Денис Аветисян

Когда думать выгодно: как наладить сотрудничество человека и ИИ

от

Средняя производительность команды человек-ИИ демонстрирует зависимость от стратегий взаимодействия, при этом её показатели варьируются в пределах доверительного интервала в 95%, а отметка производительности, достигаемая только ИИ (фиолетовый цвет), и только человеком (тёмно-зелёный цвет) служат базовыми ориентирами, вытекающими из истинных меток данных.

Новое исследование показывает, что неправильно выстроенные стимулы приводят к чрезмерной зависимости от искусственного интеллекта, снижая эффективность совместной работы.

Квантовая симуляция без издержек: новый подход к динамике открытых систем

от

Исследование предлагает эффективные алгоритмы для моделирования эволюции квантовых систем, подверженных воздействию окружения, избегая необходимости использования дополнительных кубитов.

Искусственный мир: Модель PAN предсказывает будущее взаимодействий

от

Архитектура модели PAN включает в себя авторегрессивную языковую модель, служащую основой для долгосрочного моделирования мира, и видео-диффузионный декодер, предназначенный для предсказания наблюдаемых видеопоследовательностей.

Новая модель искусственного интеллекта позволяет создавать правдоподобные симуляции, предсказывая долгосрочные последствия действий в виртуальном пространстве.

Искусственные инструменты для разумных агентов: новый подход к обучению и оценке

от

Иерархическая эволюция доменов позволяет вырастить инструменты, а не строить их, демонстрируя, что каждый архитектурный выбор предсказывает будущие точки отказа в системе.

Исследователи представляют SynthTools – платформу для генерации, симуляции и аудита синтетических инструментов, позволяющую создавать надежных AI-агентов без зависимости от внешних API.

Квантовый период: новый взгляд на вычисление

от

Точность определения периода в квантовых вычислениях, полученная с использованием одномерных матриц плотности, демонстрирует зависимость от количества дополнительных кубитов, причём для систем, состоящих из 6, 7 и 8 кубитов ($n=6, 7, 8$), наблюдается повышение точности по мере увеличения числа вспомогательных кубитов, используемых для улучшения процедуры поиска корня.

Исследование показывает, что период функции можно определить, анализируя лишь диагональные элементы однокубитных матриц плотности, полученных в квантовом алгоритме поиска периода.

Универсальный симулятор физики: нейросети учатся решать любые уравнения

от

Новый подход позволяет создать единую модель машинного обучения, способную точно моделировать разнообразные физические системы, описываемые различными уравнениями в частных производных.

Квантовый горизонт: Оптимизация ресурсов для цифровых двойников транспорта

от

Наблюдается сопоставимость совокупных логарифмических затрат, полученных с использованием CIM (квантового оборудования), Gurobi и PyQUBO, при различных масштабах решаемых задач – малых, средних и больших, определенных в Таблице II.

Исследование демонстрирует потенциал когерентных оптических квантовых вычислений для повышения эффективности распределения ресурсов в виртуальных мирах и транспортных системах.

Разнообразие генерации изображений: новый взгляд на оценку

от

В ходе пилотного исследования использовались шаблоны для оценки человеком, в одном из вариантов которых аннотаторам предоставлялась только категория, а в другом – дополнительный вопрос о количестве различных значений целевого атрибута, наблюдаемых на соответствующем наборе изображений, что позволило получить более детализированные данные.

Исследование предлагает комплексный подход к измерению разнообразия в моделях преобразования текста в изображение, объединяя мнение экспертов с автоматическими метриками.

Обучение с подкреплением без данных: новый взгляд на эффективность

от

Алгоритм, представленный на рисунке, демонстрирует двухэтапный процесс обучения с подкреплением: сначала обучается схема квантовой оценки модели (QME), а затем, используя состояния, встроенные в QME, и декодированное вознаграждение, проводится последующее обучение с подкреплением.

Исследователи предлагают инновационный подход к обучению с подкреплением, позволяющий значительно повысить эффективность при работе с ограниченным объемом данных.