63 articles
Ce papier présente la conception et la validation d'un assistant basé sur la récupération d'informations, ancré dans des sources réglementaires autoritaires, pour soutenir l'évaluation de la sécurité et la conformité normative des systèmes d'aéronefs sans pilote tout en garantissant la traçabilité et la responsabilité humaine.
Cette étude démontre que l'optimisation de la dimensionnalité des facteurs dans un modèle de diffusion conditionnel permet de trouver un compromis idéal entre biais et variance, surpassant ainsi les stratégies de portefeuille traditionnelles en évitant à la fois le sous-apprentissage et le surapprentissage.
Cet article présente une méthode pour estimer de manière précise et peu coûteuse le nombre de conditionnement des vecteurs filtrés par Chebyshev, permettant ainsi d'optimiser automatiquement le choix de l'algorithme de factorisation QR dans la bibliothèque ChASE pour améliorer ses performances sans sacrifier la précision.
Les auteurs proposent un réseau de neurones graphiques spatio-temporel à attention (STA-GNN) pour la détection d'anomalies explicable et adaptative dans les systèmes de contrôle industriels, capable de modéliser les dépendances cyber-physiques et de gérer la dérive des données grâce à une stratégie de prédiction conforme.
Cet article présente un atlas complet de près de 2 millions de métamatériaux cubiques générés par une approche guidée par la symétrie, révélant des propriétés mécaniques extrêmes et accompagnés d'un modèle d'apprentissage profond pour accélérer la conception de matériaux architecturés aux performances optimisées.
Cet article présente un algorithme de type « diviser pour régner » pour l'approximation de distributions de probabilité continues unidimensionnelles, démontrant une borne supérieure d'erreur en distance de Wasserstein-1 et une stabilité supérieure des approximations discrètes lors d'opérations arithmétiques par rapport aux méthodes existantes.
Ce papier propose QCAI, une nouvelle méthode post-hoc pour interpréter les mécanismes d'attention croisée dans les transformateurs utilisés pour modéliser la liaison TCR-pMHC, et démontre sa supériorité grâce au benchmark TCR-XAI basé sur des structures expérimentales.
Le papier présente TrinityDNA, un modèle fondamental bio-inspiré conçu pour surmonter les défis de la modélisation des séquences d'ADN longues grâce à des mécanismes innovants comme la fusion de sillons et l'attention multi-échelle, offrant ainsi des améliorations significatives pour la prédiction de la fonction des gènes et l'annotation des séquences codantes.
Ce papier propose TCR-EML, un modèle prédictif pour la liaison TCR-pMHC intégrant des couches explicatives basées sur des mécanismes biochimiques connus afin de concilier haute précision et interprétabilité, surpassant les approches actuelles en matière d'explicabilité.
Cet article propose une vue d'ensemble des représentations moléculaires numériques inspirées du traitement automatique du langage naturel (NLP) et de leurs applications en intelligence artificielle pour la chimie et la science des matériaux, servant de guide aux chercheurs souhaitant explorer l'interface entre ces domaines.
Ce papier présente Ptychi-Evolve, un cadre autonome utilisant des modèles de langage et des mécanismes évolutifs pour découvrir automatiquement de nouvelles fonctions de régularisation qui surpassent les méthodes conventionnelles en ptychographie.
Cet article présente un nouvel algorithme de vol de travail sans verrou, optimisé pour un cadre maître-ouvrier dédié à la résolution de problèmes d'optimisation par programmation en nombres entiers, qui offre des performances constantes lors des opérations par lots et une latence stable lors du vol, surpassant ainsi les solutions génériques existantes comme Taskflow.
Cet article présente les perspectives d'un groupe d'experts internationaux sur l'intégration responsable des modèles de fondation et des agents d'IA en pathologie computationnelle, en évaluant les défis pratiques et les conditions de maturité nécessaires à leur adoption clinique réelle malgré les avancées techniques récentes.
Ce papier présente CliqueFlowmer, une nouvelle méthode d'optimisation hors ligne pour la découverte de matériaux qui fusionne l'optimisation directe des propriétés cibles avec la génération de modèles, surpassant ainsi les approches génératives traditionnelles.
Ce papier présente le GMM-PIELM, une méthode probabiliste qui améliore radicalement la précision et la rapidité de la résolution d'équations aux dérivées partielles raides en adaptant dynamiquement l'échantillonnage des noyaux des machines d'apprentissage extrêmes informées par la physique (PIELM) vers les zones de forte erreur numérique.
Ce travail présente AllScAIP, un potentiel interatomique basé sur l'attention qui, grâce à un mécanisme d'attention tout-à-tout, surpasse les modèles traditionnels à forte biais physique pour capturer précisément les interactions à longue portée dans les grands systèmes moléculaires et matériaux à grande échelle de données.
Cet article propose un nouveau paradigme de simulation intégrant des modèles physiques et comportementaux pour évaluer de manière anticipée les impacts directs et indirects des réglementations du trafic urbain, comme démontré par une étude de cas sur les restrictions de circulation.
Ce papier présente FinRule-Bench, un benchmark conçu pour évaluer la capacité des grands modèles de langage à auditer des états financiers réels en appliquant des principes comptables explicites à travers des tâches de vérification, d'identification et de diagnostic conjoint de violations.
Cet article propose de nouveaux indicateurs de circularité pour les réseaux matériels thermodynamiques (TMN), une approche dynamique fondée sur des bilans énergétiques et des équations différentielles qui permet de concevoir des flux de matériaux avec une précision temporelle supérieure à celle de l'analyse des flux de matières (MFA), et en illustre le calcul par des exemples numériques sur des fluides et des solides.
Cet article présente la création d'un « jumeau numérique » à haute résolution pour les États-Unis, fusionnant des données sur le bétail, les oiseaux sauvages et les populations humaines afin de modéliser la propagation de la grippe aviaire H5N1 et d'identifier les zones à haut risque de transmission entre les espèces.