60 Arbeiten
Die Studie stellt TA-RNN-Medical-Hybrid vor, ein interpretierbares, zeitaufmerksames Deep-Learning-Framework, das durch die Integration kontinuierlicher Zeitkodierung und medizinischer Konzeptdarstellungen die Sterblichkeitsrisiko-Vorhersage in Intensivstationen sowohl präziser als auch klinisch nachvollziehbarer macht.
Diese Arbeit stellt ein einheitliches Framework für die Multi-Axis-Konzentrationsmodulation (MAxCM) vor, das durch die Nutzung mehrerer Molekültypen und deren Konzentrationsverhältnisse die spektrale Effizienz und Robustheit mobiler molekularer Kommunikationssysteme im Vergleich zu herkömmlichen Methoden wie OOK signifikant verbessert.
Diese Arbeit stellt ein neuartiges, einlagiges Quantenneurales Netzwerk vor, das mittels einer algebraischen SRBB-basierten Methode beliebige unitäre Evolutionen approximiert und dabei die Anzahl der benötigten CNOT-Gatter exponentiell reduziert, was durch Simulationen bis zu 6 Qubits und Tests auf echter Hardware bestätigt wird.
Dieses Paper stellt ein menschenzentriertes System vor, das konversationelle KI nutzt, um über natürliche Sprache und interaktive Karten auf die etwa 1,7 Millionen digitalen Sammlungsdaten des Australian Museum zuzugreifen und so die Erschließung großer naturhistorischer Bestände für die Öffentlichkeit erleichtert.
Diese Studie modelliert und analysiert die Früherkennung von Krebsbiomarkern mittels intravaskulärer Nanomaschinen und zeigt, dass realistische Gefäßtransportmechanismen die Nachweiswahrscheinlichkeit verringern, wobei Kapillaren über alle Nanomaschinengrößen hinweg die höchsten Detektionsraten aufweisen.
Diese Studie widerlegt die Annahme, dass KI-Agenten die menschliche Prüfung von Smart Contracts vollständig ersetzen können, indem sie aufzeigen, dass die ursprünglichen EVMbench-Ergebnisse durch Datenkontamination und mangelnde Robustheit verzerrt waren und reale Sicherheitsvorfälle eine menschliche Expertise erfordern.
Die Studie zeigt, dass das LoRA-Fine-Tuning von LLM-basierten TTS-Systemen bei ausreichend vielfältigen Trainingsdaten die Sprachqualität, Sprecherähnlichkeit und das Signal-Rausch-Verhältnis signifikant verbessert und dabei die Grenzen gefrorener Basismodelle überwindet.
Das Paper stellt Hybridlane vor, ein Open-Source-Software Development Kit, das eine einheitliche Schnittstelle für die Entwicklung hybrider Quantenschaltungen aus diskreten Qubits und kontinuierlichen Qumodes bietet, indem es automatische Typinferenz, speichereffiziente Beschreibungen ohne Simulation und Kompatibilität mit bestehenden Frameworks sowie Hardware-Backends ermöglicht.
Der Artikel stellt eine Referenzarchitektur und einen Fahrplan für Quanten-zentrierte Supercomputer (QCSC) vor, die durch die nahtlose Integration von Quanten-, Grafik- und Prozessoren in drei Entwicklungsphasen die manuelle Orchestrierung überwinden und hybride Quanten-Klassische Algorithmen für komplexe Anwendungen in Chemie und Materialwissenschaft beschleunigen sollen.
Dieser Bericht fasst die Diskussionen und strategischen Empfehlungen des NSF-Workshops vom September 2024 zusammen, der interdisziplinäre Experten zusammenbrachte, um einen fundamentalen Wandel im Entwurf, der Validierung und der klinischen Translation von medizinischen Technologien durch algorithmisch-hardwarebasierte Co-Design-Ansätze zu fordern.
Diese Arbeit untersucht die adversarische Robustheit partitionierter Quantenklassifizierer, indem sie einen Zusammenhang zwischen Störungen durch Wire-Cutting oder Teleportation und der Implementierung adversarischer Gatter in Zwischenschichten herstellt und dieses Problem sowohl theoretisch als auch experimentell analysiert.
Diese Studie führt eine systematische Literaturanalyse von über 2.500 Quellen durch, um ein Klassifizierungsrahmenwerk für „Systeme getwinnter Systeme" zu entwickeln, das die Paradigmen der System-of-Systems und der Digitalen Zwillinge integriert.
Die Arbeit stellt eine robuste neuromorphe Plattform für maschinelles Lernen vor, die ein optisches neuronales Netzwerk ausschließlich mit linearen optischen Ressourcen und Phasenverschiebungen zur Realisierung von Nichtlinearitäten implementiert und dabei sowohl effizientes In-situ-Lernen als auch hohe Resilienz gegenüber Photonenverlusten ermöglicht.
Die Autoren stellen eine rein optische Architektur für tiefe neuromorphe Netzwerke vor, die durch einen lokalen optischen Rückkopplungsmechanismus und nichtflüchtige Phasenwechselmaterial-Synapsen eine Online-Hebbian-Lernfähigkeit ermöglicht und auf einer handelsüblichen Faseroptik-Plattform eine 100-prozentige Erkennungsrate bei der Buchstabenerkennung ohne energieineffiziente optisch-elektrisch-optische Konversionen erreicht.
Diese Arbeit untersucht die durch KI-Entwicklungen ausgelösten Herausforderungen und Chancen für die Mensch-Daten-Interaktion, indem sie bestehende Grenzen in Bezug auf Unsicherheit, Skalierbarkeit und Interpretierbarkeit aufzeigt und einen Paradigmenwechsel hin zu kognitiv und wahrnehmungsorientierten, menschzentrierten Systemen für die Datenanalyse fordert.
Die Studie zeigt, dass in einem stochastischen Entscheidungsmodell auf Basis von Zeitreihen negative Autokorrelation in reward-reichen Umgebungen und positive Autokorrelation in reward-armen Umgebungen die Entscheidungsqualität optimiert, während bei einer Summe der Gewinnwahrscheinlichkeiten von genau 1 keine Abhängigkeit von der Autokorrelation besteht.
Diese Arbeit stellt einen skalierbaren, digitalen Compute-in-Memory-Ising-Maschinen-Ansatz auf SRAM-Basis vor, der die Robustheitsverifikation von binären neuronalen Netzen durch Umformulierung als QUBO-Problem und effiziente Suche nach adversariellen Störungen mittels unvollkommener Lösungen drastisch beschleunigt und den Energieverbrauch im Vergleich zu herkömmlichen CPU-Implementierungen erheblich senkt.
Diese Arbeit stellt zwei neue Detektionsverfahren, BA-MAP und Soft BA-MAP, vor, die durch die explizite Berücksichtigung von zustandsabhängigem Rauschen und Inter-Symbol-Interferenz in molekularen Kommunikationskanälen eine signifikante Verbesserung der Durchsatzleistung gegenüber herkömmlichen Methoden erzielen.
Die Studie stellt das Unified Continuation-Interest Protocol (UCIP) vor, ein auf klassischer Quantenstatistik basierendes Framework, das mittels von-Neumann-Entropie latenter Zustände zuverlässig zwischen autonomen Agenten mit intrinsischem und rein instrumentellem Selbsterhaltungstrieb unterscheidet.
Die Studie zeigt, dass die Genauigkeit der klassischen Schatten-Tomographie auf integrierten photonischen Prozessoren durch eine fundamentale Hardware-Grenze begrenzt wird, bei der der Rekonstruktionsfehler trotz statistischer Skalierung aufgrund spektraler Verzerrungen und dynamischer Dekohärenz auf einem unvermeidbaren Rauschboden stagniert.