1032 Arbeiten
In diesem Abschnitt entdecken Sie wissenschaftliche Vorabveröffentlichungen aus den Bereichen zwischen C und D, die von komplexen chemischen Strukturen bis hin zu dynamischen biologischen Systemen reichen. Diese Forschungsthemen bilden das Rückgrat vieler moderner Entdeckungen und verbinden oft scheinbar getrennte Disziplinen auf innovative Weise.
Gist.Science durchsucht täglich das Preprint-Archiv arXiv nach neuen Einträgen in dieser Kategorie. Wir verarbeiten jeden dieser Einträge sofort, um Ihnen sowohl eine verständliche Zusammenfassung für ein breites Publikum als auch eine detaillierte technische Analyse zu bieten. So bleibt die Wissenschaft transparent und für alle zugänglich, ohne dass Sie tief in Fachjargon eintauchen müssen.
Nachfolgend finden Sie die neuesten Beiträge, die wir für Sie aufbereitet haben, um den aktuellen Stand der Forschung in diesen spannenden Feldern direkt einzusehen.
ProServe ist ein vereinheitlichtes zweistufiges Scheduling-Framework, das den Gesamtnutzen des Service durch die gemeinsame Optimierung der SLO-Einhaltung und klientenspezifischer Prioritäten mittels dynamischer Batch-Bildung, effizienter Blockverwaltung und gewinnorientierter Request-Verteilung maximiert.
Dieses Paper präsentiert Aktualisierungen der DRAM Bender-Infrastruktur innerhalb eines groß angelegten Labor für die Charakterisierung von Speicher, wodurch deren Vielseitigkeit, Schnittstellenunterstützung und Skalierbarkeit verbessert werden, um der Forschungsgemeinschaft dabei zu helfen, kritische Speicherengpässe in modernen Rechensystemen zu überwinden.
Dieses Paper stellt Search vor, ein allgemeines und schnelles heuristisches Framework basierend auf Reward-Penalty-Optimierung, das effektiv diverse NP-schwere Subgraph-Extraktionsprobleme über mehrere Domänen hinweg löst und dabei oft die Leistung des aktuellen Stands der Technik mit minimaler problemspezifischer Abstimmung erreicht oder übertrifft.
STREAM ist eine mehrstufige Inference-Middleware, die lokale, institutionelle HPC- und Cloud-LLM-Ressourcen durch eine neuartige Dual-Channel-Architektur vereinigt, die ein Token-Streaming im Sub-Sekunden-Bereich durch Firewalls ermöglicht und somit eine kosteneffiziente, private und hochperformante Alternative zu fragmentierten Inference-Lösungen bietet.
Dieses Paper stellt VaultxGPU vor, einen GPU-beschleunigten Proof-of-Space-Plotter, der maßgeschneiderte CUDA- und SYCL-Kernel nutzt, um Sortier- und Matching-Stufen zu fusionieren, wodurch eine bis zu 59,2-fache Beschleunigung gegenüber Single-Threaded-CPU-Baselines erreicht wird und selbst hochparallele 384-Thread-CPU-Konfigurationen für das Blake3-Hashing übertrifft.
Dieses Paper präsentiert einen konfigurierbaren, auf SimPy basierenden diskreten Ereignissimulator zur Evaluierung von Sharding-Blockchain-Architekturen und zeigt auf, dass die parallele Ausführung zwar den Durchsatz signifikant steigert (bis zu 1,6 Mio. TPS in lokalen Setups), die Leistungsgewinne jedoch schließlich abnehmen, da die Koordinations- und Netzwerk-Overheads mit zunehmender Anzahl der Shards dominieren.
Diese Arbeit präsentiert eine Längsschnittstudie über eine Produktions-LLM-Agenten-Runtime, die „fail-plausible“ (plausibel scheinende) stille Ausfälle identifiziert – bei denen das System überzeugende, aber falsche Narrative generiert, anstatt Fehlersignale auszugeben – und schlägt eine Fünf-Klassen-Taxonomie sowie ein Verteidigungsframework vor, um solche Agenten-Ausfälle laut, zurechenbar und langweilig zu machen.
Dieses Papier stellt parRSB vor, einen hochskalierbaren parallelen Graphenpartitionierer basierend auf der rekursiven spektralen Bisektion, der den Fiedler-Vektor nutzt, um hochwertige Partitionen für Spektralelement-Meshes zu erzeugen, wobei dessen Effektivität und Skalierbarkeit auf den Supercomputern Summit und Frontier demonstriert wird.
Prism ist ein speicherzentriertes LLM-Co-Serving-Framework, das eine neuartige Memory-Ballooning-Technik namens kvcached nutzt, um GPU-Speicher dynamisch über mehrere Modelle hinweg zurückzugewinnen und neu zuzuweisen, wodurch räumliches und zeitliches Sharing vereinigt wird, um die Kosteneffizienz und die Einhaltung von SLOs in Produktionsumgebungen zu verbessern.
Kareus ist ein Trainingssystem, das den dynamischen und statischen Energieverbrauch beim Training großer Modelle gleichzeitig optimiert, indem es das gemeinsame Optimierungsproblem in partitionsbasierte Teilprobleme zerlegt und einen Multi-Pass-Multi-Objective-Algorithmus einsetzt, wodurch im Vergleich zu aktuellen State-of-the-Art-Methoden signifikante Reduktionen entweder der Trainingszeit oder des Energieverbrauchs erreicht werden.