2323 papers
Dit paper introduceert KernelCraft, het eerste benchmarkkader dat aantoont dat agentische LLM-systemen via een feedback-gedreven workflow effectief lage-niveau kernels kunnen genereren en optimaliseren voor nieuwe hardware-architecturen, waardoor de ontwikkelingstijd en -kosten voor dergelijke accelerators aanzienlijk worden verlaagd.
Dit paper introduceert ALADIN, een framework voor nauwkeurigheids- en latentiebewuste ontwerpruimte-analyse dat de prestaties van gemengd-precisie kwantiseringsneuronale netwerken op ingebouwde AI-accelerators evalueert zonder fysieke implementatie, waardoor de ontwikkelingstijd en -kosten aanzienlijk worden verlaagd.
Dit overzichtspaper analyseert de prestaties van ultra-low-power edge- en in-sensor AI-processoren door een theoretische vergelijking van architectuurparadigma's te combineren met empirische benchmarks van het PicoSAM2-model op de GAP9, STM32N6 en Sony IMX500, waarbij de IMX500 uitblinkt in energie-efficiëntie en in-sensor verwerking.
Dit artikel presenteert een data-rate-bewuste CNN-versnellerarchitectuur voor FPGAs die door middel van multi-pixelverwerking en geoptimaliseerde ontwerpverkenning de hardwarebenutting maximaliseert en de rekenmiddelen voor complexe netwerken aanzienlijk reduceert.
Dit onderzoek toont aan dat de synergetische integratie van Leaky Integrate-and-Fire-neuronen, Supervised Contrastive Learning, Hopfield-netwerken en HGRN in spiking neural networks leidt tot een evenwichtige verbetering van nauwkeurigheid, energie-efficiëntie en geheugenstructuur voor neuromorfe visie.
Dit artikel introduceert HOC-L, een unificerend dynamisch kader dat hyperbolische structurele plasticiteit en Kuramoto-fasesynchronisatie combineert via een synchroon-gedreven leermechanisme om bio-geïnspireerde, schaarse neurale netwerken te stabiliseren met bewezen convergentie en lage complexiteit.
Dit artikel introduceert Auralink SDC, een architectuur met edge-geplaatste AI-agenten die autonome, veilige en responsieve beheeroplossingen biedt voor openbare laadinfrastructuur, waardoor de hoge uitvalpercentages en trage reparatietijden van bestaande cloudsystemen worden overwonnen.
Dit artikel presenteert een compressieframework voor Reservoir Computing dat gebruikmaakt van een op gevoeligheid gebaseerde prune-mechanisme om de afweging tussen kwantisatie, pruning en hardware-efficiëntie te optimaliseren, wat resulteert in aanzienlijke verbeteringen in resourcegebruik en energie-efficiëntie op FPGA's zonder merkbare nauwkeurigheidsverlies.
Het paper introduceert de AetherFloat-familie, een nieuw kwadratisch radix-4 floating-point architectuurontwerp dat door het elimineren van blokschaallogica en het gebruik van expliciete mantissen aanzienlijke verbeteringen in chipoppervlak, energieverbruik en latentie biedt voor AI-versnellers, met name in de vorm van het AF8-formaat dat dynamische schaling overbodig maakt ten koste van kwantiseringsbewust finetunen.
Deze studie introduceert een Physics-Informed Neural Network (PINN)-framework dat robuust biophysieke parameters en verborgen toestandsvariabelen kan reconstrueren uit gedeeltelijke en ruisbeïnvloede waarnemingen in multischaal neuronale systemen, waarbij het de beperkingen van traditionele numerieke methoden overwint.
Dit paper introduceert het VI 2D SSM, een nieuw architecturaal kader voor multivariate tijdreeksen dat de inherente permutatie-symmetrie respecteert door variabele-afhankelijkheden te vervangen door een canonieke vorm van lokale zelfdynamiek en globale interactie, wat leidt tot state-of-the-art prestaties en verbeterde schaalbaarheid.
Dit paper introduceert HCAPO, een nieuw framework dat hindsight credit assignment integreert in LLM-agenten om de uitdagingen van credit assignment in lange-termijn taken aan te pakken en zo de prestaties significant te verbeteren ten opzichte van bestaande methoden zoals GRPO.
Dit artikel introduceert een fundamentele reductie die -invariante functies op productruimten, waar transitief werkt, reduceert tot -invarianten van de isotropiegroep, waardoor de beperkingen van bestaande methoden voor equivariante neurale velden worden opgeheven en ze kunnen worden toegepast op willekeurige groepswerkingen.
Dit artikel toont aan dat er geen verificatieprocedure bestaat die tegelijkertijd geluid, algemeen en wiskundig haalbaar is, waardoor er een fundamenteel dilemma bestaat bij het formeel certificeren van AI-uitlijning.
Het artikel introduceert SPREAD, een nieuw raamwerk voor levenslang imitatieleer dat gebruikmaakt van subspace-representatiedistillatie en een op vertrouwen gebaseerde strategie om catastrofisch vergeten te voorkomen en state-of-the-art prestaties te bereiken door de geometrische structuur van taakrepresentaties te behouden.
Het artikel introduceert Midicoth, een verliesloos compressiesysteem dat de prestaties van adaptieve statistische modellen verbetert door een lichtgewicht micro-diffusie-laag toe te passen die voorspelde kansen corrigeert via een binaire boom-structuur en empirische kalibratie.
Dit artikel introduceert een efficiënt multi-level meta-versterkingsleerframework dat Markov-beslissingsprocessen hiërarchisch comprimeert en een vaardigheidsgebaseerd curriculum leert om complexe taken te ontleden, de zoekruimte te reduceren en overdracht van vaardigheden tussen verschillende problemen en niveaus te bevorderen.
Dit artikel introduceert het Temporal Markov Transition Field (TMTF), een uitbreiding van de bestaande Markov Transition Field-methode die tijdsreeksen in afbeeldingen omzet door lokale overgangsmatrices voor tijdssegmenten te gebruiken in plaats van één globale matrix, waardoor veranderingen in dynamische regimes in de tijd behouden blijven voor effectievere analyse met convolutionele neurale netwerken.
Dit paper introduceert SoftJAX en SoftTorch, open-source bibliotheken die informerende gradiënten bieden voor 'harde' operaties in JAX en PyTorch door ze te vervangen door zachte, differentieerbare alternatieven.
Deze paper introduceert GenGNN, een modulair message-passing framework dat aantoont dat expressieve encoders zoals transformers niet strikt noodzakelijk zijn voor discrete grafengeneratie, aangezien diffusion-modellen met GenGNN vergelijkbare validiteit bereiken met 2-5 keer snellere inferentie.