2325 Arbeiten
Die Arbeit stellt KernelCraft vor, den ersten Benchmark, der nachweist, dass agentic LLM-Systeme durch einen feedbackgesteuerten Workflow effizient und korrekt optimierte Low-Level-Kernel für neuartige Hardware-Architekturen mit bisher unbekannten Instruktionssätzen generieren können.
Die Arbeit stellt ALADIN vor, ein Framework zur genauigkeits- und latenzbewussten Analyse des Designraums für gemischt-präzise quantisierte neuronale Netze auf eingebetteten KI-Beschleunigern, das die Bewertung von Trade-offs zwischen Genauigkeit, Latenz und Ressourcenverbrauch ohne physische Bereitstellung auf der Zielplattform ermöglicht.
Diese Arbeit bietet eine umfassende Analyse und einen empirischen Vergleich von Edge- und In-Sensor-AI-Prozessoren, wobei Benchmarks auf GAP9, STM32N6 und Sony IMX500 die überlegene Energieeffizienz und den Reifegrad von In-Sensor-Verarbeitung im Vergleich zu herkömmlichen Mikrocontroller- und Beschleuniger-Architekturen unterstreichen.
Dieser Artikel stellt eine datenratenbewusste CNN-Beschleunigerarchitektur für FPGAs vor, die durch Multi-Pixel-Verarbeitung und eine optimierte Designraumexploration die Hardwareauslastung verbessert und den Einsatz komplexer CNNs auf einem einzigen FPGA bei verschiedenen Datenraten ermöglicht.
Die Studie zeigt, dass die synergetische Integration von überwachtem kontrastivem Lernen, Hopfield-Netzen und hierarchischen gated recurrenten Netzwerken in Spiking Neural Networks zu einer ausgewogenen Verbesserung von Genauigkeit, Energieeffizienz und neuronalen Clusterstrukturen auf dem N-MNIST-Datensatz führt.
Die Arbeit stellt Hebbian-Oscillatory Co-Learning (HOC-L) vor, ein einheitliches Zwei-Zeitskalen-Framework, das hyperbolische spärliche Geometrie mit oszillatorischer Phasensynchronisation koppelt, um durch synchrone Gate-Mechanismen strukturelle Plastizität zu steuern und dabei theoretische Konvergenz sowie lineare Komplexität nachzuweisen.
Die Arbeit stellt Auralink SDC vor, ein Edge-Architekturkonzept mit spezialisierten KI-Agenten, das durch Techniken wie confidence-kalibrierte autonome Fehlerbehebung und adaptive Retrieval-Augmented Reasoning die Zuverlässigkeit und Reaktionsgeschwindigkeit von EV-Ladeinfrastruktur signifikant verbessert und dabei 78 % autonome Störungsbehebung bei sub-50ms-Latenz erreicht.
Diese Arbeit stellt einen Sensitivitäts-basierten Kompressionsrahmen für Reservoir Computing vor, der durch systematische Kombination von Pruning und Quantisierung die Hardware-Effizienz auf FPGAs erheblich steigert, ohne die Modellgenauigkeit zu beeinträchtigen.
Die Arbeit stellt die AetherFloat-Familie vor, eine hardwareoptimierte Quad-Radix-Gleitkomma-Architektur für KI-Beschleuniger, die durch den Verzicht auf Block-Skalierung und die Einführung expliziter Mantissen signifikante Verbesserungen bei Chipfläche, Energieverbrauch und Latenz ermöglicht, wobei AF8 speziell als Block-Scale-Free-Format für Inferenz mit Quantisierungsbewusstsein entwickelt wurde.
Diese Arbeit stellt einen physik-informierten neuronalen Netzwerk-Ansatz (PINN) vor, der robuste und genaue Schätzungen biophysikalischer Parameter und rekonstruierte Zustandsvariablen aus teilweise verrauschten Beobachtungen in multiskaligen neuronalen Systemen ermöglicht und dabei die Grenzen traditioneller numerischer Methoden überwindet.
Die Arbeit führt das theoretisch fundierte, permutationsäquivariante VI 2D SSM ein, das durch den Verzicht auf künstliche Variablenreihenfolgen und die Reduzierung der Abhängigkeitstiefe auf konstante Komplexität einen neuen State-of-the-Art bei der Modellierung multivariater Zeitreihen erreicht.
Die Arbeit stellt HCAPO vor, ein neues Framework, das durch die Integration von Hindsight-Credit-Assignment und einem Multi-Scale-Vorteilsmechanismus die Effizienz und Erfolgsrate von LLM-Agenten bei langfristigen Aufgaben im Vergleich zu bestehenden Methoden wie GRPO signifikant verbessert.
Diese Arbeit stellt eine prinzipielle Reduktionsmethode vor, die es ermöglicht, -invariante Funktionen auf Produkträumen durch Invarianten der Isotropiegruppe auf allein darzustellen, wodurch die strukturellen Einschränkungen bestehender äquivarianter neuronaler Felder beseitigt und deren Anwendbarkeit auf beliebige Gruppenaktionen erweitert wird.
Diese Arbeit beweist, dass keine Verifikationsmethode gleichzeitig die Eigenschaften der Korrektheit, Allgemeingültigkeit über den gesamten Eingabebereich und polynomiellen Effizienz erfüllen kann, wodurch ein fundamentales Trilemma für die formale Zertifizierung von KI-Ausrichtung etabliert wird.
Die Arbeit stellt SPREAD vor, ein geometrieerhaltendes Framework für das lebenslange Imitationslernen, das durch subspace-basierte Distillation und eine vertrauensgesteuerte Strategie katastrophales Vergessen verhindert und gleichzeitig die Übertragung von Wissen sowie die Generalisierungsfähigkeit verbessert.
Die Arbeit stellt Midicoth vor, ein verlustfreies Kompressionssystem, das durch eine Mikro-Diffusions-Denoising-Schicht, die auf einer binären Baumstruktur und schrittweisen Kalibrierung basiert, die Wahrscheinlichkeitsschätzungen adaptiver statistischer Modelle für eine effizientere Online-Kompression verbessert.
Diese Arbeit stellt einen effizienten, mehrstufigen Meta-Reinforcement-Learning-Ansatz vor, der durch die Kompression von MDPs, die Faktorisierung von Strategien in Skills und die Einbettung in ein Curriculum-Learning-Framework komplexe sequenzielle Entscheidungsprobleme mit natürlicher Hierarchie strukturiert löst und dabei Transferfähigkeit sowie Recheneffizienz verbessert.
Diese Arbeit stellt das Temporale Markov-Übergangsfeld (TMTF) vor, eine Erweiterung der herkömmlichen Markov-Übergangsfelder, die durch die Aufteilung von Zeitreihen in zeitliche Abschnitte und die Schätzung lokaler Übergangsmatrizen nicht-stationäre Regimewechsel erfasst und somit die zeitliche Dynamik in einer für neuronale Netze geeigneten Bildrepräsentation erhält.
Die Arbeit stellt SoftJAX und SoftTorch als umfassende Open-Source-Bibliotheken vor, die durch nahtlose Ersetzungen für JAX und PyTorch informative Gradienten für bisher schwer differenzierbare Operationen wie Sortieren, Boolean-Logik und diskrete Indizierung bereitstellen.
Die Studie stellt mit GenGNN einen modularen Message-Passing-Rahmen vor, der zeigt, dass expressive Encoder wie Transformer für die diskrete Graphen-Generierung nicht zwingend erforderlich sind, da GNN-basierte Diffusionsmodelle vergleichbare Validität bei deutlich schnellerer Inferenz erreichen.