机构名称：
¥ 1.0
大型语言模型（LLM），例如Chatgpt，Gemini，Llama和Claude接受了从互联网解析的文本数量的培训，并且表现出了出色的能力，可以以一种与人类无法区分的方式响应复杂提示的能力。对于由带有四个椭圆形谐振器的单位细胞组成的全dielectric寄生虫，我们在多达40,000个数据上呈现了一个llmfien，可以预测只有文本提示的吸收率谱，仅指定了元时间的几何形状。将结果与传统的机器学习方法进行比较，包括馈送前向神经网络，随机森林，线性回归和K-Nearest邻居（KNN）。值得注意的是，使用深度神经网络的大型数据集尺寸的细胞调整LLM（FT-LLM）的性能可比。我们还通过要求LLM预测实现所需光谱所需的几何形状来探索反问题。llms比Humans具有多个优势，这些优点可能使他们有益于研究，包括处理大量数据，数据中发现的隐藏模式并在高维空间中运行的能力。这表明他们可能能够利用对世界的一般知识比传统模型更快地学习，从而使他们的研究和分析工具有价值。
学习电磁超物理物理
主要关键词
相关文件推荐
