| dc.contributor.author | Чернокнижник, А. В. | uk |
| dc.contributor.author | Мартинюк, В. В. | uk |
| dc.date.accessioned | 2025-08-13T09:51:59Z | |
| dc.date.available | 2025-08-13T09:51:59Z | |
| dc.date.issued | 2025 | |
| dc.identifier.citation | | uk |
| dc.identifier.uri | https://ir.lib.vntu.edu.ua//handle/123456789/48245 | |
| dc.description.abstract | У роботі досліджено зв’язок між фізикою та штучним інтелектом (ШІ), зокрема вплив фізичних принципів на розробку алгоритмів машинного навчання. Розглянуто аналогії між фізичними системами (статистична механіка, термодинаміка) та нейронними мережами, а також енергетичні виклики роботи ШІ. | uk |
| dc.description.abstract | The paper explores the relationship between physics and artificial intelligence (AI), in particular the influence of physical principles on the development of machine learning algorithms. It examines analogies between physical systems (statistical mechanics, thermodynamics) and neural networks, as well as the energy challenges of AI. Particular attention is paid to the use of fractal structures for algorithm optimization. The study emphasizes the importance of an interdisciplinary approach to the development of AI. | en |
| dc.language.iso | uk_UA | uk_UA |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | // Матеріали Всеукраїнської науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2025)», 15-16 червня 2025 р. | uk |
| dc.relation.uri | https://conferences.vntu.edu.ua/index.php/mn/mn2025/paper/view/25023 | |
| dc.subject | штучний інтелект | uk |
| dc.subject | нейронні мережі | uk |
| dc.subject | статистична механіка | uk |
| dc.subject | термодинаміка | uk |
| dc.subject | фрактали | uk |
| dc.subject | енергетична ефективність | uk |
| dc.subject | rtificial intelligence | uk |
| dc.subject | neural networks | uk |
| dc.subject | statistical mechanics | uk |
| dc.subject | thermodynamics | uk |
| dc.subject | fractals | uk |
| dc.subject | energy efficiency | uk |
| dc.title | Фізика штучного інтелекту | uk |
| dc.type | Thesis | |
| dc.identifier.udc | 004.8:530.13 | |
| dc.relation.references | 1) 2) 3) 4) 5) Mehta P. et al. A High-Bias, Low-Variance Introduction to Machine Learning for Physicists. Physics Reports, 2019. Vol. 810, pp. 1124. Wolpert D. H., Macready W. G. No Free Lunch Theorems for Optimization. IEEE Transactions on Evolutionary Computation, 1997. Vol. 1, No. 1, pp. 6782. Biamonte J. et al. Quantum Machine Learning. Nature, 2017. Vol. 549, pp. 195202. England J. L. Statistical Physics of Self-Replication. The Journal of Chemical Physics, 2013. Vol. 139, No. 12, 121923. Landauer R. Irreversibility and Heat Generation in the Computing Process. IBM Journal of Research and Development, 1961. Vol. 5, No. 3, pp. 183191. | |
