待验证50% 置信事实精确时间
神经网络的输入是编码后的9维棋盘状态向量，输出是9个格子最佳落子位置的概率分布，通过交叉熵等分类损失学习
1
来源数
50%
置信度
长期有效
时效性
2026/8/28
首次发现
来源
涉及实体
相关事实
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71% 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71% 相似待验证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70% 相似已验证神经网络训练中反向模式自动微分是反向传播的数学本质，因为参数数量远多于损失值输出维度70% 相似待验证神经网络更像是'生长'出来的，而非被'设计'出来的，通过提供数据和学习算法从随机状态微调而成69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/813480API
curl https://kongchang.com/api/v1/knowledge/claims/813480MCP
get_claim(id=813480)