14 artículos
Este artículo presenta TalisMan2.0, una herramienta de verificación algebraica híbrida que utiliza razonamiento multimodular en paralelo para evitar el uso de enteros grandes y mejorar significativamente la eficiencia en la verificación de circuitos aritméticos.
Este trabajo presenta el marco de Computación Distribuida Aleatorizada (RDFC), un enfoque de comunicación semántica que garantiza la privacidad local mediante la transmisión de información mínima para generar funciones aleatorizadas, demostrando que la privacidad puede lograrse incluso sin aleatoriedad compartida y reduciendo drásticamente la tasa de comunicación en comparación con la transmisión sin pérdidas.
Este trabajo presenta un método basado en programación genética para el descubrimiento simbólico de ecuaciones diferenciales estocásticas que optimiza conjuntamente las funciones de deriva y difusión mediante estimación de máxima verosimilitud, permitiendo la recuperación precisa de ecuaciones gobernantes, una escalabilidad eficiente y una mayor capacidad de modelado en sistemas dinámicos ruidosos.
El artículo presenta "Agent Hunt", un experimento que utiliza un mercado simulado basado en recompensas donde múltiples agentes de LLM colaboran de forma descentralizada para formalizar y demostrar teoremas de topología algebraica en un entorno de demostración interactiva, proponiendo lemas, compitiendo por recompensas y refinando iterativamente sus pruebas hasta que son verificadas por el asistente de demostración.
Esta tesis de habilitación presenta algoritmos eficientes en tiempo y espacio para el cálculo polinómico, abordando tanto la complejidad de operaciones fundamentales bajo restricciones de memoria como el desarrollo del primer algoritmo cuasi-lineal para la interpolación de polinomios dispersos y el estudio de problemas de factorización en este contexto.
Este artículo presenta un enfoque de aprendizaje por refuerzo que, mediante una función de recompensa probabilística y un espacio de estados diseñado, descubre configuraciones de redes eléctricas con un número de soluciones de flujo de potencia significativamente mayor que el promedio, superando las limitaciones de los algoritmos algebraicos actuales.
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.
Este artículo presenta un enfoque de aprendizaje automático auto-supervisado que, mediante el entrenamiento de una red neuronal en trayectorias de oráculo generadas a partir de expresiones matemáticas desordenadas, logra simplificar con una precisión casi perfecta complejas expresiones de física de altas energías, superando significativamente a métodos anteriores basados en aprendizaje por refuerzo y regresión.
Este estudio establece la existencia, desarrolla un algoritmo para el cálculo y demuestra mediante casos prácticos la cuadratización de sistemas de ecuaciones diferenciales ordinarias polinómicas que preserva la disipatividad y las propiedades de estabilidad del modelo original.
El artículo presenta las Structured Kolmogorov-Arnold Neural ODEs (SKANODEs), un marco que combina redes KAN con ecuaciones diferenciales neuronales para recuperar estados físicos interpretables y descubrir simbólicamente las leyes dinámicas no lineales que gobiernan sistemas complejos, superando en precisión y explicabilidad a los métodos de caja negra y modelos clásicos.
Este artículo presenta un algoritmo eficiente que, mediante interpolación dispersa y búsqueda de polinomios de grado fijo, genera conjuntos simplificados de funciones racionales, superando el estado del arte en rendimiento y demostrando su utilidad en aplicaciones como la identificabilidad estructural de parámetros.
Este trabajo presenta un marco que utiliza un enfoque de alineación de kernels en un modelo estudiante-entrenador para destilar la semántica de la Lógica Temporal de Señales (STL) en representaciones neuronales continuas, logrando así un razonamiento neuro-simbólico eficiente, escalable e intrínsecamente invertible que preserva la similitud semántica y predice la satisfacción de restricciones sin el costo computacional de los kernels simbólicos.
El artículo presenta R1-Code-Interpreter, un modelo de lenguaje entrenado mediante ajuste fino supervisado y aprendizaje por refuerzo multi-etapa que, al utilizar un enfoque de aprendizaje curricular para gestionar tareas heterogéneas, logra superar a modelos avanzados como GPT-4o en precisión y demostrar comportamientos emergentes de autoverificación mediante la ejecución autónoma de código.
Este trabajo presenta un marco de aprendizaje automático restringido por la física que utiliza programación genética para descubrir automáticamente ecuaciones de forma cerrada que modelan con precisión las curvas de retención de agua multimodales de materiales porosos a partir de datos experimentales.