23413 ورقة بحثية
تقدم هذه الورقة إطار عمل للتحكم التنبؤي بالنماذج يجمع بين المحاكاة عالية الدقة القائمة على الفيزياء وبين انحدار مؤثر كوبمان القائم على النواة عالي الكفاءة لتوليد مسارات طي أقمشة روبوتية ديناميكية سريعة ودقيقة وقابلة للتعميم، مما يتغلب بفعالية على تحديات تحديد الأنظمة غير الخطية ونقل المحاكاة إلى الواقع.
تُثبت هذه الورقة أن تدريب النماذج اللغوية الكبيرة الخاصة بالبرمجة باستخدام التعلم التعزيزي لتخليق أدوات حل قابلة لإعادة الاستخدام ومدركة للقيود لمسائل الأمثلة التوافقية يتفوق بشكل كبير على طرق البحث التقليدية أثناء الاستدلال، وذلك من حيث جودة الحل وكفاءة الحوسبة.
تقدم الورقة البحثية EBMol، وهو نموذج قائم على الطاقة يستعيد الانحياز الاستقرائي الفيزيائي لتوليد الجزيئات ثلاثية الأبعاد عبر تعلم جهد قياسي مضاف للذرات من خلال هدف مستوحى من التدفق، محققاً أداءً هو الأفضل في فئته على مجموعتي بيانات QM9 وGEOM-Drugs مع تمكين التصنيف النوعي المبدئي والتصميم القابل للتحكم في وضع الصفر.
تقدم الورقة البحثية نموذج التكرار الهرمي للرسوم البيانية (GHR)، وهو إطار عمل فعال من حيث المعلمات يستفيد من العمليات المشتركة على الرسوم البيانية المدخلة والتجريدات الهرمية للتفوق بشكل كبير على النماذج الحالية في التقاط التبعيات طويلة المدى وتحقيق تعميم متفوق خارج النطاق بما لا يزيد عن 1% فقط من معلمات النماذج الأحدث حالياً.
تُثبت هذه الورقة التقارب النظري للنقل الأمثل القائم على نواة الحرارة على المتشعبات، وتُقدم خوارزمية "سينكهورن" للهارمونيات الكروية سريعة ومتوافقة مع وحدات معالجة الرسومات بـتعقيد قدره لمقارنة نماذج المناخ العالمي على الكرة الأرضية بكفاءة.
تقدم هذه الورقة إطاراً موحداً ذا صيغة مغلقة لتحليل التباين الوظيفي المعمم يستفيد من أساليب فضاء هيلبرت لتفكيك تنبؤات النموذج صراحةً للمدخلات المستمرة المعتمدة، مما يتيح خوارزمية بسيطة وغير مرتبطة بنموذج معين لتقدير التفسيرات الجمعية تتفوق على الأساليب الحالية الرائدة.
تقدم الورقة البحثية Text2CAD-Bench، وهو أول معيار شامل مصمم لتقييم توليد نماذج التصميم بمساعدة الحاسوب (CAD) من النصوص إلى النماذج البارامترية القائمة على النماذج اللغوية الكبيرة عبر مستويات متفاوتة من التعقيد الهندسي ومجالات تطبيقات واقعية متنوعة، كاشفةً أن النماذج الحالية تعاني مع الميزات المتقدمة والتوبولوجيا المعقدة رغم أدائها المناسب في الهندسة الأساسية.
تقترح هذه الورقة إطار عمل FedMAGS، وهو إطار عمل للتعلم التعزيزي العميق الميتافيزيقي الاتحادي يجمع بين شبكات الانتباه الرسومية ونمذجة تسلسل إلى تسلسل لمعالجة تفريغ مهام المخططات الموجهة غير المتجانسة (DAG) بكفاءة في حوسبة الحافة المركبة مع ضمان خصوصية البيانات وتمكين التكيف السريع عبر الخوادم الموزعة.
تكشف هذه الورقة أن نماذج الاستدلال البصري الكامنة الحالية تفشل في استخدام الرموز البصرية الوسيطة لأن مجموعات البيانات الحالية لا توفر معلومات كافية لجعلها ضرورية، كما أن التنبؤات أثناء الاستدلال غير دقيقة، مما يشير إلى أن التقدم المستقبلي يتطلب كلاً من مجموعات بيانات أكثر إفادة وتوليدًا أفضل للرموز.
تقترح هذه الورقة إطار عمل للتعلم التعزيزي يعتمد على أقصى إنتروبيا لنمذجة مسارات العملاء في المساحات التجارية، مظهرةً تفوقها على الاستدلالات التقليدية مثل مسألة البائع المتجول (TSP) والشبكات العصبية الاصطناعية (PNN) من خلال تقديم رؤى أكثر دقة وتأسيسًا سلوكيًا لتحسين تخطيط المتاجر وتعظيم الأرباح دون الحاجة إلى جمع بيانات واقعية مكلفة.