محققان در مطالعه جدیدی با استفاده از «شبکههای عصبی گراف» (GNN) و مدلهای ترنسفورمر، توانستند محاسبات پیچیده فیزیک ذرات در نظریه «سوپر-یانگ-میلز» را متحول کنند.
این مدلها با تحلیل بیش از ۲۰ میلیون گراف، نه تنها دقت بسیار بالایی (نزدیک به ۹۹.۹۹٪) را ثبت کردهاند، بلکه توانستند حجم محاسبات را تا ۸۵ درصد کاهش دهند که یک جهش بزرگ در سرعتبخشی به الگوریتمهای پیچیده «گرافیکال بوتاسترپ» محسوب میشود.
این تحقیق دوباره ثابت میکند که ترکیب قدرت یادگیری عمیق با علوم پایه، چقدر میتواند راهگشای بنبستهای محاسباتی باشد! 🚀
منبع: arXiv Machine Learning