Building The Ph(ysical)AI Layer Of Machine Intelligence

En 3 lignesModèles fondamentaux basés sur des principes physiques (décomposition de Fourier, conservation d'énergie, symétrie) plutôt que sur corrélations statistiques. Entraîné sur données RF, un encodeur de 1.99M paramètres atteint 77.7% de précision moyenne sur 15 tâches diversifiées via linear probing, sans fine-tuning. Performance supérieure sur tâches physiques (84.5%) vs sémantiques (70.0%).

Résumé généré par Claude — vérifié par l'humain