учет магнитных степеней свободы в межатомных потенциалах, построенных с помощью методов машинного обучения (магнитных MLIP), играет ключевую роль в корректном описании магнитных материалов и их свойств. Важным компонентом для обучения таких потенциалов являются спин-поляризованные расчеты в рамках теории функционала плотности (DFT), проводимые для состояний с неравновесными магнитными моментами — то есть расчеты DFT с ...
Добавлено: 17 ноября 2026 г.
Кертес-Фаркаш А., Боревский А. О., Plos One 2026 Vol. 21 No. 11 P. 1–20
Background
Domain shifts or batch effects can significantly degrade the performance of machine learning-based classifiers in software production without any warning. This can particularly be problematic in medical applications which involve human lives. The shift changes the shape of the prediction score distribution of the test samples compared to that of the training samples; hence, decision ...
Добавлено: 17 ноября 2026 г.
Solovyev V., Солнышкина М. И., Ten A. и др., Journal of Language and Education 2024 Vol. 10 No. 4 P. 98–111
Добавлено: 19 октября 2026 г.
Konstantinov A., Elizarova Anastasiya P., Utkin L., Computing, Telecommunications and Control 2026 Vol. 19 No. 1 P. 16–25
Деревья решений и их ансамблевые расширения, такие как случайные леса, широко используются в качестве моделей классификации благодаря своей простоте и интерпретируемости. Однако во многих реальных задачах, где метки классов перекрываются в пространстве признаков, стандартные деревья решений полагаются на жесткие разбиения, которые создают слабые границы принятия решений. В этих областях небольшие возмущения входных значений могут привести ...
Добавлено: 2 октября 2026 г.
International Joint Conferences on Artificial Intelligence, 2026.
Добавлено: 1 октября 2026 г.
Лазарев И. Д., Narozniak M., Byrnes T. и др., Physical Review A: Atomic, Molecular, and Optical physics 2025 Vol. 111 No. 012416 Article 012416
Добавлено: 14 сентября 2026 г.
Трубочкина Н. К., М.: Юрайт, 2026.
Учебник посвящен формированию у студентов целостного представления о современных производственных процессах и методах их анализа и управления на основе технологий машинного обучения. В условиях четвертой промышленной революции, когда традиционные инженерные дисциплины неразрывно переплетаются с интеллектуальными методами обработки данных, возникает потребность в специалистах, способных интегрировать знания из обеих областей. Настоящий учебник призван удовлетворить эту потребность, предлагая ...
Добавлено: 8 августа 2026 г.
Ekaterina S. Podolskaia, Sinitsina A., European Journal of Forest Engineering 2026 Vol. 12 No. 1 P. 7–22
Добавлено: 24 июня 2026 г.
Добавлено: 3 мая 2026 г.
Добавлено: 24 апреля 2026 г.
В данном исследовании представлен исчерпывающий набор экспериментальных данных, направленных на выявление механизмов и закономерностей, определяющих деформационное поведение композитов, армированных непрерывными углеродными волокнами (УВ) на основе термопластичных полимеров. В работе описаны методы извлечения данных, которые впоследствии могут быть использованы для оптимизации механических свойств таких структур с помощью моделей нейронных сетей. В данной статье рассматривается термопластичный полимер ...
Добавлено: 23 апреля 2026 г.
Cham: Springer, 2026.
This book delivers actionable insights through 21 peer-reviewed chapters featuring new methods, models, and applications based on computational intelligence. Discover cutting-edge tools to support smart, efficient decision-making in complex, real-world scenarios. Organized into three parts—prescriptive analytics, soft computing models, and practical case studies—it spans domains such as healthcare, energy, mobility, finance, and public services. Readers ...
Добавлено: 17 марта 2026 г.
Ilin E., Frolov N., Seferyan M. и др., Bioorganic Chemistry 2025 Vol. 167 Article 109175
The ongoing rise of resistant bacterial pathogens poses a significant threat to current antibacterials' effectiveness putting millions of people's lives at risk. However, modern machine learning (ML) tools promise to tip the scales in the never-ending development of antimicrobial agents' pipelines. Herein we present a novel approach for quaternary ammonium compounds (QACs) antibacterial activity prediction ...
Добавлено: 16 марта 2026 г.
Kiselev G., Прохоров А. В., Journal of Mathematical Sciences. Vol. 295, No. 2, December, 2025. Mathematical Modeling and AI for Traffic Flows on Networks and Related Topics 2025 No. 295 P. 185–196
Добавлено: 12 марта 2026 г.