استفاده از دادههای واقعی LIGO و شبکههای کانولوشنی برای تشخیص سیگنال از نویز. مقایسه با روش کلاسیک matched filtering و رسیدن به دقت بالاتر در SNR پایین.
CNN • Time Series • Gravitational Waves • LIGO Open Data
02
پیشبینی گذار فاز تو مدل ایزینگ با شبکه عصبی
شبکه عصبی فقط با دیدن کانفیگ اسپینها دمای بحرانی و پارامتر منظم رو پیدا میکنه. بدون اینکه بهش بگی فیزیک پشتش چیه!
Phase Transition • Unsupervised • Monte Carlo • Statistical Mechanics
03
تفاوت KNN و Quantum KNN تو کلاسبندی ذرات تو LHC
دادههای واقعی CMS، مقایسه KNN کلاسیک با نسخه کوانتومی روی کیوبیتهای شبیهسازیشده. سرعت و دقت تو فضای بالا بعدی.
Taken by: زینب.
Quantum ML • Pennylane • Particle Physics • High Energy
04
پیشبینی خواص مولکولی با گراف نیورال نتورک
دیتاست QM9، پیشبینی HOMO-LUMO gap و انرژی تشکیل. GNN از دسکریپتورهای کلاسیک میزنه بیرون.
GNN • Computational Chemistry • Quantum Chemistry
05
پیدا کردن سیارههای فراخورشیدی و عدسی گرانشی با آنومالی دیتکشن
دادههای TESS + Autoencoder و Isolation Forest برای پیدا کردن نورهای غیرعادی که ممکنه سیاره جدید یا microlensing باشه.
Taken by: Sadat
Anomaly Detection • Astrophysics • Time Series
06
کشف خودکار قانونهای بقا فقط از دیتا
به شبکه فقط مسیر ذرات رو میدی، خودش انرژی، تکانه و تکانه زاویهای رو کشف میکنه (SINDy + Neural Symbolic).
سلفسوپروایزد لرنینگ رو عکسهای JWST برای طبقهبندی کهکشان
پریترِین با SimCLR روی عکسهای بدون لیبل وب، بعد فاینتیون — بهتر از نظارتشده.
Self-Supervised • Astronomy • Vision Transformer
15
تفسیر دیاگرام فاینمن با اتِنشِن نیورال نت
آیا شبکه خودش قوانین حفظ بار و طعم رو از اتِنشِن یاد میگیره؟
Attention • Interpretability • Feynman Diagrams
16
پیشبینی زلزله چند ثانیه قبلش با ترانسفورمر
دادههای لرزهنگار IRIS + Transformer برای پیشبینی شدت و مکان قبل از رسیدن P-wave.
Taken by: رضا
Transformer • Seismology • Early Warning
17
یاد گرفتن نظریه میدان موثر از دادههای QCD
شبکه عصبی حد پیوسته lattice QCD رو یاد میگیره و ثابتهای کمانرژی (مثل f_π) رو استخراج میکنه.
Taken by: احمد
Effective Field Theory • Lattice QCD • Nuclear Physics
18
کاهش بُعد شبیهسازیهای عددی سیاهچالهها با Autoencoder
دادههای سنگین GRMHD شبیهسازی ادغام سیاهچالهها (مثل خروجیهای Einstein Toolkit یا Illinois GRMHD) رو میگیریم، با Variational Autoencoder میزنیم تو بطریگردن ۸-۱۶ بعدی، بعد دوباره بازسازی میکنیم. خطای بازسازی زیر ۱٪ و سرعت چند صد برابر برای پارامتر اسکن. حتی میشه لتنت اسپیس رو با فیزیک (مثل جرم، اسپین، نرخ ادغام) تفسیر کرد.