待验证50% 置信事实精确时间
研究人员利用图神经网络GNN学习增殖包层中子学仿真，可对任意几何参数组合的TBR值实现亚秒级预测，预测误差控制在1%以内
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/7/8
首次发现
有效期至：2026/10/6
来源
量子计算+AI超算如何破解核聚变燃料困境
hackernewshackernews2026/7/6
相关事实
已验证模型量化是将神经网络权重从高精度浮点数压缩为低精度整数的技术73% 相似待验证PINN 的核心思想是在神经网络损失函数中同时包含数据拟合误差和物理方程残差，并通过自动微分计算输出对输入坐标的偏导数70% 相似待验证SPLADE 是一种学习型稀疏检索模型，通过神经网络为文档生成稀疏向量表示，可在倒排索引上高效运行69% 相似待验证GNoME基于图神经网络（GNN），通过学习Materials Project等密度泛函理论（DFT）数据库中已知晶体结构稳定性规律进行预测69% 相似待验证大模型中的参数在数学上是神经网络每条连接边上的权重数值和偏置值，训练前随机初始化，通过反向传播算法和梯度下降不断调整68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/236685API
curl https://kongchang.com/api/v1/knowledge/claims/236685MCP
get_claim(id=236685)