14 artigos
Este artigo apresenta uma técnica híbrida de verificação algébrica baseada em raciocínio multimodular e paralelismo que evita o uso de aritmética de inteiros grandes, demonstrando melhorias significativas na verificação de circuitos aritméticos através da ferramenta TalisMan2.0.
Este trabalho estabelece o framework de Computação de Função Distribuída Randomizada (RDFC), uma forma de comunicação semântica que garante privacidade local e eficiência energética ao permitir a transmissão de informações suficientes para gerar funções aleatórias dos dados, demonstrando que o uso de aleatoriedade comum reduz drasticamente a taxa de comunicação em comparação com a transmissão sem perdas, mesmo na ausência de aleatoriedade compartilhada.
Este artigo apresenta um método baseado em programação genética para a descoberta simbólica de equações diferenciais estocásticas que otimiza conjuntamente as funções de deriva e difusão, permitindo a recuperação precisa de equações governantes e a modelagem interpretável de sistemas dinâmicos ruidosos.
O artigo descreve o experimento "Agent Hunt", que utiliza um mercado simulado baseado em recompensas para coordenar múltiplos agentes de LLM em uma busca colaborativa e descentralizada por provas e definições formais de topologia algébrica dentro de um ambiente de Prova Teórica Interativa.
Esta habilitação apresenta algoritmos eficientes em tempo e espaço para computações polinomiais fundamentais e explora a interpolação e fatoração de polinômios esparsos, abordando como as restrições de memória impactam a complexidade computacional em cenários densos e esparsos.
Este artigo propõe o uso de aprendizado por reforço com uma função de recompensa probabilística para projetar instâncias de equações de fluxo de potência que possuem um número de soluções reais significativamente maior do que a média, superando as limitações dos algoritmos algébricos atuais na análise de redes elétricas complexas.
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.
Este artigo apresenta uma nova abordagem de aprendizado de máquina auto-supervisionado que utiliza trajetórias de oráculo para treinar uma rede neural baseada em transformadores, alcançando taxas de simplificação quase perfeitas em expressões matemáticas complexas da física de altas energias, superando significativamente métodos anteriores.
Este artigo estabelece a existência, desenvolve um algoritmo para o cálculo e demonstra em estudos de caso a quadratização de sistemas de equações diferenciais ordinárias polinomiais que preserva a propriedade de dissipatividade, facilitando assim análises de estabilidade em diversas aplicações.
O artigo propõe as SKANODEs, uma estrutura que integra redes KAN a Neural ODEs para recuperar estados físicos latentes e descobrir equações simbólicas interpretáveis de sistemas dinâmicos não lineares, superando métodos de caixa preta e clássicos em precisão e robustez.
O artigo apresenta um algoritmo eficiente que, dado um conjunto de geradores de um subcampo de funções racionais, encontra um conjunto de geradores simplificado utilizando interpolação esparsa e busca parcial de bases de Gröbner, demonstrando melhorias em relação ao estado da arte e aplicações em áreas como a identificabilidade estrutural de parâmetros.
Este artigo apresenta um framework que utiliza uma abordagem de alinhamento de kernel em um setup professor-aluno para distilar a semântica de lógica temporal em representações neurais contínuas e invertíveis, permitindo raciocínio neuro-simbólico eficiente e escalável para especificações formais.
O artigo apresenta o R1-Code-Interpreter, um modelo de linguagem treinado com aprendizado supervisionado e reforço multiestágio que supera os limites de tarefas heterogêneas ao priorizar amostras com maior potencial de melhoria, alcançando desempenho superior ao do GPT-4o em tarefas de raciocínio e planejamento com execução de código.
Este trabalho apresenta um framework de aprendizado de máquina baseado em restrições físicas e programação genética para descobrir automaticamente equações de forma fechada que descrevem curvas de retenção de água multimodais em materiais porosos, superando as limitações dos modelos hidráulicos tradicionais.