Superando los límites de la espectroscopia NMR 1D con inteligencia artificial
Descubre cómo la IA predice estructuras moleculares con solo espectros NMR 1D, alcanzando un 60.4% de precisión.
#neurona
Aprendizaje preservador de estructura mejora generalización geométrica en PDEs
Descubre cómo el aprendizaje preservador de estructura mejora la generalización geométrica en PDEs con el nuevo método Geo-NeW. Resultados state-of-the-art.
Análisis de campo medio de auto-atención multicabezal bajo entropía cruzada
Explora un nuevo marco teórico de campo medio para la auto-atención multicabezal, estableciendo condiciones de convergencia y estabilidad bajo entrenamiento con entropía cruzada.
GRAU: Unidad de Activación Reconfigurable para Hardware de Redes Neuronales
GRAU: unidad de activación reconfigurable que reduce costos de hardware hasta un 90% en aceleradores de redes neuronales, soportando cuantización mixta y funciones no lineales.
Sigma-Branch: Red Jerárquica para Inferencia Dinámica con Parámetros Reducidos
Sigma-Branch: nueva técnica de inferencia dinámica que reduce parámetros activos un 60% en edge, sin perder precisión.
TENP: Poda Trapezoidal de Neuronas Expertas para Mezcla de Expertos
TENP: poda trapezoidal de neuronas para MoE. Reduce parámetros activos un 63% con solo 1 punto de pérdida de precisión. ¡Mejora código un 10%!
Interpolación profunda de cortes para reducir anisotropía y ruido en TC de cabeza
Descubre cómo la inteligencia artificial reduce la anisotropía y el ruido en TC de cabeza, mejorando la visualización 3D y las mediciones volumétricas.
Destilación de un agente de compras desde trazas de la Subnet ShoppingBench en Bittensor
Aprende a usar las arenas de agentes de Bittensor para entrenar modelos pequeños: de 18% a 42.7% de ASR en tareas de compras.
Predicción de Calidad en Manufactura Aditiva 3D con Transformador de Grafos
Un transformador de grafos espaciotemporal modela interacciones 3D en manufactura aditiva para predecir y mejorar calidad de piezas metálicas. ¡Lee más!
Redes Neuronales Temporales Sheaf con Transporte Ortogonal Dinámico
Descubre cómo las redes neuronales sheaf temporales mejoran la predicción de enlaces en grafos con evolución temporal, usando marcos ortogonales dinámicos y transporte local.
Reglas de diseño de GNN: ¿fallan según el benchmark?
Descubre cómo la composición del benchmark determina si la informatividad predice el mejor agregador en GNN. Resultados clave con Facebook-100.
Diseño óptimo de subastas con deep learning y certificados de ingresos
Descubre cómo el aprendizaje profundo permite obtener certificados de ingresos en subastas óptimas de múltiples artículos y postores. Un avance clave en diseño de subastas.
La geometría hiperbólica de poblaciones neuronales mejora el cómputo
La geometría hiperbólica en neuronas del hipocampo mejora memoria y decodificación. Descubre su impacto en redes Hopfield.
NAS guiado por LLM para codiseño robusto de redes neuronales físicas
Descubre cómo el NAS guiado por LLM optimiza precisión y eficiencia energética en hardware no convencional, logrando arquitecturas robustas frente a imperfecciones físicas.
Optimización de políticas sin línea base para optimización combinatoria neuronal
Descubre cómo GRPO evita el colapso del entrenamiento en optimización combinatoria neuronal sin necesidad de línea base, mejorando la estabilidad en problemas de ruteo como TSP y CVRP.
Hacia el Mecanismo de Ramificación Crítica en Redes Neuronales Recurrentes
Redes LSTM pequeñas exhiben dinámicas near-críticas con avalanchas de escala libre. Las grandes son subcríticas. ¿Qué implica esto para la IA?
ERAlign: Alineación de Representaciones de GNNs y LLMs en Grafos Textuales
Descubre ERAlign: alinea GNNs y LLMs en grafos textuales con modelos energéticos, mejorando el rendimiento sin costos altos de muestreo.
Detección de lenguaje especulativo en textos biomédicos con RNTN
Las redes neuronales tensoriales recurrentes superan a SVM y Naive Bayes en detección de lenguaje especulativo biomédico. Resultados clave.
Redes Neuronales de Grafos para predecir la solubilidad de grupos finitos
¿Pueden las GNN aprender propiedades algebraicas de grupos finitos? Un estudio de prueba de concepto que clasifica grupos solubles y no solubles usando grafos de Cayley. ¡Descúbrelo!
Transferencia de aprendizaje: Extensiones de Kan para invariantes neuronales
Descubre cómo las extensiones de Kan cuantifican la transferencia de invariantes en redes neuronales, usando teoría de categorías para detectar colapsos.