66 artículos
Este artículo presenta una implementación neuronal del mapa cognitivo difuso (FHM) que utiliza dinámicas de Langevin para aprender patrones de causalidad, resolver inversamente los valores de los nodos de salida y generar criterios de modificación, todo ello validado mediante evaluaciones en diversos conjuntos de datos.
El artículo presenta D2MOE, un método que combina la extracción de características de doble vista multiescala con un algoritmo evolutivo multiobjetivo para mejorar la precisión en la predicción de regiones intrínsecamente desordenadas en proteínas mediante la optimización automática de la fusión de características.
El artículo presenta NOBLE, una arquitectura que incorpora ramas no lineales de bajo rango en las capas lineales de los transformadores para mejorar la eficiencia del entrenamiento desde cero, logrando una aceleración significativa en el tiempo de entrenamiento con un aumento mínimo de parámetros.
Este trabajo presenta un marco híbrido cuántico-clásico reproducible que utiliza un mapeo de características inspirado en la mecánica cuántica y una red neuronal cuántica profunda para mejorar la generalización y precisión en la predicción de valores pKa a nivel de residuos en proteínas.
Este trabajo demuestra que una arquitectura de red neuronal tridimensional con activaciones ReLU aumentadas por altura permite aproximar funciones analíticas y con tasas exponenciales mejoradas y de manera no asintótica, superando limitaciones fundamentales en la teoría de aproximación y ofreciendo diseños de redes más eficientes en parámetros.
Este trabajo presenta un marco mecánico cuántico que modela la optimización basada en cuantización mediante la ecuación de Schrödinger, demostrando que el efecto túnel cuántico permite escapar de mínimos locales para garantizar la convergencia global y unificar la optimización combinatoria y continua.
Este artículo generaliza el teorema de aproximación de operadores de Chen-Chen al desarrollar Topological DeepONets que aproximan uniformemente operadores continuos desde espacios localmente convexos arbitrarios hasta espacios de funciones continuas, extendiendo así el marco clásico de DeepONets más allá de los espacios de funciones continuas y de Banach.
Este artículo presenta ScenarioFuzz, un método pionero de fuzzing basado en escenarios que utiliza datos históricos y redes neuronales gráficas para orquestar pruebas de seguridad en sistemas de conducción autónoma, logrando reducir los costos de tiempo en un 60,3% y descubrir un 103% más de escenarios de error por unidad de tiempo, identificando además 58 errores en seis sistemas probados.
Este estudio demuestra que la simetría en la topología de los reservorios mejora significativamente la precisión predictiva en sistemas de convección térmica de baja dimensión, mientras que su impacto es insignificante en modelos de flujo de cizalladura altamente caóticos y de alta dimensión.
Este artículo presenta un modelo generativo basado en redes neuronales predictivas que crea ilusiones de movimiento efectivas en humanos, respaldando la hipótesis de que estas ilusiones surgen de las predicciones cerebrales y destacando el valor de estudiar las "fallos motivados" en la inteligencia artificial.
LLEMA es un marco unificado que combina el conocimiento de modelos de lenguaje grandes con reglas evolutivas y refinamiento basado en memoria para descubrir materiales novedosos que satisfacen múltiples objetivos y son químicamente plausibles, superando a los enfoques basales en diversas aplicaciones científicas.
El artículo presenta Yukthi Opus, un metaheurístico híbrido multi-cadena que combina exploración global mediante MCMC, búsqueda local voraz y recocido simulado con recalefacción adaptativa para optimizar problemas NP-difíciles de gran escala bajo restricciones presupuestarias, demostrando un rendimiento competitivo y una mayor estabilidad en comparación con optimizadores establecidos.
Este trabajo desarrolla una teoría dinámica para el razonamiento secuencial en redes de Hopfield impulsadas por entrada, derivando condiciones explícitas para las transiciones de memoria autosostenidas y estableciendo un puente matemático entre la dinámica clásica de Hopfield y las arquitecturas modernas de razonamiento.
El artículo presenta "Evolution 6.0", un sistema robótico autónomo impulsado por modelos de IA generativa que permite a los robots diseñar y fabricar sus propias herramientas y aprender a utilizarlas para ejecutar tareas humanas, logrando altas tasas de éxito en la generación de herramientas y la generalización de acciones.
Este artículo presenta Akkumula, un marco de modelado basado en redes neuronales de espigas que mejora la realismo de los modelos de conducción al simular la acumulación de evidencia para predecir con precisión acciones como frenar, acelerar y girar, superando las limitaciones de los métodos existentes en adaptabilidad y eficiencia computacional.
El artículo presenta AutoQD, un enfoque teóricamente fundamentado que automatiza el descubrimiento de comportamientos diversos en procesos de decisión de Markov mediante la generación de descriptores conductuales derivados de medidas de ocupación, eliminando así la necesidad de definir manualmente dichos descriptores.
El artículo presenta CaRe-BN, un método de normalización por lotes adaptativo y de recalibración que estabiliza el entrenamiento de Redes Neuronales de Spikes en Aprendizaje por Refuerzo mediante estadísticas precisas, logrando un rendimiento superior al de las Redes Neuronales Artificiales sin comprometer la eficiencia energética durante la inferencia.
Este artículo presenta "Soft QD", un nuevo marco de optimización que evita la discretización del espacio de comportamientos mediante un enfoque diferenciable llamado SQUAD, el cual demuestra ser competitivo con los métodos actuales y ofrece una mejor escalabilidad en problemas de alta dimensionalidad.
El artículo presenta NeuroPareto, una arquitectura que integra filtrado basado en rangos, desentrañamiento de incertidumbre y estrategias de adquisición condicionadas al historial para optimizar eficientemente problemas de muchos objetivos en espacios de parámetros vastos y costosos, superando a los métodos existentes en proximidad al frente de Pareto e hipervolumen.
El artículo presenta mlx-snn, la primera biblioteca nativa de redes neuronales de espigas (SNN) para Apple Silicon basada en el framework MLX, que ofrece un pipeline de entrenamiento completo, múltiples modelos de neuronas y codificaciones de picos, logrando una mayor eficiencia y rendimiento en comparación con soluciones existentes como snnTorch.