ترجمه فارسی مقاله آیا ترانسفورماتورها می توانند هندسه شمارشی انجام دهند؟

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Can Transformers Do Enumerative Geometry?
عنوان مقاله به فارسی آیا ترانسفورماتورها می توانند هندسه شمارشی انجام دهند؟
نویسندگان Baran Hashemi, Roderic G. Corominas, Alessandro Giacchetto
فرمت مقاله انگلیسی PDF
تعداد صفحات 28
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Algebraic Geometry,یادگیری ماشین , هندسه جبری ,
توضیحات Submitted 27 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 27 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

How can Transformers model and learn enumerative geometry? What is a robust procedure for using Transformers in abductive knowledge discovery within a mathematician-machine collaboration? In this work, we introduce a new paradigm in computational enumerative geometry in analyzing the $ψ$-class intersection numbers on the moduli space of curves. By formulating the enumerative problem as a continuous optimization task, we develop a Transformer-based model for computing $ψ$-class intersection numbers based on the underlying quantum Airy structure. For a finite range of genera, our model is capable of regressing intersection numbers that span an extremely wide range of values, from $10^{-45}$ to $10^{45}$. To provide a proper inductive bias for capturing the recursive behavior of intersection numbers, we propose a new activation function, Dynamic Range Activator (DRA). Moreover, given the severe heteroscedasticity of $ψ$-class intersections and the required precision, we quantify the uncertainty of the predictions using Conformal Prediction with a dynamic sliding window that is aware of the number of marked points. Next, we go beyond merely computing intersection numbers and explore the enumerative "world-model" of the Transformers. Through a series of causal inference and correlational interpretability analyses, we demonstrate that Transformers are actually modeling Virasoro constraints in a purely data-driven manner. Additionally, we provide evidence for the comprehension of several values appearing in the large genus asymptotic of $ψ$-class intersection numbers through abductive hypothesis testing.

چکیده به فارسی (ترجمه ماشینی)

چگونه ترانسفورماتورها می توانند هندسه شمشیربازی را مدل و یاد بگیرند؟یک روش قوی برای استفاده از ترانسفورماتورها در کشف دانش آدم ربایی در یک همکاری ریاضیدان-ماشین چیست؟در این کار ، ما یک پارادایم جدید در هندسه شمارش محاسباتی در تجزیه و تحلیل اعداد تقاطع $ $ $ $ در فضای مدول منحنی ها معرفی می کنیم.با تدوین مشکل شمارش به عنوان یک کار بهینه سازی مداوم ، ما یک مدل مبتنی بر ترانسفورماتور را برای محاسبه اعداد تقاطع $ $ $ $ بر اساس ساختار هوای کوانتومی اساسی تهیه می کنیم.برای طیف محدودی از جنس ، مدل ما قادر به رگرسیون اعداد تقاطع است که دارای طیف بسیار گسترده ای از مقادیر است ، از 10 $^{-45} $ تا 10 $ {45} $.برای ارائه یک تعصب القایی مناسب برای گرفتن رفتار بازگشتی از اعداد تقاطع ، ما یک عملکرد فعال سازی جدید ، فعال کننده دامنه پویا (DRA) را پیشنهاد می کنیم.علاوه بر این ، با توجه به ناهمگونی شدید تقاطع های $ $ $ $ و دقت مورد نیاز ، ما عدم اطمینان از پیش بینی ها را با استفاده از پیش بینی کنفورماسی با یک پنجره کشویی پویا که از تعداد نقاط مشخص شده آگاه است ، تعیین می کنیم.در مرحله بعد ، ما فراتر از محاسبه شماره های تقاطع و بررسی "مدل جهانی" ترانسفورماتورها هستیم.از طریق یک سری از استنباط علیت و تجزیه و تحلیل تفسیر همبستگی ، ما نشان می دهیم که ترانسفورماتورها در واقع در حال مدل سازی محدودیت های ویراسورو به روشی صرفاً داده محور هستند.علاوه بر این ، ما شواهدی را برای درک چندین مقادیر موجود در جنس بزرگ بدون علامت شماره $ $ تقاطع کلاس $ $ از طریق آزمایش فرضیه آدم ربایی ارائه می دهیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.