Relative Position Biases for Transformer PINNs

F. Buzaev; Andrei Ermakov; Ivanova M.; F. Ratnikov; D. Derkach; I. Makarov

АБВ
АБВ
АБВ

Обычная версия сайта

Приоритетные направления

по году

Тематика

Новости

25 августа 2026 г.

Исследователи ВШЭ сравнили рекомендательные алгоритмы по правилам спортивного турнира

Исследователи Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ разработали подход, который помогает эффективнее подбирать рекомендательные алгоритмы. В нем разные методы попарно соревнуются, а по результатам всех поединков составляется общий рейтинг. Это помогает сократить число алгоритмов, которые нужно проверять при разработке новых сервисов, и сэкономить денежные и временные ресурсы.Исследование было представлено на 32-й конференции ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026).

20 августа 2026 г.

<a>Исследователи НИУ ВШЭ и Сбера научили нейросети лучше угадывать предпочтения пользователей

Институт искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ и Сбер представили новую архитектуру для рекомендательных систем: благодаря объединению двух классов моделей алгоритмы лучше угадывают интересы и потребности пользователей. Препринт работы опубликован на сайте arxiv.org и представлен на летнем фестивале «Урбан ML».

19 августа 2026 г.

Ученые ВШЭ разработали алгоритм, позволяющий производить более надежные процессоры для ЦОД

Ученые из МИЭМ ВШЭ и Самарского университета создали алгоритм LRF-3D для автоматического обхода неработающих узлов в трехмерных сетях на кристалле. Благодаря своей иерархической организации он превосходит аналоги по быстродействию и точности пути, повышая надежность процессоров для использования в ЦОД, суперкомпьютерах и ИИ-вычислениях. Исходные коды алгоритмов и тестов опубликованы в открытом доступе.

Нашли опечатку?
Выделите её, нажмите Ctrl+Enter и отправьте нам уведомление. Спасибо за участие!

Публикации

?

Relative Position Biases for Transformer PINNs

Бузаев Ф. А., Andrei Ermakov, Ivanova M., Ратников Ф. Д., Деркач Д. А., Макаров И. А.

Язык: английский

Ключевые слова: Physics Informed Neural Networks

В книге

AI & PDE: ICLR 2026 Workshop on AI and Partial Differential Equations

[б.и.], 2026.

Flow-Matching Sampling in Physics-Informed Neural Networks for PDEs with Sharp Source Terms

Хассан Я. Н., Ефременко Д. С., Бузаев Ф. А. и др., , in: AI & PDE: ICLR 2026 Workshop on AI and Partial Differential Equations.: [б.и.], 2026.

Добавлено: 24 июня 2026 г.

Physics-Constrained Neural Networks for Improved Short-Term Weather Forecasting: A Case Study over the South Pacific

Бугаев Е. П., Бузаев Ф. А., Ефременко Д. С. и др., , in: AI & PDE: ICLR 2026 Workshop on AI and Partial Differential Equations.: [б.и.], 2026.

Добавлено: 24 июня 2026 г.

Solution of the Multimode Nonlinear Schrödinger Equation Using Physics-Informed Neural Networks

Бузаев Ф. А., Чупров И. А., Ефременко Д. С. и др., Doklady Mathematics 2025

Добавлено: 28 апреля 2025 г.

Search for Optimal Architecture of Physics-Informed Neural Networks Using Differential Evolution Algorithm

F. A. Buzaev, D. S. Efremenko, I. A. Chuprov и др., Doklady Mathematics 2025 Vol. 110 P. S8–S14

The accuracy of solving partial differential equations using physics-informed neural networks (PINNs) significantly depends on their architecture and the choice of hyperparameters. However, manually searching for the optimal configuration can be difficult due to the high computational complexity. In this paper, we propose an approach for optimizing the PINN architecture using a differential evolution algorithm. ...

Добавлено: 28 апреля 2025 г.

Optimization of Physics-Informed Neural Networks for Solving the Nolinear Schrödinger Equation

Бузаев Ф. А., Чупров И. А., Ефременко Д. С., Doklady Mathematics 2023 Vol. 108 No. S2 P. S186–S195

Добавлено: 3 апреля 2024 г.

Оптимизация физико-информированных нейронных сетей для решения нелинейного уравнения Шредингера

Чупров И. А., Гао Ц., Ефременко Д. С. и др., Доклады Российской академии наук. Математика, информатика, процессы управления (ранее - Доклады Академии Наук. Математика) 2023 Т. 514 № 2 С. 28–38

Физико-информированные нейронные сети (Physics Informed Neural Networks – PINN) являются перспективным методом решения уравнений в частных производных с помощью машинного обучения. В работе рассмотрено применение PINN к нелинейному уравнению Шредингера для описания ...

Добавлено: 19 декабря 2023 г.

Hybrid acceleration techniques for the physics-informed neural networks: a comparative analysis

Бузаев Ф. А., Gao J., Ivan Chuprov и др., Machine Learning 2024 Vol. 113 No. 6 P. 3675 –3692

Добавлено: 19 декабря 2023 г.