خلاصه‌ای از آخرین تغییرات و تحولات در سرویس‌های ابری مایکروسافت اژور را پوشش می‌دهد.

👉 @navidcasts 🎓

محورهای اصلی شامل بازنشستگی قابلیت‌های قدیمی، مانند اتصال پایگاه داده برنامه وب استاتیک و دیسک‌های مدیریت‌نشده، و همچنین ترویج راه‌حل‌های جدید و پیشرفته‌تر مانند حساب‌های ذخیره‌سازی عمومی هدف V2 است. تمرکز قابل توجهی بر روی بهبود قابلیت‌های شبکه‌ای و امنیتی وجود دارد، از جمله افزایش پشتیبانی از گروه‌های IP در فایروال اژور و بازنشستگی پروتکل قدیمی SSTP در گیت‌وی VPN به نفع IKEv2 و OpenVPN.

👉 @navidcasts 🎓

علاوه بر این، این به‌روزرسانی‌ها شامل پیشرفت‌هایی در سرویس‌های کانتینر اژور (AKS)، سرویس‌های ذخیره‌سازی (مانند فایل‌های NetApp اژور) و دیتابیس‌ها (مانند معرفی پورت سفارشی در MySQL انعطاف‌پذیر) است؛ همچنین به انتشار مدل‌های جدید OpenAI در Foundry اژور، از جمله GPT-5 Pro و قابلیت‌های تجزیه و تحلیل فریم‌ور در Azure Arc اشاره شده است.

ویدیو خلاصه تر در یوتیوب : https://youtu.be/72W1PXwMcZA

یک مطالعه گسترده ترکیبی که داده‌های مشاهده‌ای و ژنتیکی را بررسی کرده است، این باور دیرینه را به چالش می‌کشد که نوشیدن کم الکل می‌تواند از مغز محافظت کند.

👉 @navidcasts 🎓

یافته‌های محققان نشان می‌دهد که در واقع، خطر ابتلا به زوال عقل همگام با مقدار مصرف الکل افزایش می‌یابد، و هیچ سطح ایمنی شناسایی نشده است.


نتایج همچنین حاکی از آن است که منافع ادعایی مصرف کم احتمالاً خطای استنباط معکوس بوده است، زیرا افرادی که در مراحل اولیه زوال عقل هستند، اغلب مصرف الکل خود را کاهش می‌دهند. بنابراین، این تحقیق قویاً بر تأثیر مضر الکل در هر سطحی بر خطر زوال عقل تأکید می‌کند و مصرف کمتر را به عنوان یک استراتژی مهم پیشگیرانه مطرح می‌نماید.

ویدیو خلاصه تر در یوتیوب : https://youtu.be/RVk6N8Kn_uU?si=Rg1vCa36OUufbtD0

دانشمندان مدار مغزی خاصی را کشف کرده‌اند که می‌تواند درد مزمن را خاموش کند و امیدهای جدیدی برای درمان افرادی که از رنج طولانی‌مدت شکایت دارند، ایجاد کرده است.

👉 @navidcasts 🎓

این تحقیق بر روی نورون‌های گیرنده Y1 در هسته پارابرونکیال جانبی متمرکز است که به عنوان یک سوئیچ عصبی عمل می‌کنند و سیگنال‌های درد مداوم را هنگامی که غرایز بقای ضروری مانند گرسنگی یا ترس فعال می‌شوند، تحت‌الشعاع قرار می‌دهند. این یافته‌ها نشان می‌دهد که مغز دارای یک مکانیسم درونی برای اولویت‌بندی نیازهای فوری بقا بر درد است، و هدف‌گیری این مدار انعطاف‌پذیر می‌تواند راه را برای درمان‌های شخصی‌سازی‌شده‌ای که نه تنها به دارو، بلکه به مداخلات رفتاری نیز توجه دارند، هموار کند.

👉 @navidcasts 🎓

پژوهشگران اشاره می‌کنند که این فعالیت عصبی می‌تواند به عنوان یک نشانگر زیستی برای درد مزمن مورد استفاده قرار گیرد و درک ما از این که چرا درد پس از بهبودی زخم ادامه می‌یابد را تغییر می‌دهد.

لینک ویدیو خلاصه تر در یوتیوب : https://youtu.be/Bu41Bj_KxuY?si=86vMALAUiC2v3yLy

👉 @navidcasts 🎓


این وویس آموزشی به پیکربندی فضاهای کاری یادگیری ماشین آژور (Azure Machine Learning Workspaces) می‌پردازد و بر سناریوی متداول ایزوله‌سازی شبکه مجازی مدیریت‌شده آژور (Azure Managed Vnet Isolation) تمرکز دارد.

👉 @navidcasts 🎓

هدف اصلی توضیح نحوه ایجاد یک فضای کاری با دسترسی ورودی غیرفعال و دسترسی خروجی تنها به اینترنت مجاز است، که یک شبکه مجازی مدیریت‌شده را فراهم می‌کند. سخنران توضیح می‌دهد که به جای استفاده از شبکه‌های مجازی اضافی برای اتصال، یک روش جایگزین را انتخاب کرده که در آن دسترسی به فضای کاری از طریق آدرس‌های IP منتخب مجاز می‌شود و سپس نحوه پیکربندی این تنظیمات در رابط کاربری آژور و همچنین نیاز به تنظیمات خاص در حساب‌های ذخیره‌سازی مرتبط برای مطابقت با این ایزوله‌سازی شبکه را نشان می‌دهد.

👉 @navidcasts 🎓

در نهایت، تفاوت بین دسترسی مبتنی بر اعتبار (Credential-based) و دسترسی مبتنی بر هویت (Identity-based) به ذخیره‌سازی برای امنیت بیشتر مورد بحث قرار می‌گیرد.


لینک ویدیو خلاصه تر در یوتیوب : https://youtu.be/tty2s6b3Biw?si=wVHi5D0SJjpmEqwd

مقاله تحقیقاتی از Nature Communications به بررسی دقیق عوامل خطر وزوز گوش و چگونگی سیر تکاملی آن در طول زمان می‌پردازد.

👉 @navidcasts 🎓

محققان با استفاده از داده‌های گسترده UK Biobank، دو مدل یادگیری ماشینی مجزا را برای پیش‌بینی وجود وزوز گوش و شدت آن آموزش دادند. یافته‌های کلیدی نشان می‌دهد که در حالی که سلامت شنوایی مهم‌ترین عامل برای حضور وزوز گوش است، عواملی مانند خلق و خو، روان‌نژندی (neuroticism)، و اختلالات خواب نقش تعیین‌کننده‌ای در پیش‌بینی شدت و پیشرفت طولانی‌مدت آن در طی نُه سال دارند.

👉 @navidcasts 🎓

این تمایز منجر به طراحی یک پرسشنامه بالینی ساده‌شده شش موردی (POST) برای تشخیص افرادی شد که در معرض خطر شدید شدن وزوز گوش قرار دارند، که این ابزار برای مدیریت بالینی زودرس حیاتی است.

لینک مقاله اصلی : https://www.nature.com/articles/s41467-025-59445-3


ویدیو کوتاه تر و خلاصه تر فارسی در یوتیوب : https://youtu.be/xnUs2RQnAq0

Niederlassungsbewilligung – ausgenommen Erwerbstätigkeit

این سند به طور مفصل درباره درخواست اولیه برای کسب «مجوز اقامت – غیر از اشتغال» در اتریش بحث می‌کند که مخصوص اتباع کشورهای ثالث است که مایلند بدون انجام فعالیت‌های انتفاعی در این کشور اقامت کنند.

👉 @navidcasts 🎓

برای موفقیت در این فرآیند، متقاضیان باید شرایط عمومی و ویژه اعطای اجازه اقامت را احراز کنند، از جمله داشتن درآمد مکفی که دو برابر نرخ‌های مرجع مشخص شده در قانون بیمه اجتماعی عمومی است و ارائه مدرک دانش زبان آلمانی.

👉 @navidcasts 🎓

این درخواست عموماً باید شخصاً و پیش از ورود به اتریش در نمایندگی‌های دیپلماتیک خارج از کشور ارائه شود، هرچند گروه‌های خاصی مجاز به درخواست در داخل اتریش هستند، و در نهایت پس از پنج سال اقامت پیوسته، می‌توان برای دریافت عنوان اقامتی «اقامت دائم – اتحادیه اروپا» درخواست داد.

این منبع به بررسی تحول فناوری اطلاعات از طریق به‌کارگیری هوش مصنوعی می‌پردازد و تاکید می‌کند که چگونه عامل‌های هوش مصنوعی (AI Agents) و مدل‌های زبان بزرگ (LLMs) در حال تغییر نحوه هدایت گردش‌کارهای پیچیده هستند.

👉 @navidcasts 🎓

تفاوت کلیدی میان دستیاران هوش مصنوعی (که بر اساس درخواست و پاسخ عمل می‌کنند) و عامل‌های هوش مصنوعی در این است که عامل‌ها دارای اختیار عمل (agency) هستند و می‌توانند برای دستیابی به اهداف و نتایج تعریف‌شده، در چارچوب‌های مشخص تصمیم‌گیری و اقدام کنند.

👉 @navidcasts 🎓


این منبع با ارائه یک مثال مشروح از فرآیند ایجاد یک پیش‌فاکتور مشتری، نشان می‌دهد که چگونه ساماندهی عامل‌ها (Agent Orchestration)، برخلاف اتوماسیون فرآیند رباتیک (RPA) که نیازمند ساختاردهی بسیار دقیق است، به دلیل توانایی عامل‌های تخصصی در تفسیر داده‌ها و انجام منطق سطح بالاتر، یک تغییر پارادایم و نه صرفاً یک پیشرفت تدریجی، محسوب می‌شود. در نهایت، هر دو روش به دنبال افزایش بهره‌وری و تمرکز تیم‌ها بر وظایف با ارزش بالاتر هستند، اما عامل‌های هوش مصنوعی غنای و انعطاف‌پذیری بیشتری را در اتوماسیون فراهم می‌کنند.

منبع ارائه شده معرفی «Serverless Fleets» از سوی IBM Cloud Code Engine است که برای رسیدگی به چالش‌های اجرای حجم کاری محاسباتی-فشرده و در مقیاس بزرگ بر روی یک پلتفرم کاملاً مدیریت شده و بدون سرور طراحی شده است.

👉 @navidcasts 🎓

این فناوری جدید به توسعه‌دهندگان و دانشمندان داده اجازه می‌دهد تا تعداد زیادی از کارهای دسته‌ای را به یک نقطه پایانی ارسال کنند و به‌طور خودکار منابع محاسباتی لازم، از جمله سرورهای بدون سرور GPU، را برای اجرای موازی کارها فراهم می‌کند. Serverless Fleets با ساده‌سازی اجرای حجم کاری موازی و حذف مدیریت زیرساخت پیچیده، به‌ویژه برای صنایع نیازمند مانند خدمات مالی و علوم زیستی، وعده بهینه‌سازی هزینه از طریق یک مدل «پرداخت به ازای استفاده» را می‌دهد.

👉 @navidcasts 🎓

در اصل، این ویژگی مقیاس‌پذیری و کارایی محاسبات پیشرفته، از جمله هوش مصنوعی مولد، را در یک محیط ساده و متحد افزایش می‌دهد.

این منبع جزئیات ترانه «سرنوشت اوفلیا» (The Fate of Ophelia)، یک تک‌آهنگ برجسته در سبک‌های دنس-پاپ و سینث-پاپ از تیلور سویفت را شرح می‌دهد که در سال ۲۰۲۵ منتشر شد.

👉 @navidcasts 🎓

هسته اصلی ترانه بر محور تعهد سویفت به یک یار وفادار می‌چرخد که او را از سرنوشتی تراژیک مشابه شخصیت اوفلیا در نمایش‌نامه هملت شکسپیر نجات می‌دهد، که این امر به طور خاص به رابطه خواننده با ترویس کلس اشاره دارد.

👉 @navidcasts 🎓

از نظر تجاری، این تک‌آهنگ موفقیت عظیمی کسب کرد و رکوردهای جهانی اسپاتیفای برای بیشترین استریم روزانه و هفتگی را شکست و در صدر جدول‌های بین‌المللی متعددی از جمله بیلبورد هات ۱۰۰ قرار گرفت.

👉 @navidcasts 🎓

همچنین، موزیک ویدیوی این ترانه که توسط خود سویفت کارگردانی شده بود، با نمایش او در قالب‌های مختلف شوگرل‌های تاریخی به صورت یک رویداد سینمایی منتشر شد.

این منبع به معرفی شبکه‌عصبی گرافی جدیدی به نام GLSTM می‌پردازد که برای کاهش مشکل "فشردگی بیش از حد" (over-squashing) در شبکه‌های عصبی گرافی (GNNs) طراحی شده است.

👉 @navidcasts 🎓

فشردگی بیش از حد که منجر به یک "تنگنای اطلاعاتی" (information bottleneck) می‌شود، زمانی رخ می‌دهد که اطلاعات دریافتی از یک میدان درک بزرگ در یک بردار با اندازه ثابت فشرده می‌شود. محققان این پدیده را از دریچه "ظرفیت ذخیره‌سازی و بازیابی مدل" (model storage and retrieval capacity) بازنگری می‌کنند و استدلال می‌کنند که این مشکل شامل دو جزء متمایز است: اشباع ظرفیت و حساسیت پایین.

👉 @navidcasts 🎓

برای مقابله با محدودیت ظرفیت، این مدل جدید با الهام از معماری‌های توالی‌محور مانند xLSTM، از "حافظه تداعی‌گر" (associative memory) استفاده می‌کند و عملکرد برتر خود را در یک کار مصنوعی جدید به نام "یادآوری تداعی‌گر همسایه" (Neighbor Associative Recall - NAR) و همچنین در معیارهای دنیای واقعی به نمایش می‌گذارد.

این سند راهنمایی جامعی برای مدیران فناوری اطلاعات ارائه می‌دهد تا جداسازی شبکه را در یادگیری ماشین Azure طراحی و پیاده‌سازی کنند، که یک استراتژی امنیتی حیاتی برای محافظت از منابع سازمانی است.

👉 @navidcasts 🎓

این طرح شامل تأمین امنیت دسترسی ورودی به محیط کاری (مانند دسترسی دانشمندان داده) و دسترسی خروجی از محیط کاری و منابع محاسباتی (مانند دسترسی به سایر خدمات Azure یا مخازن بسته‌های Python) است. دو گزینه اصلی برای این جداسازی وجود دارد: جداسازی شبکه مدیریت‌شده (توصیه شده برای سهولت کار) و جداسازی شبکه سفارشی، که هر کدام تنظیمات، مزایا و محدودیت‌های متفاوتی برای کنترل دقیق ترافیک خروجی دارند.

👉 @navidcasts 🎓

علاوه بر این، راهنما ملاحظات مهمی مانند جلوگیری از نشت داده، وضوح DNS برای Private Link و پیکربندی نقاط پایانی مدیریت‌شده آنلاین را تشریح می‌کند.

ویدیو خلاصه تر درباره همین موضوع : https://youtu.be/3-VkYKLNYW8

این سند مقایسه‌ای دقیق بین پورتال Azure AI Foundry و استودیوی Azure Machine Learning ارائه می‌دهد تا کاربران بتوانند بهترین پلتفرم را برای نیازهای توسعه هوش مصنوعی خود انتخاب کنند.

👉 @navidcasts 🎓

پورتال Azure AI Foundry به عنوان یک پلتفرم یکپارچه برای توسعه و استقرار برنامه‌های هوش مصنوعی مولد معرفی شده است که محیطی متمرکز و با قابلیت همکاری بالا برای مهندسان داده و توسعه‌دهندگان فراهم می‌کند. در مقابل، استودیوی Azure Machine Learning یک پلتفرم مدیریت شده و جامع برای مهندسان یادگیری ماشین و دانشمندان داده است که بر ساخت، آموزش، و استقرار مدل‌های ML مقیاس‌پذیر و مسئولانه تمرکز دارد.

👉 @navidcasts 🎓

در نهایت، یک جدول مقایسه‌ای مفصل، تفاوت‌های کلیدی آن‌ها را در حوزه‌هایی مانند ذخیره‌سازی و آماده‌سازی داده، توسعه مدل و آموزش، هوش مصنوعی مولد، و امنیت سازمانی برجسته می‌سازد.

این سند راهنمایی جامعی در مورد مدیریت دسترسی (Authorization) به فضاهای کاری Azure Machine Learning ارائه می‌دهد و بر استفاده از کنترل دسترسی مبتنی بر نقش Azure (Azure RBAC) تأکید دارد.

👉 @navidcasts 🎓

هدف اصلی این است که کاربران بتوانند با تخصیص نقش‌های از پیش تعریف‌شده مانند AzureML Data Scientist یا Contributor، سطوح دسترسی مشخصی را برای ایجاد یا استفاده از منابع تعیین کنند. علاوه بر نقش‌های داخلی، این سند نحوه ایجاد نقش‌های سفارشی را توضیح می‌دهد تا دسترسی‌های دقیق‌تری در سطوح مختلف (مانند سطح فضای کاری یا گروه منابع) اعمال شود، که این امر به منظور پیاده‌سازی اصل کمترین امتیاز (least privilege) اهمیت دارد.

👉 @navidcasts 🎓

همچنین، استفاده از گروه‌های امنیتی Microsoft Entra برای مدیریت کارآمدتر دسترسی‌های گروهی و نکات مربوط به نقش جدیدتر Azure AI Administrator برای هویت‌های مدیریت‌شده فضای کاری پوشش داده شده است.


ویدیو خلاصه تر در یوتیوب : https://youtu.be/J9C89aH2MVc

👉 @navidcasts 🎓

نحوه اجرای PromptFlow در مایکروسافت آژور

این مقاله پژوهشی با عنوان «از مُسکن تا قاتل همدلی: استامینوفن (پاراستامول) همدلی با درد را کاهش می‌دهد» به بررسی اثرات داروی رایج استامینوفن بر توانایی افراد برای احساس همدلی با درد دیگران می‌پردازد. نویسندگان این فرضیه را مطرح می‌کنند که از آنجا که استامینوفن دردهای فیزیکی را کاهش می‌دهد، ممکن است به دلیل اشتراک در محاسبات روانی و عصبی بین درد شخصی و همدلی، همدلی با درد دیگران را نیز تضعیف کند.

👉 @navidcasts 🎓

نتایج دو آزمایش کنترل‌شده با پلاسیبو نشان داد که مصرف استامینوفن باعث کاهش درک درد دیگران و کاهش پریشانی شخصی در واکنش به سناریوهای درد فیزیکی و اجتماعی یا مشاهده طردشدگی واقعی می‌شود. این یافته‌ها نشان‌دهنده یک پیوند عصبی‌شیمیایی بین تجربه درد شخصی و همدلی است و نگرانی‌هایی را در مورد عوارض جانبی اجتماعی این داروی پرمصرف ایجاد می‌کند، زیرا همدلی یک محرک حیاتی برای رفتارهای اجتماعی و یاری‌رسان است.

این پادکست، گزیده‌هایی از مقاله‌ای در نشریه آتلانتیک با عنوان «اسب‌های دربی کنتاکی، بسیار گیج هستند» است که به بررسی توانایی‌های شناختی اسب‌های مسابقه می‌پردازد. نویسنده، هیلی وایس، این پرسش محوری را مطرح می‌کند که آیا این حیوانات اصلاً از ماهیت رقابتی مسابقات بزرگ باخبر هستند یا خیر. تحقیقات محدود در مورد شناخت اسب‌ها نشان می‌دهد که اگرچه آن‌ها می‌توانند احساسات انسانی را تشخیص داده و حتی حافظه کاری محدودی دارند، اما احتمالاً قادر به درک مفاهیم انتزاعی مانند ورزش رقابتی نیستند.


👉 @navidcasts 🎓

برخی کارشناسان معتقدند که ازدحام جمعیت و شرایط مسابقه، در واقع باعث ایجاد ترس و استرس در اسب‌ها می‌شود، در حالی که دیگران لذت بردن اسب‌ها از ورزش را در شرایطی که با احترام و در چارچوب توانایی‌هایشان رفتار شود، تأیید می‌کنند؛ با این حال، اهمیت ارتباط عاطفی میان اسب و سوارکار به‌عنوان عاملی برای آرامش و انگیزه اسب در رقابت‌ها برجسته شده است.

این پادکست، راهنمایی‌های مربوط به «کسب درآمد از محتوای بازی» در یوتیوب را تشریح می‌کند که در واقع بر اساس «رهنمودهای محتوای دوستدار تبلیغ‌کننده» موجود بنا شده است. هدف اصلی این است که به تولیدکنندگان محتوای بازی کمک کند تا وضعیت کسب درآمد ویدیوهای خود را درک کنند و از «محدود شدن یا قطع شدن تبلیغات» جلوگیری نمایند.

👉 @navidcasts 🎓

نکات کلیدی شامل قوانین سخت‌گیرانه‌ای پیرامون «زبان نامناسب» و استفاده از کلمات رکیک، محتوای «بزرگسالان» شامل برهنگی و مضامین جنسی، «خشونت» در گیم‌پلی، و همچنین «مسائل بحث‌برانگیز» مانند خودآزاری و سوءاستفاده است. علاوه بر این، قوانین به صراحت بیان می‌کنند که «عنوان‌ها و تصاویر بندانگشتی» (thumbnails) نیز باید از این رهنمودها پیروی کنند و در صورت نقض قوانین، همانند خود ویدیو با محدودیت کسب درآمد مواجه خواهند شد.


توضیحات خلاصه تر در یوتیوب : https://youtu.be/V3gKvixZaYo

ماتیاس ترویر، معاون رئیس شرکت مایکروسافت کوانتوم، در این سخنرانی به تشریح مسیر ساخت یک کامپیوتر کوانتومی با مقیاس کاربردی می‌پردازد که می‌تواند مسائل "غیرقابل حل" برای کامپیوترهای کلاسیک را حل کند.

👉 @navidcasts 🎓

او تاریخچه‌ای از پیشرفت‌های علمی را ارائه می‌دهد که منجر به عصر بخار و عصر سیلیکون شد، و سپس تاکید می‌کند که مکانیک کوانتومی در حال حاضر فناوری‌های جدیدی مانند رایانش کوانتومی را ممکن ساخته است. نکته کلیدی این است که رایانه‌های کوانتومی با تغییر دادن مقیاس‌بندی محاسباتی (مثلاً از نمایی به خطی) برتری می‌یابند و می‌توانند به شتاب کوانتومی نمایی دست یابند، که برای غلبه بر سرعت ذاتی پایین‌تر عملکرد کوانتومی نسبت به عملیات کلاسیک حیاتی است.


👉 @navidcasts 🎓

این برتری بیشتر در مسائل داده کوچک مانند شیمی، بیوشیمی، و علم مواد نمود پیدا می‌کند، زیرا طبیعت زیربنایی این حوزه‌ها کوانتومی است؛ در نهایت، ترویر پیش‌بینی می‌کند که ترکیب رایانش کوانتومی با هوش مصنوعی منجر به پیشرفت‌هایی می‌شود، به طوری که هوش مصنوعی سرعت را فراهم کرده و کامپیوتر کوانتومی دقت مورد نیاز برای تولید داده‌های آموزشی بهتر و مدل‌های سریع و دقیق را فراهم می‌کند.


ویدیو خلاصه تر در یوتیوب : https://youtu.be/U9H8EEFH2AY

این متن تحقیقاتی به بررسی مقایسه‌ای بین مدل‌های زبان انتشاری (DLMs) و مدل‌های خودرگرسیو (AR) در سناریوهایی می‌پردازد که داده‌های منحصربه‌فرد با کیفیت بالا محدود هستند، اما تکرار داده‌ها مجاز است.

👉 @navidcasts 🎓

یافته اصلی پژوهش، پدیده‌ای به نام نقطه تقاطع هوش (Intelligence Crossover) است که در آن، DLMها به طور مداوم از مدل‌های AR هم‌اندازه پیشی می‌گیرند؛ این مزیت به دلیل سه عامل کلیدی در DLMها یعنی مدل‌سازی «با هر ترتیبی» (any-order modeling)، محاسبات «فوق‌متراکم» (super-dense compute) ناشی از نویزدهی دوسویه تکراری، و تقویت داده داخلی از طریق شبیه‌سازی مونت کارلو است.


این نتایج نشان می‌دهد که در عصر محدودیت داده، DLMها یک الگوی مدل‌سازی برتر برای استخراج حداکثر سیگنال از هر توکن منحصربه‌فرد، حتی به بهای افزایش نیاز محاسباتی، محسوب می‌شوند.

👉 @navidcasts 🎓

علاوه بر این، پژوهشگران توضیح می‌دهند که افزایش ضرر اعتبارسنجی (validation loss) لزوماً به معنای کاهش عملکرد در وظایف نهایی نیست، زیرا قابلیت تمایز مدل همچنان بهبود می‌یابد.

داستان نقاشی گوستاو کلیمت، که اساتید دانشگاه وین، خواستار حذف آن از ساختمان دانشگاه شدند.

👉 @navidcasts 🎓

امروز یک بازسازی از این نقاشی، در موزه بلودر وین، نگه داری می شود.

این مقاله یک چارچوب جدید به نام xLSTM-PINN را معرفی می‌کند که برای کاهش مشکل سوگیری طیفی (Spectral Bias) در شبکه‌های عصبی آگاه از فیزیک (PINN) طراحی شده است.

👉 @navidcasts 🎓

سوگیری طیفی، تمایل ذاتی PINNها به یادگیری سریع‌تر مؤلفه‌های فرکانس پایین نسبت به فرکانس‌های بالا است که مانع از حل دقیق گرادیان‌های تند می‌شود. با تعبیه بلوک‌های xLSTM که از گیت‌های حافظه و گام‌های میکروی باقیمانده استفاده می‌کنند، این روش طیف هسته عصبی را در سطح نمایش تغییر شکل می‌دهد تا به طور سیستمی وزن‌های مربوط به فرکانس‌های بالا را تقویت کند.

👉 @navidcasts 🎓

نتایج عددی در حل معادلات دیفرانسیل جزئی (PDEs) مختلف نشان می‌دهد که xLSTM-PINN با موفقیت سوگیری طیفی را سرکوب کرده، پهلنای باند قابل حل را گسترش می‌دهد، و به طور قابل توجهی خطاهای حل را کاهش می‌دهد، بدون اینکه نیاز به تغییر مسیرهای مشتق‌گیری خودکار یا توابع زیان فیزیکی باشد.

ویدیو خلاصه تر در یوتیوب : https://youtu.be/D7t7HOyFXmE?si=1TZCNZ--LxY8PHNr