محققان در یک پژوهش جدید، رویکردی نوآورانه مبتنی بر «Normalizing Flows» را برای بازسازی توابع توزیع پارتون معرفی کردهاند. این روش با ترکیب فرآیندهای گاوسی و شبکههای عصبی معکوس، به مدل اجازه میدهد تا با استفاده از دادههای محدود، توزیعهای دقیق و سازگار با قوانین فیزیکی را یاد بگیرد. این دستاورد گامی مهم در ترکیب مدلهای یادگیری عمیق با محاسبات علمی پیچیده برای پیشبینیهای دقیقتر در فیزیک انرژیهای بالا است. 🚀
منبع: arXiv Machine Learning