XiaoMi-AI文件搜索系统
World File Search SystemCalabi
机器学习sasakian.pdf
我们提出了一种机器学习方法，以研究与Sasakian和𝐺2-接触Calabi -yau 7 -manifolds的几何形状相关的拓扑数量。特别是，我们计算某些Sasakian Hodge数字的数据集，以及针对自然𝐺2-结构的crowley -nördstrom不变性的7-维型calabi -yau的7维链接3-折叠高度超出态度的奇异性7549，对于7549，可能是7549，可能是7555 -space。这些拓扑数量是通过高性能得分学习的，其中仅使用神经网络和符号回归器，从ℙ4（W）重量学习Sasakian Hodge数字，分别获得0.969和0.993的符号回归。此外，相应的Gröbner基础的特性是良好的，导致计算速度的大幅提高，这可能具有独立的关注。数据生成和分析进一步引起了要提出的新型猜想。
机器学习线束连接
图1：椭圆曲线上的A d = 2网络，其输出应解释为khler势，k或倒数束公制的log g -1的log g -1，具体取决于一个人是计算calabi -yau公制还是Hermitian Yang -Mills的连接。在这里，“ Bihom”是指将z i =（z 0，z 1，z 2）作为输入的双重构层，并输出z z z j j的真实和虚构部分。“正方形”是一个具有二次激活函数的密集层，⃗X7→（W1⃗X）2，其中w 1是尺寸w（1）×9的一般线性变换。“ log”是一个具有对数激活函数的密集层，⃗X7→log（W2⃗X），其中W 2是维度1×W（1）的一般线性变换。