文章预览
导语 今年4月，Max Tegmark 团队发布了一种崭新的深度学习网络结构 Kolmogorov-Arnold Network（简称KAN） 后迅速引起轰动，论文一作刘子鸣在集智俱乐部 AI+Science 读书会中详细介绍了团队的最新工作（参看： KAN一作刘子鸣直播总结：KAN的能力边界和待解决的问题 ）。随后8月再次发布 KAN 的拓展工作 KAN 2.0 ，呈现的不仅是一个优化升级的网络架构，更是一种 AI+Science 研究范式，这一范式使得 AI+Science 研究更具有交互性和可解释性，希望能够支持“好奇心驱动的科学”的发展。知名科普杂志 Quanta Magazine 近日撰文回顾梳理了 KAN 这一系列工作的研究历程，本文是对该文章的翻译。 研究领域： AI+Science，深度学习，神经网络， AI可解释性 Steve Nadis | 作者 龚铭康 | 译者 “神经网络目前是人工智能中最强大的工具。当它们应用于更大的数据集时，没有什么可
………………………………
