跳到主要内容
检索

Sapienza University of Rome

11 篇关联报道

订阅更新
  1. arXiv

    物理约束不再靠硬投影:能量引导输运让二维纳维-斯托克斯全方程生成保持100%成功率

    预训练的流匹配模型只学数据分布,推理时常违反守恒律与边界条件;此前的零样本做法靠代数投影把样本硬拉回约束面,在稠密的全域偏微分方程上会带来内存瓶颈并扰动概率路径。能量引导输运把物理残差写成光滑势能,在积分过程中对中间状态施加连续耗散力,用反向自动微分隐式求梯度。在热方程、反应扩散、伯格斯方程与二维纳维-斯托克斯上,该方法在全方程约束下保持100%成功率,二维纳维-斯托克斯单样本约0.94秒,而显式投影方法在该设置下失败。

  2. Nature Communications

    扩散模型走向泛化前先长出“伪态”:训练集里没有,合成集里却反复出现

    扩散模型随训练集增大从记忆训练样本转向泛化,而在这两个阶段之间,能量景观上会出现一类既不在训练集中、又在合成样本中反复出现的吸引子。把扩散模型的生成过程看作稠密联想记忆的取回,可以预测这类“伪态”在记忆容量被超过时出现;在MNIST、FASHION-MNIST、CIFAR-10与LSUN-CHURCH上,伪态样本的比例在记忆向泛化过渡的边界处先升后降,其吸引域体积介于记忆样本与泛化样本之间。

  3. 金属导电率筛选扩到280万种化合物:机器学习先排序,电子-声子计算再复核

    金属导电率的计算一向昂贵,难以覆盖庞大化学空间。这套流程先用两个机器学习代理量——BoltzTraP2在恒定弛豫时间近似下给出的电导率,以及Eliashberg电子-声子耦合常数λ——经符号回归拟合为σSR=0.4σBT/λ,对约280万种有序化合物排序,再对候选做完整电子-声子输运计算。Be2IrPt、H3NaNi、LuIr和LiBePt2的室温电导率落在约34至38×106 S/m,与铝的36.59×106 S/m相当,但仍低于Ag、Au、Cu。

  4. 谢林隔离模型里换上一个LLM智能体:组织演化轨迹没变,运行时间从2秒涨到8917秒

    在Mesa实现的谢林隔离模型中,把一名智能体判断邻居是否同类的符号规则换成由本地Qwen3.5模型通过工具调用完成的语言判断,其余动力学保持不变。用MultiVeStA做统计模型检验后,两种模型在60步内“满意智能体比例”的期望轨迹从约0.65升到约1.0,逐点t检验未显示差异;但LLM版本耗时8917秒,原版约2秒。0.8b与2b模型在单元式检查中出现语义错误、工具调用数目错误或生成卡死,4b与9b通过全部检查。

  5. Advanced Science

    高斯采样搬进伊辛机硬件:Falcon签名核心动态功耗降到约四分之一,扩散出图质量不变

    高斯采样不再靠数字电路算出来,而是由概率伊辛机的物理随机性直接产生;在匹配采样精度下,FPGA采样核心的动态功耗和逻辑用量分别约为Falcon高斯核心的1/4.0和1/4.4,扩散管线出图质量保持不变。

  6. arXiv

    低秩压缩不再每token同算力:只训路由器,Llama-2-7B下游平均准确率涨7.6个百分点

    低秩压缩此前在推理时给每个token分配固定秩,算力不随输入变化。LRCC在每个Transformer块加一个轻量路由器,在若干嵌套低秩路径中为每个token选一条,训练时冻结低秩因子、只更新路由器。在相同平均激活参数预算下,Llama-2-7B下游平均准确率比静态低秩压缩高7.6个百分点;在batch-size-1解码延迟对齐时,Llama-3.2-1B的困惑度和下游准确率同时改善,Llama-2-7B保持竞争力,且未使用专用CUDA内核。

  7. arXiv

    AWT 用激活统计对角预条件,在 Llama、Ministral、Qwen 上把张量网络压缩的困惑度差距缩小 12–60%

    作者提出激活感知权重张量化(AWT):一种免训练、与求解器无关的校准期预条件方法,在标准 TT/TTN 分解前用激活导出的对角缩放对权重矩阵做等价重参数化,部署时仅需输入端逐元素缩放。在 Llama 3.1 8B、Ministral 8B、Qwen2.5 7B 上,AWT 在 2–6 倍压缩下一致优于原始张量化:单算子替换缩小 12–35% 的 WikiText 困惑度差距,Llama 多算子后缀替换缩小 27–60%,并迁移到 HellaSwag 与 ARC-Challenge。

  8. arXiv

    用上积与下积构造的 CCNN 在 TopoBench 上取得与单纯复形神经网络相当的性能

    该工作针对多数拓扑深度学习方法基于边界算子与 Hodge 拉普拉斯、每层无法跨越多于一个维度升降特征与信号的限制,提出采用上积(cup)与下积(cap)乘积,形式化了 Cup and Cap Topological Neural Network(CCNN)这一拓扑深度学习架构,用于在考虑数据中多体交互(如三角形)的情况下学习基于节点的变量(0-上链),并在 TopoBench 数据集上验证其性能,显示其相对于其他单纯复形神经网络具有竞争力。

  9. arXiv

    给多智能体系统贴上模型家族标签后,群体沿标签分裂,决策轮次与token消耗上升、成功率从96%降至81%

    该研究在两种无利害关系的合作博弈(Leader Election、Exclusion)和GPQA-Diamond推理基准上,用9至25个来自最多五个开源权重模型家族的智能体做实验,发现当智能体知道彼此所属的模型家族时,交互图会沿该标签分裂成派系(factionalism),且这种分裂跟随被展示的标签而非真实架构——打乱标签或换成中性颜色标签仍会分裂,去掉标签则消失;在严格合作任务中,带标签的群体平均多花30%轮次和55%的token才达成决定,成功率从96%降到81%。

  10. 超声心动图在肺动脉高压风险评估中的增量价值:ULTRA RIGHT VALUE 注册研究的人工智能机器学习分析

    在 401 例欧洲多中心前瞻性肺动脉高压(PAH)队列中,将右心室超声心动图参数(尤其是右心室-肺动脉耦联指标)纳入 ESC/ERS 与 REVEAL 2.0 风险评分后,机器学习分析显示死亡与发病预测的 c-index 分别从 0.73 提升至 0.78、从 0.74 提升至 0.79(P<0.01),提示超声心动图可提升现有 PAH 风险评分的预测能力。