138 artículos
Este estudio demuestra que la versión experimental de Python 3.14 sin GIL mejora significativamente el rendimiento y la eficiencia energética en cargas de trabajo paralelizables, pero resulta contraproducente en tareas secuenciales o con alta contención de recursos debido al aumento en el uso de memoria y energía.
Este cuarto artículo de la serie "La Flecha Semántica del Tiempo" demuestra que la suposición de un flujo temporal unidireccional sin una fase de reflexión provoca fallos catastróficos en la sincronización de archivos, el correo electrónico y la memoria al tratar la sucesión temporal como equivalente a la integración semántica, un error categorial conocido como FITO que distorsiona el significado en sistemas desde centros de datos hasta la cognición humana.
Este artículo concluye la serie "La Flecha Semántica del Tiempo" construyendo el "Puente Leibniz", un marco unificado que demuestra que la conservación de la información mutua y el orden causal indefinido permiten superar las limitaciones teóricas de los sistemas distribuidos al corregir el error de categoría FITO, revelando que la dirección del tiempo emerge de la producción de entropía al comprometer intercambios reversibles.
El artículo presenta FluxSieve, una arquitectura unificada que integra un procesamiento de filtrado y enriquecimiento ligero directamente en la ingesta de datos para reconciliar los planos de datos de streaming y analíticos, logrando mejoras de hasta varios órdenes de magnitud en el rendimiento de las consultas con una sobrecarga computacional y de almacenamiento mínima.
El artículo presenta PromptTuner, un sistema elástico consciente de los Objetivos de Nivel de Servicio (SLO) que optimiza el ajuste de prompts para modelos de lenguaje grandes mediante un Banco de Prompts para acelerar la convergencia y un Programador de Cargas de Trabajo para reducir las violaciones de SLO y los costos de recursos.
Este artículo proporciona una caracterización completa de las condiciones bajo las cuales existen algoritmos aleatorios para el problema de la elección en redes anónimas con conocimiento estructural arbitrario y bits aleatorios compartidos o no compartidos, generalizando resultados previos y analizando diversos escenarios de conocimiento.
Este artículo presenta un sistema de transporte inteligente impulsado por IA que escala el análisis de tráfico en tiempo real para redes de cámaras a nivel de ciudad mediante una arquitectura de borde-nube, utilizando inferencia en dispositivos Jetson Orin, grafos neuronales espaciotemporales y aprendizaje federado continuo para procesar hasta 1000 flujos de video con baja latencia.
Este artículo presenta el diseño e implementación de un sistema de monitoreo que recopila, persiste y agrega métricas de múltiples niveles desde nubes distribuidas hacia su plano de control, ofreciendo acceso a través de diversas APIs para garantizar la observabilidad necesaria en este modelo de nube.
Este estudio evalúa el rendimiento del marco FleCSI al comparar sus backends MPI, Legion y HPX en aplicaciones de hidrodinámica de radiación y un solver de Poisson, revelando que HPX ofrece ventajas de velocidad en escalas moderadas mientras que MPI mantiene una eficiencia superior en escalas masivas.
Este artículo propone un enfoque de adaptación de calidad basado en la intensidad de carbono de la red eléctrica para reducir las emisiones de servicios intensivos en energía, como los modelos de lenguaje grandes, mediante la optimización de la calidad de respuesta dentro de un presupuesto anual de carbono.
Este artículo presenta DCEA, un mecanismo que genera una prueba criptográfica de ejecución en la nube vinculando las attestaciones de Máquinas Virtuales Confidenciales con la evidencia de los módulos TPM de la plataforma para garantizar que el código se ejecuta dentro de un centro de datos confiable y prevenir ataques de proxy.
OSGym es un motor de datos distribuido y escalable diseñado para entrenar agentes informáticos generalizables en entornos de sistema operativo, ofreciendo una solución económica y versátil que permite la generación masiva de datos y el entrenamiento eficiente para la academia.
Este artículo explora cómo el uso de operaciones de expansión (fan-out) y qudits de dimensión cuatro puede optimizar la implementación de puertas globales en computación cuántica distribuida, ofreciendo implicaciones para la compilación de circuitos y el diseño de centros de datos cuánticos.
Este artículo analiza sistemáticamente las fallas de los agentes de IA en el análisis de causas raíz en la nube, identificando que los errores más frecuentes surgen de defectos arquitectónicos compartidos en lugar de limitaciones de los modelos individuales, y demuestra que mejorar los protocolos de comunicación entre agentes es más efectivo que el ajuste de prompts para mitigar estos fallos.
SENTINEL es un mecanismo de verificación ligero basado en promedios móviles exponenciales que garantiza la integridad del entrenamiento descentralizado de modelos grandes mediante paralelismo de pipeline en nodos no confiables, detectando comunicaciones corruptas sin duplicar cálculos y manteniendo garantías teóricas de convergencia.
Este trabajo propone un algoritmo heurístico basado en búsqueda por haz que realiza una partición de circuitos cuánticos consciente del tiempo para la computación cuántica distribuida, logrando reducir significativamente la sobrecarga de comunicación y ofrecer una mayor eficiencia computacional en comparación con los métodos estáticos y metaheurísticos existentes.
El artículo presenta PTOPOFL, un marco de aprendizaje federado personalizado que protege la privacidad y mejora la precisión en distribuciones no IID al sustituir el intercambio de gradientes por descriptores topológicos de homología persistente, logrando una menor fuga de información y un rendimiento superior en escenarios de salud y patológicos.
Este artículo propone un método de simulación clásica eficiente en memoria y rápido para el aprendizaje automático cuántico mediante la fusión de puertas en los caminos forward y backward, logrando mejoras sustanciales en el rendimiento y facilitando el entrenamiento de modelos a gran escala en GPUs de consumo.