66 artigos
Este artigo apresenta uma implementação neural de mapas cognitivos difusos (FHM) que utiliza dinâmica de Langevin para aprender padrões de causalidade, evitar overfitting e fornecer critérios de modificação para inversão de valores de saída, com sua eficácia validada em diversos conjuntos de dados.
O artigo apresenta o D2MOE, um novo método que combina extração de características multiescala de dupla visão com um algoritmo evolutivo multiobjetivo para superar as limitações das abordagens existentes e melhorar a precisão na previsão de regiões intrinsecamente desordenadas em proteínas.
O artigo apresenta o NOBLE, uma arquitetura que adiciona ramificações de baixo rank não lineares permanentes às camadas lineares dos transformers para acelerar o pré-treinamento do zero, alcançando ganhos significativos de eficiência e velocidade de convergência com sobrecarga mínima de parâmetros e tempo.
Este artigo apresenta um framework híbrido quântico-clássico que utiliza um mapeamento de características inspirado em kernels gaussianos e uma Rede Neural Quântica Profunda para melhorar a precisão e a generalização na previsão de valores de pKa em nível de resíduos, superando as limitações dos modelos puramente clássicos.
Este trabalho demonstra que uma arquitetura de rede neural tridimensional baseada em funções ReLU permite aproximações exponencialmente mais eficientes e de alta ordem para funções analíticas e , superando limitações teóricas anteriores e oferecendo um caminho para redes mais parcimoniosas em parâmetros.
Este trabalho apresenta um quadro mecânico quântico para algoritmos de otimização baseados em quantização, demonstrando que o tunelamento quântico permite escapar de mínimos locais e garantir a convergência global, unificando assim a otimização combinatória e contínua com aplicações em aprendizado de máquina.
Este artigo generaliza o teorema de aproximação de operadores de Chen-Chen para espaços localmente convexos de Hausdorff, introduzindo Topological DeepONets que utilizam funcionais lineares contínuos para aproximar uniformemente operadores contínuos entre tais espaços e domínios euclidianos compactos.
Este artigo apresenta o ScenarioFuzz, uma metodologia pioneira de fuzzing baseada em cenários que utiliza redes viárias, mutações especializadas e um modelo de rede neural gráfica para otimizar a descoberta de falhas em sistemas de direção autônoma, reduzindo custos de tempo em 60,3% e identificando 58 bugs em seis sistemas testados.
Este estudo demonstra que a simetria na topologia de redes de reservatório melhora significativamente a precisão de previsão em sistemas de convecção térmica, mas tem impacto insignificante em dinâmicas caóticas de alta dimensão, como o fluxo de cisalhamento, revelando assim como a estrutura da rede deve ser adaptada à complexidade do sistema alvo.
Este artigo apresenta o modelo generativo EIGen, que utiliza redes neurais preditivas para criar ilusões de movimento que enganam humanos, apoiando a hipótese de que tais ilusões resultam da percepção das previsões do cérebro em vez da entrada visual bruta e destacando o valor de estudar falhas motivadas em sistemas artificiais.
O artigo apresenta o LLEMA, um framework unificado que combina o conhecimento de modelos de linguagem grandes com regras evolutivas e refinamento baseado em memória para descobrir materiais multiobjetivo quimicamente plausíveis e termodinamicamente estáveis com maior eficiência do que as abordagens existentes.
O artigo apresenta o Yukthi Opus, uma metaheurística híbrida multi-cadeia que integra MCMC, busca local gulosa e recozimento simulado para resolver problemas de otimização NP-difíceis sob restrições de orçamento de avaliação, demonstrando desempenho competitivo e robustez em benchmarks como Rastrigin, Rosenbrock e o Problema do Caixeiro Viajante.
Este trabalho desenvolve uma teoria dinâmica para o raciocínio sequencial em redes de Hopfield alimentadas por entrada, derivando condições explícitas para transições de memória sustentadas e fornecendo uma fundamentação matemática que conecta a dinâmica clássica de memória associativa às modernas arquiteturas de raciocínio.
O artigo propõe o conceito de "Evolution 6.0", um sistema robótico autônomo impulsionado por Inteligência Artificial Generativa que utiliza modelos de visão-linguagem e geração 3D para projetar e fabricar ferramentas personalizadas e executar tarefas complexas, alcançando altas taxas de sucesso na geração de ferramentas e generalização de ações.
O artigo apresenta o Akkumula, um novo framework de modelagem para condutores que utiliza Redes Neurais de Spiking e técnicas de aprendizado profundo para simular realisticamente a acumulação de evidências e as ações de direção, superando as limitações dos métodos existentes em termos de adaptabilidade e eficiência computacional.
O artigo apresenta o AutoQD, um método que automatiza a descoberta de comportamentos diversos em otimização Qualidade-Diversidade (QD) ao gerar descritores comportamentais automaticamente a partir de medidas de ocupação de políticas, eliminando a necessidade de descritores manuais pré-definidos.
O artigo propõe o CaRe-BN, um método de normalização em lote adaptativo e recalibrado que estabiliza o treinamento de Redes Neurais de Spiking em Aprendizado por Reforço online, melhorando significativamente o desempenho e superando até mesmo Redes Neurais Artificiais sem comprometer a eficiência energética na inferência.
Este artigo apresenta a "Soft QD", uma nova formulação para otimização qualidade-diversidade que elimina a necessidade de discretização do espaço de comportamentos, permitindo o desenvolvimento do algoritmo diferenciável SQUAD, que supera os métodos atuais em escalabilidade para problemas de alta dimensionalidade.
O artigo apresenta o NeuroPareto, uma arquitetura integrada que combina filtragem baseada em classificação, separação de incerteza e estratégias de aquisição condicionadas ao histórico para otimizar eficazmente problemas de muitos objetivos em espaços de parâmetros vastos e com restrições computacionais rigorosas, superando métodos existentes em proximidade ao Pareto e volume hipervolume.
O artigo apresenta o mlx-snn, a primeira biblioteca nativa de redes neurais de pulsos (SNN) para Apple Silicon baseada no framework MLX, que oferece modelos de neurônios, métodos de codificação e treinamento eficientes, superando o snnTorch em velocidade e uso de memória em hardware M3 Max.