63 artigos
Este trabalho apresenta um chatbot baseado em modelos de linguagem (Google Gemini 2.0 Flash) que automatiza a geração e resolução de modelos de simulação eletromagnética bidimensionais usando Gmsh e GetDP, reduzindo o tempo de configuração e permitindo a definição de geometrias variáveis e rotinas de pós-processamento personalizadas.
O artigo apresenta o EPIC, um framework de aprendizado de máquina científico distribuído que combina hardware e princípios físicos para reduzir drasticamente a latência e o consumo de energia em tarefas como inversão de onda completa, mantendo ou até melhorando a fidelidade dos dados.
O artigo apresenta o ToolRosetta, um quadro unificado que automatiza a tradução de repositórios de código de código aberto em ferramentas compatíveis com o Protocolo de Contexto de Modelo (MCP), permitindo que agentes de modelos de linguagem de grande escala executem tarefas complexas com intervenção humana mínima e garantias de segurança.
Este artigo apresenta a construção de um functor que atribui dinâmica a um modelo algébrico de componentes interagentes, generalizando o modelo computacional AlChemy de Fontana e Buss e explorando o uso da teoria das categorias para formalizar a conexão entre as facetas algébricas e dinâmicas da química artificial.
Este artigo apresenta um filtro de Kalman de conjunto regularizado para modelos de campo de fase de fratura frágil, que atualiza o estado do modelo (deslocamentos e campo de fase) com dados de sensores via inferência bayesiana, corrigindo violações de suposições de modelagem através de uma técnica de regularização baseada em campo de fase.
Este artigo propõe uma abordagem combinada de penalização SIMP e um novo método de projeção informado pelo gradiente de densidade (DGI) para otimização topológica de espessura variável, que elimina regiões de baixa espessura indesejadas e desfoca as bordas estruturais sem comprometer significativamente a complacência final da estrutura.
Este artigo propõe um algoritmo baseado em loops para o agendamento e roteamento online e sem conflitos de veículos guiados automáticos (AGVs) em grafos de loop, demonstrando experimentalmente que ele supera ou iguala o desempenho de outros métodos com menor tempo de computação.
Este artigo apresenta um framework de aprendizado em grafos adaptativo que detecta anomalias financeiras heterogêneas e as explica automaticamente, identificando os mecanismos subjacentes (como choques de preços ou crises de liquidez) por meio de especialistas específicos e pesos de roteamento interpretáveis, superando os métodos existentes em precisão e antecipação de eventos de estresse.
Este artigo apresenta uma taxonomia abrangente de métodos de diferenciação numérica, oferecendo uma revisão teórica e prática para auxiliar cientistas e engenheiros na seleção da técnica mais adequada para dados ruidosos, além de disponibilizar o pacote de código aberto PyNumDiff em Python.
Este artigo propõe a aplicação da Análise de Fusão Combinatória (CFA) para prever o preço do Bitcoin, demonstrando que a combinação de diversos modelos de aprendizado de máquina por meio de funções de características de pontuação e classificação supera significativamente os modelos individuais e outros métodos existentes, alcançando um erro médio percentual (MAPE) de 0,19%.
Este estudo avalia o impacto da análise de sentimentos de notícias baseada em LLMs (DeBERTa, RoBERTa e FinBERT) na previsão de movimentos de preços de ações, demonstrando que o DeBERTa individualmente atinge 75% de precisão, um ensemble dos três modelos chega a 80% e que as características de sentimento oferecem benefícios modestos a diversos modelos de previsão.
O artigo apresenta o HarmonyCell, um framework de agente autônomo que resolve as heterogeneidades semântica e estatística em estudos de perturbação de células únicas, unificando metadados via LLM e otimizando arquiteturas de modelos com busca em árvore Monte Carlo para superar deslocamentos de distribuição sem necessidade de engenharia específica por conjunto de dados.
Este estudo desenvolve um framework de aprendizado de máquina para prever o fluxo em regime permanente em meios porosos, demonstrando que o Operador de Rede de Fourier (FNO) supera os modelos AE e U-Net ao oferecer previsões precisas e até 1000 vezes mais rápidas que a CFD tradicional, sendo ideal para otimização topológica de placas frias.
Este trabalho apresenta uma abordagem computacional que integra elementos finitos e redes neurais para resolver problemas de elasticidade de Cosserat, utilizando critérios de estabilidade física derivados de convexidade para validar que as soluções aprendidas correspondam a minimizadores de energia energeticamente consistentes.
Este trabalho apresenta um solver acoplado eletromagnético-térmico-mecânico acelerado por GPU que permite simulações transientes de alta fidelidade em escala completa para o projeto inicial de pacotes avançados, superando as limitações das abordagens convencionais ao identificar mecanismos de falha dinâmicos invisíveis a métodos baseados em estado estacionário.
O artigo apresenta o "Agora", uma plataforma baseada em IA que utiliza vozes humanas autênticas para ajudar os usuários a desenvolver habilidades de consenso e competência cívica, demonstrando em um estudo preliminar que o acesso a explicações detalhadas melhora a qualidade das deliberações e das declarações de consenso em comparação com a visualização apenas de distribuições agregadas de apoio.
O artigo apresenta o Tau-BNO, um modelo substituto baseado em operadores neurais que acelera drasticamente a simulação da propagação de proteínas tau no cérebro, superando os desafios computacionais do Modelo de Transporte de Rede (NTM) e permitindo inferência de parâmetros e descoberta de mecanismos com alta precisão.
Este artigo propõe um método de detecção de viés mais eficiente para modelos de linguagem financeiros, demonstrando que a análise cruzada entre modelos permite identificar até 73% dos comportamentos tendenciosos utilizando apenas 20% dos pares de entrada, reduzindo significativamente os custos computacionais sem comprometer a eficácia.
Este artigo apresenta uma nova metodologia que utiliza modelos de linguagem grandes (LLMs) para extrair sinais semânticos de divulgações corporativas, demonstrando que a medição de mudanças contextuais nos métricos enfatizados pelas empresas gera retornos anormais (alfa) mais do que o dobro dos obtidos por abordagens tradicionais baseadas em reconhecimento de entidades nomeadas.
O artigo apresenta o CostNav, um novo benchmark que avalia agentes de IA física com base em análises econômicas realistas e dados industriais, revelando que os métodos atuais de navegação, embora focados no sucesso da tarefa, não são economicamente viáveis para aplicações comerciais no mundo real.