Optimización de calidad-diversidad con U-Net para diseños urbanos climáticos
Descubre cómo U-Net acelera la optimización QD para generar miles de diseños urbanos adaptativos al clima en minutos.
#sustituto
Modelos sustitutos causales multi-fidelidad para implosiones ICF
Descubre cómo los modelos sustitutos causales multi-fidelidad y el machine learning optimizan diseños en fusión por confinamiento inercial, acelerando descubrimientos y diagnósticos.
ParetoPilot: Optimización multiobjetivo offline sin sustituto
Descubre ParetoPilot: innovador marco de difusión sin sustituto para optimización multiobjetivo offline. Mejora el frente de Pareto y preserva privacidad.
RRISE: Inferencia Robusta de Radio mediante un Estimador Sustituto
¿Quieres certificar robustez en IA sin el coste del muestreo Monte Carlo? RRISE logra precisión comparable con solo un pase de red.
¿Campos precisos engañan al diseño fotónico? De precisión global a lectura de puertos
Descubre cómo PaNO mejora la precisión de lectura en puertos de diseño fotónico, reduciendo errores hasta un 72% frente a métodos tradicionales.
Validación y gobernanza multiagente para adaptación de modelos termohidráulicos
Descubre cómo un sistema multiagente con validación mejora un 19% la precisión de los modelos termohidráulicos, reduciendo errores en pronósticos dinámicos.
Corrigiendo el sesgo espectral en operadores neurales con difusión posterior
Corrige sesgo espectral en operadores neuronales usando difusión posterior y observaciones dispersas, logrando predicciones precisas con solo un 5% de cobertura.
MENO: Operadores Neurales Mejorados con MeanFlow para Sistemas Dinámicos
Descubre MENO: el nuevo marco que mejora operadores neurales con MeanFlow para predicciones precisas en sistemas dinámicos, con hasta 14x más rapidez que DDIM.
Surrogados profundos con física para la ecuación de Boltzmann de fonones
Nuevo sustituto profundo con física reduce hasta un 70% los datos de entrenamiento para simular transporte térmico a nanoescala, con errores del 5%. Ideal para diseño de materiales.
Pruebas estadísticas en grafos dirigidos mediante datos sustitutos
Descubre cómo generar datos sustitutos para pruebas estadísticas no paramétricas en grafos dirigidos, superando limitaciones de métodos existentes.
Meta-Optimización con Ensambles Adaptativos para Equilibrio Robustez-Precisión
AdaE-SAEA: algoritmo evolutivo con ensambles adaptativos y RL para equilibrar robustez y precisión. Mejora rendimiento en problemas reales.
ML para homogeneizar materiales hiperelásticos con microestructuras booleanas
Descubre cómo una red neuronal predice parámetros de Lamé en materiales hiperelásticos con microestructuras booleanas. Modelo sustituto eficaz.
Asimilación de datos continua con dinámica sustituta aprendida
Mejora la asimilación de datos continua con modelos sustitutos de IA. Reduce error de modelo y asegura convergencia exponencial. Ideal para sistemas dinámicos.
Más allá de lo discreto: complejidad muestral del STE en cuantización 1-bit
Primer análisis teórico de complejidad muestral del Straight-Through Estimator para cuantización 1-bit. Descubre por qué el tamaño de muestra es clave para su éxito.
Uso de machine learning para emular simulaciones de trombectomía mecánica
Descubre cómo el machine learning acelera las simulaciones de trombectomía mecánica, permitiendo decisiones más rápidas en el tratamiento del ictus isquémico.
Operadores Neuronales de Haces Celulares para Modelado de PDEs con Restricciones
Operadores Neuronales de Haces Celulares ofrecen modelado sustituto de PDE con restricciones, preservando estructura para simulaciones en MHD y fusión.
IntraShuffler: Marco de Privacidad para Aprendizaje Federado con DP Heterogéneo
IntraShuffler protege la privacidad en aprendizaje federado con DP heterogéneo, reduciendo ataques de inferencia sin perder utilidad.
Selección Activa de Tiempos para Aprender Trayectorias de Medidas
Descubre cómo seleccionar los mejores tiempos de medición usando aprendizaje activo y procesos gaussianos para reducir costos en biología unicelular.
Pronosticadores GPU: Modelos de lenguaje como sustitutos selectivos
Los LLMs pueden pronosticar el rendimiento de kernels GPU funcionando como sustitutos selectivos. Esto permite explorar más candidatos y hallar kernels más rápidos con menor costo de medición.
Reducción de Malla Informada por Física para Redes Neuronales Grafo Multigrid
Coarsening informado por física mejora precisión y estabilidad en redes neuronales grafo multigrid para sólidos deformables. ¡Optimiza!