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

15 октября 2026 г.

Ученые НИУ ВШЭ выяснили, куда смотрят дети и взрослые при чтении

Исследователи Центра языка и мозга НИУ ВШЭ совместно с зарубежными коллегами показали, что в конце первого класса у детей уже сформирован один из важных навыков движений глаз при чтении. Они, как и взрослые, быстро адаптируют длину саккад — быстрых скачков взгляда — к длине слов в предложениях. При этом место, куда приземляется взгляд, у детей смещено к началу слова, в отличие от взрослых, которые смотрят в середину слова. Чем выше беглость чтения, тем ближе эта позиция к центру. Результаты исследования опубликованы в Journal of Experimental Child Psychology.

13 октября 2026 г.

Российские ученые поставили под сомнение установление рекорда в замерах свойств сверхпроводников

Топологические изоляторы проводят ток только по поверхности и поэтому рассматриваются как перспективные материалы для будущей электроники и квантовых технологий. Особый интерес представляет их контакт со сверхпроводниками. Физики из НИУ ВШЭ показали, что недавний эксперимент, в котором в такой гибридной структуре якобы наблюдалось объединение электронных пар на рекордном расстоянии 1,5 мкм, допускает более прозаичное объяснение. По их мнению, тот же сигнал может быть обусловлен обычным прохождением электронов через сверхпроводник. Дискуссия исследователей развернулась на страницах Nature Physics.

12 октября 2026 г.

Устойчивое управление и стоимость бизнеса: экономисты ВШЭ выяснили, как они связаны на российском рынке

На российском рынке устойчивое развитие повышает стоимость бизнеса прежде всего тогда, когда становится частью корпоративной стратегии. К такому выводу пришли исследователи НИУ ВШЭ и их зарубежные коллеги, проанализировав практики управления 152 публичных российских компаний. Статья опубликована в журнале Business Strategy and the Environment.

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.