跨领域预训练减少宇宙学模拟需求
热点事件持续更新
跨领域预训练减少宇宙学模拟需求
1 篇报道1 个报道来源1 小时前更新
先了解这件事
AI 综述
Mikuni等人将基于十亿粒子喷注预训练的point-cloud transformer迁移到宇宙学物质聚集强度预测，仅用100个CAMELS-SAM模拟便达到R²约0.87；同一架构从零训练仅为0.40，显示该方法能显著减少所需模拟数据。 该模型先学习粒子对撞数据中的点云特征，再用于分析不同规模的暗物质晕及气体分布，最终预测宇宙结构形成暗物质聚集强度时的相关统计量。目前结果限于CAMELS-SAM基准，尚未显示已验证适用于其他宇宙学任务。
AI 根据报道生成 · 1 小时前更新
最新进展10月26日 17:31
粒子对撞预训练助力宇宙学 AI：100 个模拟达 R² 0.87报道时间线
沿着报道，了解事件的不同侧面。
10月26日
- AGI Hunt粒子对撞预训练助力宇宙学 AI：100 个模拟达 R² 0.87
Mikuni 等人将十亿粒子喷注上预训练的 point-cloud transformer 迁移至宇宙学任务，仅用 100 个宇宙学模拟预测物质聚集强度便达 R²≈0.87。在 CAMELS-SAM 基准中，同一架构从零训练仅得 0.40，表明跨领域预训练可显著降低宇宙学 AI 的数据需求。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。