65 articoli
Questo saggio presenta un'implementazione neurale della mappa cognitiva fuzzy (FHM) che utilizza la dinamica di Langevin per apprendere modelli causali, invertire i valori dei nodi di output e fornire criteri di modifica per l'ottimizzazione di servizi o prodotti, valutando le prestazioni su diversi dataset.
Il paper presenta D2MOE, un nuovo metodo che combina l'estrazione di caratteristiche multiscale a doppia vista con un algoritmo evolutivo multi-obiettivo per migliorare l'accuratezza della previsione delle regioni intrinsecamente disordinate delle proteine superando i limiti delle tecniche esistenti.
Il paper introduce NOBLE, un'architettura che accelera l'addestramento dei transformer da zero mediante rami a basso rango non lineari permanenti, ottenendo significativi miglioramenti nell'efficienza e nella velocità di convergenza con un minimo sovraccarico di parametri.
Questo lavoro introduce un framework ibrido quantistico-classico riproducibile che, integrando una mappatura di feature ispirata alla meccanica quantistica con descrittori strutturali classici in una Deep Quantum Neural Network, migliora significativamente l'accuratezza e la generalizzazione nella previsione dei valori pKa a livello di residuo rispetto ai modelli puramente classici.
Questo lavoro dimostra che un'architettura di rete neurale tridimensionale basata su funzioni ReLU arricchite dall'altezza supera i limiti teorici esistenti, consentendo tassi di approssimazione esponenziali per funzioni analitiche e fornendo per la prima volta una stima quantitativa non asintotica di ordine elevato per funzioni generiche in .
Questo lavoro presenta un quadro meccanico quantistico per l'ottimizzazione basata sulla quantizzazione, dimostrando come il tunneling quantistico permetta di evitare i minimi locali e garantire la convergenza globale, unificando così l'ottimizzazione combinatoria e continua con applicazioni nel machine learning.
Questo paper presenta ScenarioFuzz, un metodo innovativo di fuzz testing basato su scenari storici e reti neurali che, senza ricorrere a scenari predefiniti, riduce i costi temporali del 60,3% e raddoppia la scoperta di errori, identificando 54 categorie di scenari ad alto rischio e 58 bug in sei sistemi di guida autonoma.
Lo studio dimostra che la simmetria nella topologia dei reservoir computazionali migliora significativamente la previsione di sistemi di convezione termica, mentre ha un impatto trascurabile su modelli di flusso di taglio altamente caotici, evidenziando come l'efficacia strutturale dipenda dalla complessità e dal numero di gradi di libertà del sistema dinamico.
Questo studio dimostra che le illusioni di movimento statico sono causate dalle capacità predittive del cervello, confermando tale ipotesi attraverso un modello generativo basato su reti neurali e test psicometrici sull'uomo, e propone di studiare i "fallimenti motivati" come strumento per la ricerca sull'intelligenza artificiale.
Il paper presenta LLEMA, un framework unificato che combina la conoscenza scientifica dei modelli linguistici di grandi dimensioni con regole evolutive e affinamento basato sulla memoria per scoprire nuovi materiali multi-obiettivo chimicamente plausibili e termodinamicamente stabili con prestazioni superiori rispetto alle tecniche esistenti.
Il documento presenta Yukthi Opus, un metaeuristico ibrido multi-catena che integra MCMC, ricerca locale e ricottura simulata per ottimizzare problemi NP-difficili su larga scala rispettando vincoli di budget di valutazione.
Questo lavoro sviluppa una teoria dinamica per il ragionamento sequenziale nelle reti di Hopfield guidate da input, derivando condizioni analitiche per le transizioni di memoria autosostenute e colmando il divario tra i modelli classici di memoria associativa e le moderne architetture di ragionamento.
Il paper propone "Evolution 6.0", un sistema robotico autonomo basato su modelli generativi di intelligenza artificiale che permette ai robot di progettare e fabbricare autonomamente gli strumenti necessari e di imparare a utilizzarli per eseguire compiti complessi su richiesta umana.
Il paper presenta Akkumula, un framework basato su reti neurali a impulsi (SNN) che migliora i modelli di guida simulando l'accumulo di prove per rendere più realistici e adattabili i processi decisionali dei conducenti.
Il paper presenta AutoQD, un metodo che automatizza la scoperta di comportamenti diversificati negli algoritmi di ottimizzazione Qualità-Diversità generando descrittori comportamentali basati sulle misure di occupazione delle politiche, eliminando così la necessità di definire manualmente tali descrittori.
Il paper propone CaRe-BN, una tecnica di normalizzazione adattiva e ricalibrata che stabilizza l'addestramento delle Reti Neurali a Spike (SNN) nell'apprendimento per rinforzo online, migliorando significativamente le prestazioni e permettendo loro di superare le reti neurali artificiali senza compromettere l'efficienza energetica durante l'inferenza.
Questo paper introduce il "Soft QD", un nuovo approccio alla diversità-qualità che elimina la necessità di discretizzazione dello spazio comportamentale, permettendo di sviluppare l'algoritmo differenziabile SQUAD, il quale dimostra una scalabilità superiore rispetto ai metodi attuali in spazi ad alta dimensionalità.
Il paper presenta NeuroPareto, un'architettura innovativa che combina filtraggio basato su ranghi, disentanglement dell'incertezza e strategie di acquisizione condizionate dalla storia per ottimizzare efficientemente problemi multi-obiettivo ad alta dimensionalità con costi di valutazione ridotti, superando le prestazioni dei metodi esistenti in termini di vicinanza al fronte di Pareto e ipervolume.
Il paper introduce mlx-snn, la prima libreria nativa per le reti neurali a impulsi (SNN) basata sul framework MLX di Apple, che offre un'efficiente pipeline di addestramento e modelli neuronali avanzati per l'hardware Apple Silicon, superando le prestazioni e l'efficienza della memoria delle soluzioni PyTorch esistenti.
Lo studio dimostra che la riformulazione algebrica degli obiettivi e la progettazione dei benchmark generano deviazioni strutturate dall'intuizione del teorema "No Free Lunch", portando a riordinamenti stabili delle prestazioni degli algoritmi che richiedono una scelta consapevole basata sulla classe del problema e sulla rappresentazione dell'obiettivo.