Paul Riechers - The shape of beliefs and abstraction in neural networks - IPAM at UCLA
Paul Riechers - La forme des croyances et de l'abstraction dans les réseaux de neurones - IPAM à UCLA
★
★
★
★
☆
4/5
Institute for Pure & Applied Mathematics (IPAM)
@ipamucla
Mahdi Soltanolkotabi - Interpreting Generative Models for Better Steering: Generation to Verifiable
Mahdi Soltanolkotabi - Interpréter les modèles génératifs pour un meilleur guidage : de la génération au vérifiable
★
★
★
★
☆
4/5
Gyorgy Turan - Error-correcting codes: a sandbox for learning, interpretability and optimization
Gyorgy Turan - Codes de correction d'erreurs : un bac à sable pour l'apprentissage, l'interprétabilité et l'optimisation
★
★
★
★
☆
4/5
Gitta Kutyniok - From Mathematical Guarantees to Computational Limits of AI Interpretability
Gitta Kutyniok - Des garanties mathématiques aux limites computationnelles de l'interprétabilité de l'IA
★
★
★
★
☆
4/5
Gal Mishne - From Explanations to Mechanisms: Interpreting Computation in Graph Neural Networks
Gal Mishne - Des explications aux mécanismes : interpréter le calcul dans les réseaux de neurones graphiques
★
★
★
★
☆
4/5
Dmitry Vaintrob - Statistical theory of learning sparse structure - IPAM at UCLA
Dmitry Vaintrob - Théorie statistique de l'apprentissage de structure éparse - IPAM à UCLA
★
★
★
★
☆
4/5
Yusu Wang - Neural Network Generalization through an algorithmic lens - IPAM at UCLA
Yusu Wang - Généralisation des réseaux de neurones à travers une lentille algorithmique - IPAM à UCLA
★
★
★
★
☆
4/5
Sam Eisenstat - Concepts, information, and objectivity - IPAM at UCLA
Sam Eisenstat - Concepts, information et objectivité - IPAM à l'UCLA
★
★
★
★
☆
4/5
Elias Bareinboim - Towards Causal AI: From Mechanism to Understanding - IPAM at UCLA
Elias Bareinboim - Vers une IA causale : du mécanisme à la compréhension - IPAM à l'UCLA
★
★
★
★
☆
4/5
Ryan Cotterell - Two views of a language model - IPAM at UCLA
Ryan Cotterell - Deux vues d'un modèle de langage - IPAM à UCLA
★
★
★
★
☆
4/5
Max Tegmark - Neural network interpretability: symmetry, geometry and formal verification
Max Tegmark - Interprétabilité des réseaux de neurones : symétrie, géométrie et vérification formelle
★
★
★
★
☆
4/5
Josh Batson - Interpretability: From Art Towards Science - IPAM at UCLA
Josh Batson - Interprétabilité : De l'art vers la science - IPAM à UCLA
★
★
★
★
☆
4/5
Marina Meila - Contrastive Explanations: a geometric and topological view - IPAM at UCLA
Marina Meila - Explications contrastives : une vue géométrique et topologique - IPAM à UCLA
★
★
★
★
☆
4/5
Been Kim - Changing Shapes: Interpretability, AI, and the Future of Human Agency - IPAM at UCLA
Been Kim - Changer de forme : Interprétabilité, IA et l'avenir de l'agence humaine - IPAM à l'UCLA
★
★
★
★
☆
4/5
Miriam Kuzbary - 0-Surgeries on Links - IPAM at UCLA
Miriam Kuzbary - 0 interventions chirurgicales sur les liens - IPAM à l'UCLA
★
★
★
★
☆
4/5
Viktória Földvári - Maximal tb Representatives of Double Twist Knots - IPAM at UCLA
Viktória Földvári - Représentants tb maximaux des nœuds à double torsion - IPAM à UCLA
★
★
★
★
☆
4/5
Yasemin Yildirim - Constructing and classifying Legendrian doubles - IPAM at UCLA
Yasemin Yildirim - Construction et classification des doubles legendriens - IPAM à l'UCLA
★
★
★
★
☆
4/5
Stephen Becker - Some new bi-fidelity methods for UQ and optimization - IPAM at UCLA
Stephen Becker - Quelques nouvelles méthodes bi-fidélité pour UQ et optimisation - IPAM à UCLA
★
★
★
★
☆
4/5
Simon Van Mulders - Model-aided TCV operation through routine pre-shot, real-time and post-shot...
Simon Van Mulders - Opération assistée par modèle du TCV grâce à des pré-tirs de routine, en temps réel et post-tir...
★
★
★
★
☆
4/5
Shancong Mou - Derivative-Informed Training of Neural Operators on the Fly - IPAM at UCLA
Shancong Mou - Entraînement basé sur les dérivées d'opérateurs neuronaux à la volée - IPAM à l'UCLA
★
★
★
★
☆
4/5
Sophia Henneberg - Optimization of Quasi-Axisymmetric Stellarator- ; Tokamak Hybrids - IPAM at UCLA
Sophia Henneberg - Optimisation des hybrides stellarateur quasi-axisymétrique et tokamak - IPAM à UCLA
★
★
★
★
☆
4/5
Cory Hauck - Approximate entropy-based moment closures - IPAM at UCLA
Cory Hauck - Fermetures de moments approximatives basées sur l'entropie - IPAM à l'UCLA
★
★
★
★
☆
4/5
Andy Rothstein - AI-Driven Event Prediction and Fault-Resilient Plasma Control on DIII-D
Andy Rothstein - Prédiction d'événements pilotée par l'IA et contrôle du plasma tolérant aux pannes sur DIII-D
★
★
★
★
☆
4/5
Yunan Yang - Adjoint Direct Simulation Monte Carlo for Optimization and Control of Rarefied Flows
Yunan Yang - Adjoint Direct Simulation Monte Carlo pour l'Optimisation et le Contrôle des Écoulements Raréfiés
★
★
★
★
☆
4/5
Rebekah White - Surrogate-Based Optimization of Magnetized Liner Inertial Fusion Target Design
Rebekah White - Optimisation basée sur des substituts de la conception de cibles de fusion inertielle à liner magnétisé
★
★
★
★
☆
4/5
Brian Spears - The Genesis Mission: AI for US Science and Security Transformation - IPAM at UCLA
Brian Spears - La mission Genesis : l'IA pour la transformation de la science et de la sécurité des États-Unis - IPAM à UCLA
★
★
★
★
☆
4/5
Michael Abdelmalik - A Multi-Fidelity Framework for Rarefied Dynamics - IPAM at UCLA
Michael Abdelmalik - Un cadre multi-fidélité pour la dynamique raréfiée - IPAM à l'UCLA
★
★
★
★
☆
4/5
Jeff Schneider - Machine Learning for Scenario Design and Plasma Control in Tokamaks
Jeff Schneider - Apprentissage automatique pour la conception de scénarios et le contrôle du plasma dans les tokamaks
★
★
★
★
☆
4/5
Pablo Rodriguez-Fernandez - Accelerate core plasma design/optimization w/ surrogate-assist transport
Pablo Rodriguez-Fernandez - Accélérer la conception/optimisation du plasma central avec un transport assisté par surrogate
★
★
★
★
☆
4/5
Mark Kostuk - Mixed-Fidelity, Multi-Model Optimization within the DIII-D Digital Twin - IPAM at UCLA
Mark Kostuk - Optimisation multi-modèle à fidélité mixte au sein du jumeau numérique DIII-D - IPAM à UCLA
★
★
★
★
☆
4/5
Florian Schaefer - Information geometric regularization for sensitivities of flows with shocks
Florian Schaefer - Régularisation géométrique de l'information pour les sensibilités des écoulements avec chocs
★
★
★
★
☆
4/5
Bethany Lusch - Scalable graph-based surrogate models for unstructured meshes - IPAM at UCLA
Bethany Lusch - Modèles de substitution évolutifs basés sur des graphes pour maillages non structurés - IPAM à UCLA
★
★
★
★
☆
4/5
Pablo Rodriguez-Fernandez - Designing tokamak core plasmas from scaling laws to first-principles sim
Pablo Rodriguez-Fernandez - Conception de plasmas de cœur de tokamak, des lois d'échelle aux simulations de premiers principes
★
★
★
★
☆
4/5
Alan Kaptanoglu - Recent work on stage-1 and stage-2 stellarator optimization - IPAM at UCLA
Alan Kaptanoglu - Travaux récents sur l'optimisation des stellarators de stade 1 et de stade 2 - IPAM à UCLA
★
★
★
★
☆
4/5
Tim Slendebroek - From scaling laws to the design space: How we design machines we cannot yet build
Tim Slendebroek - Des lois d'échelle à l'espace de conception : Comment nous concevons des machines que nous ne pouvons pas encore construire
★
★
★
★
☆
4/5
Cami Collins - Multi-Fidelity Integrated Modeling for Fusion Device Design with FREDA - IPAM at UCLA
Cami Collins - Modélisation intégrée multi-fidélité pour la conception de dispositifs de fusion avec FREDA - IPAM à UCLA
★
★
★
★
☆
4/5
Shantenu Jha - All (Foundation) Models are wrong. Some (Foundation) Models can be made useful.
Shantenu Jha - Tous les modèles (fondamentaux) sont faux. Certains modèles (fondamentaux) peuvent être rendus utiles.
★
★
★
★
☆
4/5
Jingwei Hu - A Neural Score-Based Particle Method for the Vlasov-Maxwell-Landau System
Jingwei Hu - Une méthode de particules basée sur un score neuronal pour le système de Vlasov-Maxwell-Landau
★
★
★
★
☆
4/5
Guannan Zhang - Generative diffusion models learning stochastic flow maps in particle-based sims
Guannan Zhang - Modèles de diffusion génératifs apprenant des cartes de flux stochastiques dans des simulations basées sur des particules
★
★
★
★
☆
4/5
Benjamin Sanderse - Structure-preserving SciML for discovering ODEs and SDEs in fluid flows
Benjamin Sanderse - SciML préservant la structure pour découvrir les ODE et SDE dans les écoulements fluides
★
★
★
★
☆
4/5