63 artículos
Este estudio presenta un chatbot basado en el modelo de lenguaje Google Gemini 2.0 Flash que automatiza la configuración, resolución y post-procesamiento de simulaciones de corrientes parásitas bidimensionales mediante Gmsh y GetDP, reduciendo significativamente el tiempo necesario para generar modelos electromagnéticos.
El marco EPIC aborda los desafíos de la implementación centralizada del aprendizaje automático científico en entornos distribuidos mediante un enfoque de codificación local ligera y decodificación consciente de la física, logrando reducciones significativas en la latencia y el consumo de energía mientras mejora la fidelidad de reconstrucción en tareas como la inversión de onda completa.
El artículo presenta ToolRosetta, un marco unificado que automatiza la conversión de repositorios de código de código abierto en herramientas estandarizadas compatibles con el Protocolo de Contexto de Modelo (MCP), permitiendo a los agentes de modelos de lenguaje grandes ejecutar tareas complejas de extremo a extremo con mínima intervención humana y garantizando la seguridad.
Este artículo presenta la construcción de un functor que asigna dinámica a un modelo algebraico de componentes interactivos, generalizando el modelo computacional AlChemy de Fontana y Buss mediante el cálculo lambda y explorando el uso de la teoría de categorías para formalizar la conexión entre los aspectos algebraicos y dinámicos de la química artificial.
Este trabajo presenta un filtro de Kalman de conjunto regularizado que, mediante inferencia bayesiana, actualiza el estado de modelos de campo de fase para fractura frágil utilizando datos de sensores de desplazamiento, corrigiendo las estimaciones para garantizar la consistencia con las suposiciones del modelo y permitiendo inferir tanto el campo de desplazamientos como el campo de fase.
Este artículo presenta un método de proyección informado por el gradiente de densidad que elimina eficazmente el desenfoque de los bordes estructurales y suprime las regiones de espesor indeseable en la optimización topológica de espesor variable, mejorando la definición geométrica sin comprometer significativamente el cumplimiento estructural.
Este artículo presenta un algoritmo basado en bucles para la programación y enrutamiento en línea sin conflictos de vehículos guiados automatizados (AGV) en grafos de bucle, demostrando experimentalmente que supera o iguala a otros métodos en calidad de solución con menor tiempo de cómputo.
Este artículo presenta un marco de aprendizaje gráfico adaptativo que detecta anomalías financieras mediante la descomposición de mecanismos específicos (como choques de precios o crisis de liquidez) y la asignación de pesos interpretables para identificar las causas subyacentes, logrando una detección temprana superior y una guía accionable para la gestión de riesgos.
Este artículo presenta una taxonomía y guía práctica de diversos métodos de diferenciación numérica para datos ruidosos, incluyendo consideraciones teóricas, comparativas y un paquete de código abierto en Python llamado PyNumDiff para ayudar a científicos e ingenieros a seleccionar la técnica más adecuada para sus aplicaciones.
Este trabajo propone un nuevo paradigma de fusión de modelos llamado Análisis de Fusión Combinatoria (CFA) para predecir el precio de Bitcoin, logrando un rendimiento superior al de los modelos individuales y otros métodos existentes con un error porcentual absoluto medio (MAPE) de 0,19%.
Este estudio evalúa el impacto del análisis de sentimiento de noticias basado en LLMs (DeBERTa, RoBERTa y FinBERT) en la predicción de movimientos del precio de las acciones, demostrando que DeBERTa supera a los otros modelos individuales y que un enfoque de ensamble alcanza una precisión del 80%, mejorando ligeramente el rendimiento de diversos arquitecturas de predicción.
HarmonyCell es un marco de agente automático que resuelve la heterogeneidad semántica y estadística en estudios de perturbación de células individuales mediante un unificador de metadatos impulsado por LLM y un motor de búsqueda adaptativa, logrando un rendimiento superior al de los diseños expertos sin necesidad de ingeniería específica por conjunto de datos.
Este estudio presenta un marco de aprendizaje automático para predecir el flujo estacionario en medios porosos, demostrando que el Operador de Red Neuronal de Fourier (FNO) supera a los modelos AE y U-Net al ofrecer predicciones precisas y hasta 1000 veces más rápidas que la dinámica de fluidos computacional tradicional, lo que lo hace ideal para la optimización topológica de placas frías.
Este trabajo presenta un enfoque computacional que combina elementos finitos y redes neuronales para resolver problemas de elasticidad de Cosserat en medios microestructurados, integrando restricciones físicas en la arquitectura de la red y validando la estabilidad de las soluciones mediante criterios de convexidad y desigualdades de Legendre-Hadamard.
Este trabajo presenta un solver acoplado electromagnético-térmico-mecánico acelerado por GPU que permite simulaciones transitorias de escala completa y alta fidelidad para el diseño temprano de paquetes avanzados, superando las limitaciones de los métodos convencionales al identificar mecanismos de fallo ocultos como el estrés adiabático inducido por señales.
El artículo presenta "Agora", una plataforma impulsada por IA que utiliza voces humanas auténticas para enseñar habilidades de búsqueda de consenso, demostrando en un estudio preliminar que su interfaz completa mejora las competencias de resolución de problemas y la calidad de los acuerdos en comparación con la visualización de datos agregados.
El artículo presenta Tau-BNO, un marco de operador neuronal que actúa como sustituto computacional eficiente del Modelo de Transporte de Redes (NTM) para simular rápidamente la propagación de la proteína tau en el cerebro, superando las limitaciones de velocidad de los modelos mecánicos tradicionales y logrando una alta precisión predictiva que facilita el descubrimiento de nuevos mecanismos biológicos.
Este estudio propone un método de detección de sesgos en modelos de lenguaje financieros que reduce significativamente los costos computacionales al identificar patrones consistentes entre modelos, permitiendo descubrir hasta un 73% de los comportamientos sesgados utilizando solo el 20% de los pares de entrada necesarios en enfoques tradicionales.
Este artículo demuestra que un marco basado en modelos de lenguaje grande (LLM) que extrae y compara cambios semánticos contextuales en los informes corporativos logra predecir alfa con más del doble de eficacia que los métodos tradicionales basados en reconocimiento de entidades nombradas.
El artículo presenta CostNav, un nuevo benchmark que evalúa la viabilidad económica real de los agentes de IA física para la navegación mediante el análisis de costos y beneficios utilizando datos regulatorios y financieros de la industria, revelando que los métodos actuales, aunque exitosos en tareas simplificadas, no son económicamente viables en escenarios del mundo real.