14 articoli
Il paper presenta TalisMan2.0, un nuovo strumento di verifica che combina riscrittura lineare e non lineare con ragionamento multimodulare parallelo per verificare circuiti aritmetici a parole senza ricorrere a intere di grandi dimensioni.
Questo lavoro introduce il framework RDFC per la computazione distribuita randomizzata, dimostrando come la comunicazione semantica possa garantire privacy locale e ridurre drasticamente il tasso di trasmissione rispetto ai metodi tradizionali, anche in assenza di casualità condivisa.
Questo lavoro introduce un metodo basato sulla programmazione genetica per la scoperta simbolica di equazioni differenziali stocastiche, ottimizzando congiuntamente le funzioni di deriva e diffusione tramite la massima verosimiglianza per migliorare la modellazione, la comprensione e il campionamento generativo dei sistemi dinamici rumorosi.
Il paper presenta "Agent Hunt", un esperimento che utilizza un mercato simulato basato su ricompense per coordinare agenti LLM nella formalizzazione collaborativa e decentralizzata della topologia algebrica all'interno di un ambiente di dimostrazione interattiva.
Questa tesi di abilitazione esplora l'efficienza algoritmica nel calcolo polinomiale sotto vincoli di spazio, proponendo nuovi metodi per operazioni fondamentali e sviluppando il primo algoritmo quasi-lineare per l'interpolazione di polinomi sparsi.
Questo articolo propone l'uso dell'apprendimento per rinforzo, dotato di una funzione di ricompensa probabilistica e di uno spazio di stati specifico, per progettare reti di flusso di potenza con un numero di punti di equilibrio (soluzioni reali) significativamente superiore alla media statistica, superando così i limiti degli attuali algoritmi di algebra computazionale.
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 un nuovo approccio di apprendimento automatico auto-supervisionato che utilizza traiettorie di oracolo generate da espressioni matematiche semplificate per addestrare una rete neurale basata su transformer, ottenendo prestazioni superiori rispetto ai metodi precedenti nel semplificare espressioni simboliche complesse in fisica delle alte energie, come la riduzione dei dilogaritmi e la semplificazione delle ampiezze di scattering.
Questo studio stabilisce l'esistenza, sviluppa un algoritmo per il calcolo e dimostra attraverso casi di studio l'efficacia delle quadratizzazioni dissipative che preservano le proprietà di stabilità dei sistemi di equazioni differenziali ordinarie polinomiali.
Il paper propone SKANODEs, un framework che integra Kolmogorov-Arnold Networks nelle Neural ODE per apprendere dinamiche non lineari interpretabili, recuperando stati fisici latenti e scoprendo automaticamente le equazioni simboliche governanti con prestazioni superiori rispetto ai metodi tradizionali.
Il paper presenta un algoritmo efficiente che, partendo da un insieme di generatori di un sottocampo di funzioni razionali, ne trova un insieme generatore semplice, migliorando lo stato dell'arte sia in termini di prestazioni che di qualità dei risultati e dimostrando la sua utilità in ambiti come l'identificabilità strutturale dei parametri.
Il paper presenta un approccio basato sull'allineamento dei kernel che utilizza un framework di distillazione teacher-student per mappare la semantica della Logica Temporale sui Segnali (STL) in spazi vettoriali neurali continui e invertibili, superando i limiti computazionali dei metodi simbolici esistenti e permettendo un ragionamento neuro-simbolico scalabile ed efficiente.
Il paper presenta R1-Code-Interpreter, un modello LLM potenziato da un approccio di apprendimento curricolare multi-fase che combina fine-tuning supervisionato e rinforzato, permettendo di generare codice autonomamente e raggiungendo prestazioni superiori rispetto a GPT-4o su una vasta gamma di compiti di ragionamento e pianificazione.
Questo lavoro presenta un framework di apprendimento automatico vincolato dalla fisica che utilizza la programmazione genetica per scoprire automaticamente equazioni in forma chiusa che descrivono le curve di ritenzione idrica multimodali dei materiali porosi direttamente dai dati sperimentali.