Денис Аветисян

Метаповерхности: Как физика и ИИ объединяются для надёжного дизайна

от

Оптимизация с использованием суррогатных моделей низкой точности может приводить к ошибочным результатам при отклонении от области обучения, в то время как подход, учитывающий неопределённость и использующий многоуровневые вычисления, эффективно сбалансирует исследование и эксплуатацию, обеспечивая надежную оптимизацию, причём в данном исследовании подтверждается эффективность использования физически обоснованных правил в качестве метрики неопределённости при решении реальной задачи проектирования метаповерхностей.

Новый подход к оптимизации дизайна метаповерхностей сочетает в себе физически обоснованное моделирование неопределенности и возможности искусственного интеллекта, повышая эффективность и надежность процесса проектирования.

Прогнозы со степенью уверенности: Конформные предсказания для временных рядов

от

Диаграмма критических различий, основанная на интервальном балле Винклера, демонстрирует статистически значимые отличия между тремя лучшими алгоритмами, указывая на их различную эффективность в задачах, оцениваемых данным показателем.

Новый обзор посвящен методам оценки надежности прогнозов временных рядов с использованием конформных предсказаний, позволяющих задать желаемый уровень достоверности.

Восприятие пространства: как невидимость помогает машинам видеть глубже

от

Разработанный метод предварительного обучения MDM использует естественные пропуски в измерениях глубины RGB-D сенсоров в качестве масок для обучения метрически-корректным, полным и точным представлениям глубины, в результате чего модель LingBot-Depth служит мощным априорным знанием о пространственном восприятии для последующих задач, таких как отслеживание 3D точек и захват предметов.

Новый подход к обработке данных с RGB-D камер позволяет создавать более точные 3D-модели окружения, даже при наличии неполной информации о глубине.

Стратегическое планирование: новые вызовы для интеллектуальных агентов

от

Предложенный эталон DeepPlanning обеспечивает комплексную основу для оценки и развития алгоритмов планирования.

Исследование выявляет слабые места современных ИИ-систем в решении долгосрочных задач, требующих самостоятельного поиска информации и соблюдения ограничений.

Поиск по новым правилам: оценка предсказания эффективности запросов

от

Предлагаемая обобщенная схема оценки QPP включает в себя дополнительное измерение, основанное на моделях ранжирования, позволяющее оценивать точность предсказаний качества поиска для каждого ранжера по набору запросов и вычислять корреляцию между этими предсказаниями и фактическим качеством поиска, как показано в уравнениях [latex]\text{Equation 1, 2}[/latex] и [latex]\text{Equation 4}[/latex], а также определять корреляцию между предсказаниями и качеством поиска для каждой пары запрос-ранжер в соответствии с уравнением [latex]\text{Equation 5}[/latex].

В статье представлена обобщенная платформа для оценки предсказания эффективности запросов, учитывающая как сами запросы, так и используемые модели ранжирования.

Химический интеллект: новый подход к созданию молекул

от

Модель ChemCRAFT демонстрирует превосходство над другими химическими языковыми моделями в различных областях, что подтверждается анализом кривых обучения для этапов обучения с использованием и без инструментов, а также частотой использования инструментов, при этом она отличается низкой стоимостью вычислений и более эффективной длиной токена по сравнению с другими многоагентными химическими системами, что указывает на прямую взаимосвязь между производительностью и длиной токена.

Исследователи представили систему ChemCRAFT, использующую обучение с подкреплением для расширения возможностей языковых моделей в области химии и автоматизации процессов молекулярного дизайна и синтеза.

Интеллектуальная маршрутизация в коллаборации языковых моделей

от

Предложенная методика RouteMoA оптимизирует процесс вычислений, избирательно активируя лишь необходимые части больших языковых моделей для логического вывода, в отличие от предшествующих подходов, таких как MoA Wang et al. (2024a), пересылающих все модели в каждом слое, или Sparse MoA Li et al. (2024), использующих суждение на основе языковой модели для отбора ответов, что значительно снижает вычислительные затраты.

Новый подход RouteMoA позволяет значительно повысить эффективность совместной работы нескольких больших языковых моделей за счет динамического выбора наиболее подходящих для решения задачи.