63 articles
Cette étude présente un chatbot basé sur le modèle de langage Google Gemini 2.0 Flash qui automatise la génération, la résolution et l'analyse post-traitement de modèles de simulation électromagnétique bidimensionnels via Gmsh et GetDP, afin de réduire le temps de configuration des modèles.
Le papier présente EPIC, un cadre d'apprentissage scientifique machine distribué guidé par le matériel et la physique qui réduit considérablement la latence et la consommation d'énergie tout en préservant la fidélité physique pour des tâches comme l'inversion de forme d'onde complète.
Le papier présente ToolRosetta, un cadre unifié qui automatise la conversion de dépôts de code open-source en outils MCP standardisés pour permettre aux agents d'IA d'exécuter des tâches complexes avec une intervention humaine minimale, tout en intégrant une couche de sécurité et en surpassant les performances des modèles commerciaux.
Cet article présente la construction d'un foncteur qui généralise le modèle AlChemy de Fontana et Buss en attribuant une dynamique à un modèle algébrique de composants interactifs, tout en explorant l'application de la théorie des catégories pour formaliser le lien entre les aspects algébriques et dynamiques de ces chimies artificielles.
Cet article présente une méthode d'inférence bayésienne utilisant un filtre de Kalman ensembliste régularisé pour mettre à jour l'état d'un modèle de champ de phase de rupture fragile (déplacements et champ de phase) en intégrant des données de capteurs, permettant ainsi de corriger les incertitudes matérielles tout en respectant les contraintes physiques du modèle.
Cet article propose une méthode d'optimisation topologique à épaisseur variable intégrant une projection informée par le gradient de densité pour éliminer les régions de faible épaisseur et déflouter les bords structuraux, permettant ainsi d'obtenir des designs nets et manufacturables sans compromettre la rigidité globale.
Cet article présente un algorithme en boucle pour la planification et le routage en temps réel de véhicules guidés automatisés (AGV) sur des graphes en boucle, démontrant expérimentalement sa supériorité ou son équivalence en termes de qualité de solution par rapport à d'autres méthodes, tout en réduisant considérablement le temps de calcul.
Ce papier propose un cadre d'apprentissage graphique adaptatif qui détecte les anomalies financières en identifiant leurs mécanismes sous-jacents spécifiques (chocs de prix, liquidité, contagion, etc.) grâce à un routage d'experts interprétable, permettant ainsi des alertes de marché précoces et des réponses ciblées sans supervision étiquetée.
Cet article propose une taxonomie complète des méthodes de différenciation numérique, accompagnée d'un guide pratique pour leur sélection selon les contraintes du problème et d'un package Python open-source (PyNumDiff) conçu pour traiter des données bruitées.
Cet article propose l'application de l'analyse de fusion combinatoire (CFA) pour améliorer la prédiction des prix du Bitcoin en agrégeant divers modèles d'apprentissage automatique, obtenant ainsi une performance supérieure avec une erreur moyenne absolue en pourcentage (MAPE) de 0,19 %.
Cette étude démontre que l'analyse de sentiment des actualités par des LLMs, en particulier DeBERTa et un modèle d'ensemble combinant DeBERTa, RoBERTa et FinBERT, améliore la prédiction des mouvements boursiers, atteignant jusqu'à 80 % de précision tout en bénéficiant légèrement à divers modèles de classification et de régression.
HarmonyCell est un cadre d'agent automatisé qui résout les hétérogénéités sémantiques et statistiques dans l'étude des perturbations cellulaires uniques en utilisant un unificateur sémantique piloté par un LLM et un moteur de recherche arborescente adaptatif pour modéliser virtuellement des cellules sans ingénierie spécifique aux jeux de données.
Cette étude démontre que l'opérateur neuronal de Fourier (FNO), intégré dans un cadre d'apprentissage automatique, surpasse les architectures AE et U-Net ainsi que les méthodes CFD traditionnelles pour prédire efficacement et rapidement l'écoulement en régime permanent dans les milieux poreux, offrant ainsi une solution évolutive pour l'optimisation topologique des plaques froides.
Cet article présente une approche combinant éléments finis et réseaux de neurones physiquement cohérents pour modéliser l'élasticité de Cosserat, intégrant des critères de validation basés sur la stabilité énergétique (quasi-convexité et inégalités de Legendre-Hadamard) pour garantir que les solutions apprises correspondent à des minimiseurs d'énergie stables.
Cet article présente un solveur couplé électromagnétique-thermique-mécanique accéléré par GPU qui permet des simulations transitoires à grande échelle et non homogénéisées pour la conception précoce de packages avancés, comblant ainsi le fossé entre la fidélité physique et le temps de calcul afin de détecter des mécanismes de défaillance invisibles aux méthodes conventionnelles.
Le papier présente Agora, une plateforme d'IA qui utilise des voix humaines authentiques pour entraîner les utilisateurs à trouver un consensus sur des questions politiques, démontrant dans une étude préliminaire que l'accès à ces explications améliore les compétences de résolution de problèmes et la qualité des déclarations de consensus par rapport à la simple visualisation de données agrégées.
Le papier présente Tau-BNO, un cadre de substitution par opérateur neuronal conçu pour accélérer considérablement la simulation du modèle de transport de tau (NTM) tout en préservant sa précision biophysique, permettant ainsi une inférence de paramètres rapide et la génération de nouvelles hypothèses sur la propagation de la tauopathie.
Cette étude propose une méthode de détection de biais plus efficace pour les modèles de langage financiers en exploitant les similitudes entre modèles pour identifier rapidement les entrées révélatrices de biais, réduisant ainsi considérablement les coûts de calcul par rapport aux approches traditionnelles.
Cette étude démontre qu'un cadre exploitant les grands modèles de langage pour extraire des signaux sémantiques contextuels des divulgations corporatives permet de prédire l'alpha avec une performance nettement supérieure aux méthodes traditionnelles en mesurant l'évolution des indicateurs clés.
Le papier présente CostNav, le premier benchmark ancré dans la physique qui évalue la viabilité économique des agents d'IA physiques en intégrant des données financières et réglementaires réelles, révélant ainsi que les méthodes actuelles de navigation, bien que performantes sur des tâches simplifiées, génèrent toutes des pertes économiques dans des scénarios commerciaux complexes.