23609 ورقة بحثية
كجزء من مختبر ناسا للهيليولاب لعام 2025، تقدم هذه الورقة مجموعة بيانات منسقة، ومفتوحة الوصول، وجاهزة للتعلم الآلي، تدمج قياسات شمسية وهليوسفيرية وأيونوسفيرية متنوعة لتدريب واختبار النماذج الزمكانية من أجل تحسين التنبؤ التشغيلي لإجمالي محتوى الإلكترونات الرأسي (TEC) في ظل ظروف جيومغناطيسية متغيرة.
تقترح هذه الورقة قانون كابلان (Kaplan) مُعدلاً يتنبأ بدقة باستهلاك طاقة وحدة معالجة الرسومات (GPU) لنماذج الانتشار من خلال تفكيك عملية الاستدلال إلى مكونات تشفير النص، وإزالة الضجيج، وفك التشفيد، مما يثبت أن عملية إزالة الضجيج تهيمن على استخدام الطاقة ويسمح بتقدير موثوق عبر البنيات المختلفة من أجل التخطيط المستدام للذكاء الاصطناعي.
تقدم هذه الورقة إطاراً موحداً منظماً بتباعد كولباك-ليبلر (KL) للتحكم الأمثل، يعمم الأهداف الكلاسيكية والحساسة للمخاطر من خلال بدائل السياسة الناعمة، والتي يمكن تكرارها لاستعادة الأهداف الأصلية، وفي حالة التزامن، تؤدي إلى مؤثرات بلمان خطية وحلول تكامل المسار.
تقدم الورقة البحثية FOAM، وهو مُحسِّن كفء في استهلاك الذاكرة يقوم بضغط حالات المُحسِّن عبر متوسطات التدرج بنظام الكتل مع تصحيح البواقي، محققاً معدلات تقارب تعادل خوارزمية Adam التقليدية مع التخلص من ما يصل إلى 90% من عبء ذاكرة المُحسِّن وتسريع التدريب دون تدهور في الأداء.
تقدم هذه الورقة البحثية طريقة الاستيفاء العشوائي ذاتي الاتساق (SCSI)، وهي طريقة فعالة حاسبياً وذات أسس نظرية، تقوم بتوليد نماذج للبيانات النظيفة من الملاحظات الفاسدة عبر تعلم خريطة نقل بشكل تكراري باستخدام الوصول فقط إلى قناة الفساد كصندوق أسود.
تقدم هذه الورقة طريقة خالية من التدريب تسمى "الاستدلال غير المتزامن" (Asynchronous Reasoning)، والتي تستفيد من التضمينات الموضعية لتمكين النماذج اللغوية الكبيرة من التفكير والاستماع وتوليد الاستجابات في آن واحد وفي الوقت الفعلي، مما يقلل زمن الاستجابة بشكل كبير مع الحفاظ على دقة الاستدلال.
تقترح هذه الورقة طريقة فعالة للكشف عن التآثرات الجينية عالية الرتبة من خلال صياغة المشكلة كمسألة تحسين الصندوق الأسود التي يتم حلها عبر آلة التفكيك مع التلدين التربيعي (FMQA)، باستخدام معدلات خطأ التصنيف القائمة على تقليل التباين الأقصى (MDR) كدالة هدف لتحديد التفاعلات الحقيقية بنجاح وكفاءة حوسبية عالية.
تقترح هذه الورقة إطار عمل هجين يجمع بين النماذج اللغوية الكبيرة المدربة مسبقاً وعملية عصبية خفيفة الوزن قائمة على الانتشار لمعالجة تتابعات الأخطاء وعدم الكفاءة الحسابية في الانحدار المشروط بالنص، وذلك باستخدام طريقة أخذ عينات مبتكرة خالية من التدرج لإنتاج تنبؤات أفضل معايرة وأكثر اتساقاً محلياً.
تقترح هذه الورقة إطار عمل هجين للتحليل الانحداري الكمي-الكلاسيكي يجمع بين تضمين التمهيد الهندسي القابل للتعلم وبروتوكول تدريب قائم على المنهج الدراسي للتغلب على تحديات القدرة على التدريب في الدوائر الكمية المتغيرة، مما يظهر أداءً محسناً مقارنة بالنماذج الكمية الأساسية الصرفة مع الإقرار باستمرار تنافسية الطرق الكلاسيكية القوية.
تعمل هذه الورقة على تعزيز كسر حماية النماذج اللغوية الكبيرة (LLM jailbreaking) من خلال إثبات أن تجميع متغيرات "الاستكمال المسبق" (prefill) البسيطة يعزز معدلات نجاح الهجوم بشكل كبير، وتقديم تقنية "الدمية الرديفة" (sockpuppetting)، وهي طريقة هجينة مبتكرة تعمل على تحسين اللاحقات العدائية ضمن كتلة رسالة المساعد لتحقيق أداء فائق ومستقل عن نوع المطالبة.