TensorKit.jl: A Julia package for large-scale tensor computations, with a hint of category theory
TensorKit.jl is a Julia-based software package for tensor computations, especially focusing on tensors with internal symmetries. This paper introduces the design philosophy, core functionalities, and distinctive features, including how to handle abelian, non-abelian, and anyonic symmetries through the ``TensorMap'' type. We highlight the software's flexibility, performance, and its capability to e
第一原理計算の定義
この記事では第一原理計算の定義について, 一問一答形式で答えていきます. 大まかにどんなもの？ 量子力学的な計算手法の分類です. 主に, Schrödinger方程式を近似的に解いて, 分子や結晶などのクーロン多体系の電子状態を計算する方法であるHartree-Fock法や密度汎関数法（DFT）などのことを指します. 具体的な手法・パッケージのリストは下記の記事を参照してください. 公式な定義 第一原理計算の公式な定義はIUPACのGoldbookに載っています. ab initio calculationsという項目があり, 現在はab initio quantum mechanical methodsに置き換えられています. 重要な部分だけ抜き出すと, 基本物理定数以外の実験値を用いない量子力学的な計算手法のこと（Methods of quantum mechanical calcul
交差検証さえしていれば事足りると思って、多重共線性をスルーしてはいけない - 渋谷駅前で働くデータサイエンティストのブログ
某所でボソッと呟いたら結構反応があったので、折角なので小ネタながら記事として書いてみようと思います。 「多重共線性を放置したまま交差検証して汎化性能が確保できたつもりになる」ことの危険性、ブログにまとめたら需要あるんだろうか https://t.co/DkauusM1Ip— TJO (@TJO_datasci) 2025年5月14日 ビジネス実務における回帰分析全般、特にMMMや経営陣向け需要予測モデルなどでありがちなパターンを想定しています。ちなみにこれに類する事例は僕が直接聞いている範囲でも複数実在しており、決して珍しい話ではない旨予めお断りしておきます。 多重共線性を伴うモデルであっても、汎化性能は問題ないことが多い 回帰モデルの評価においては、交差検証を用いて汎化性能を比較することが多い ビジネスの現場においては様々な事情で多重共線性が放置されやすい 結果として、多重共線性を放置し
ケルビン・ヘルムホルツ不安定性 - Wikipedia
この記事は検証可能な参考文献や出典が全く示されていないか、不十分です。 出典を追加して記事の信頼性向上にご協力ください。（このテンプレートの使い方） 出典検索?: "ケルビン・ヘルムホルツ不安定性" – ニュース · 書籍 · スカラー · CiNii · J-STAGE · NDL · dlib.jp · ジャパンサーチ · TWL (2012年1月) KH不安定のシミュレーション ケルビン・ヘルムホルツ不安定性（ケルビン・ヘルムホルツふあんていせい、英: Kelvin–Helmholtz instability）とは、流体力学上の概念で、層を成しており各層ごとに密度の異なる流体が、お互いに異なる速度で水平運動するときに発生する、流体の不安定である。KH不安定、KHI とも呼ぶ。「ケルビン」は「ケルヴィン」とも表記する[1]。 ケルビン・ヘルムホルツの名は、流体力学の発展に貢献したケルビ
Overleaf で日本語を使えるようにする
結論 左上メニューからコンパイラをLaTeXに設定する プロジェクトのルートディレクトリにlatexmkrcファイル（拡張子不要）を作成し、下記を記述する $latex = 'platex'; $bibtex = 'pbibtex'; $dvipdf = 'dvipdfmx %O -o %D %S'; $makeindex = 'mendex %O -o %D %S'; はじめに 私が所属している研究室では、論文執筆に Overleaf を利用しています。Overleaf はインストール不要で LaTeX が使えるオンラインエディタです。しかし！デフォルトの設定では日本語入力ができません😅 本記事では、Overleaf で日本語入力ができるようになるまでの手順をまとめました。 日本語入力に必要な設定 プロジェクト開始時の状態では日本語を入力してもコンパルできません。 以下の4つ（主に最初
はじめに · An Introduction to Elm
Elm について (はじめに) Elm は JavaScript にコンパイルできる関数型プログラミング言語です。 ウェブサイトやウェブアプリケーションを作るのに役立ちます。Elm はシンプルであること、簡単に使えること、高品質であることを大切にしています。 このガイドは以下のことを目指します。 Elm によるプログラミングの基礎を身に着けてもらうこと The Elm Architecture を使ってインタラクティブなアプリケーションを作る方法をお見せすること あらゆる言語で使える法則やパターンを重視すること 最終的にはあなたには Elm を使って素晴らしいウェブアプリをただ作れるようになるだけでなく、Elm をうまく使えるようになるための核となるアイディアやパターンを理解してもらえればと思います。 Elm に対して様子見の立場である方も、Elm をちょっと試してみて実際に何かプロジェク
Potemkin Understanding in Large Language Models
Large language models (LLMs) are regularly evaluated using benchmark datasets. But what justifies making inferences about an LLM's capabilities based on its answers to a curated set of questions? This paper first introduces a formal framework to address this question. The key is to note that the benchmarks used to test LLMs -- such as AP exams -- are also those used to test people. However, this r
AIは「賢いフリ」をしていた──ハーバード大などが暴いたLLMの決定的弱点「ポチョムキン理解」とは？ | XenoSpectrum
大規模言語モデル（LLM）は、流暢な会話をこなし、専門的な質問にも答える。その驚くべき能力に、私たちは「AIは本当に理解しているのではないか」という期待を抱きがちだ。しかし、その知性は本物なのだろうか？ こうした我々の抱く最もな疑問に対し、2025年6月26日に発表された一つの研究論文が1つの答えを与えてくれるかもしれない。 ハーバード大学、MIT、シカゴ大学の世界トップクラスの研究者たちが共同で発表した論文は、LLMが概念を「理解しているフリ」をするという、根源的な欠陥を白日の下に晒した。本稿では、この「ポチョムキン理解」と名付けられた現象の核心に迫り、それが私たちのAIに対する見方、そして人工知能の未来に何を意味するのかを解説する。 賢いフリをするAI──「ポチョムキン理解」という新たな弱点 今回発表された論文「Potemkin Understanding in Large Langu
High-Resolution Image Synthesis with Latent Diffusion Models
By decomposing the image formation process into a sequential application of denoising autoencoders, diffusion models (DMs) achieve state-of-the-art synthesis results on image data and beyond. Additionally, their formulation allows for a guiding mechanism to control the image generation process without retraining. However, since these models typically operate directly in pixel space, optimization o
Cold Diffusion:ノイズのいらない画像生成拡散モデルについて｜IT navi
Stable Diffusion、Midjourney、DALL-E2など拡散モデルの画像生成AIが日本でもブームを巻き起こしていますが、先月（2022年8月）19日、拡散モデルに関するこれまでの考え方を覆す驚くべき論文が発表されました。 １．拡散モデルの仕組み 拡散モデルは、非平衡熱力学から着想を得て、2015年に最初のモデル（拡散確率モデル）が提案されました。 その後、しばらくあまり注目されていませんでしたが、2020年にカリフォルニア大学バークレー校のジョナサン・ホー氏らがデノイジング拡散確率モデルを発表し、ネットワークアーキテクチャーや学習方法を工夫することによって、変分オートエンコーダー（VAE)や敵対的生成ネットワーク(GAN)ベースの画像生成AIを超える高精度の画像を生成できることを証明して、大きな注目を集めることになりました。 デノイジング拡散確率モデルによって生成された画
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Understanding Fermat's Last Theorem's Proofs
Heavy-tailed denoising score matching
Costa's minimal surface - Wikipedia
A Constructive Definition of Space via Dynamical Evolution and Observational Acts
Nambu Non-equilibrium Thermodynamics I: Foundation
微分方程式 数値解法ハンドブック | ほのにっき
Near Optimal Decision Trees in a SPLIT Second
ICML Poster Near-Optimal Decision Trees in a SPLIT Second
Thermodynamics: A Clear Conceptual Framework
Cold Diffusion: Inverting Arbitrary Image Transforms Without Noise