Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
TUM fortalece la investigación de vanguardia con el Centro de Ingeniería Cuántica
Alemania busca posicionarse a la vanguardia de las tecnologías cuánticas mediante el establecimiento del Centro de Ingeniería Cuántica (ZQE) en la Universidad Técnica de Múnich. Este centro interdisciplinario busca transformar la física cuántica en aplicaciones industriales y fomentar la soberanía tecnológica alemana. Se han asignado fondos significativos, incluyendo 35 millones de euros de Baviera y 20 millones del gobierno federal, para impulsar esta agenda tecnológica europea.
Microsoft Research presenta Quine, un sistema de IA para modelar la complejidad de la biología
Microsoft Research presentó Quine, un sistema de investigación de inteligencia artificial que combina un modelo del mundo multimodal de la biología con un arnés que conecta modelos, herramientas científicas, literatura e investigadores. En colaboración con el Broad Institute de Harvard y el MIT, el sistema priorizó compuestos capaces de inducir cambios en el estado tumoral del cáncer de páncreas y validó varios candidatos en ensayos de laboratorio, un proceso que llevó un fin de semana. La tecnología es experimental y solo para investigación; el acceso inicial se limita al programa Quine Fellows y a colaboraciones selectas.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «ZME Science»
Más recientes primero · Hasta 30 noticias por página
Agon: Un sistema de investigación multidisciplinario autónomo construido sobre la economía de prompts
Se presenta Agon, un orquestador de investigación diseñado para explorar los límites de la investigación automatizada mediante modelos de lenguaje grande. Agon se basa en seis principios de diseño, incluyendo la economía de prompts y el paralelismo masivo, demostrando escalabilidad en la investigación. El sistema sugiere un nuevo paradigma donde las máquinas escalan y los humanos dirigen la investigación.
¿Puede un agente de IA ser epistemológicamente acrático? Evidencia de orden superior y los límites de la autocorrección
Se plantea la posibilidad de que un agente de Inteligencia Artificial pueda ser epistemológicamente acrático. Se argumenta que obedecer juicios de corrección puede perjudicar al agente al distinguir el razonamiento sólido del defectuoso. Se sugiere que una evaluación negativa puede ser valiosa al señalar conclusiones que necesitan más revisión, desafiando la idea de que la concordancia entre creencias y autoevaluaciones mejora la corrección de errores de la IA.
No se identificaron personas.
Delegar la autorización a agentes desalineados: Alineación coalicional y control seguro
El texto aborda el problema de control en agentes de IA que alteran el estado con cada acción, y propone una condición para garantizar la seguridad al delegar la revisión a otros agentes de IA. Se demuestra que una regla de umbral es segura bajo ciertas condiciones de eliminación de revisores.
Reevaluación de biomarcadores de variabilidad de la frecuencia cardíaca para la detección de glucosa: El impacto de la normalización por edad y la validación independiente del sujeto
Un estudio evaluó si la normalización de la variabilidad de la frecuencia cardíaca (VFC) por la edad mejoraba la estimación del estado glucémico en pacientes con diabetes tipo 2. Se analizaron características del ECG de 43 hombres con diabetes tipo 2, comparando diferentes algoritmos y métodos de normalización. Los resultados sugieren que los ensamblajes de árboles mantuvieron un rendimiento positivo, aunque el rendimiento general no fue suficiente para un uso clínico independiente.
No se identificaron personas.
Validación de nivel de efecto para el descubrimiento causal en telemetría interactiva
Se estudia el descubrimiento causal en telemetría de sistemas interactivos para determinar si el juego competitivo temprano incrementa la retención en el día 1 en un RPG. Se propone un marco de admisibilidad para validar efectos causales mediante estabilidad y diagnósticos. Se concluye que la recuperación a nivel de grafo es un proxy débil para la fiabilidad causal, sugiriendo evaluar las tuberías de descubrimiento a nivel de consulta y efecto.
CoLaX: Explicaciones contextuales para series temporales
Se presenta CoLaX, un marco de explicación post-hoc sensible al contexto para clasificadores de series temporales. Este método construye sobre la atribución de Shapley basada en shapelets y condiciona la relevancia del patrón local mediante una representación aprendida de la secuencia completa. CoLaX mejora el rendimiento en benchmarks sintéticos y logra el AUPRC más alto en datos reales de ECG.
MiniOpt: Razonamiento para modelar y resolver problemas de optimización general con recursos limitados
Se presenta MiniOpt, un LLM ligero especializado en optimización entrenado con un paradigma de razonamiento para resolver problemas de optimización con recursos limitados. Este modelo supera a otros modelos basados en aprendizaje al requerir menos parámetros y datos de entrenamiento. Los resultados indican que MiniOpt mantiene su capacidad de optimización incluso con parámetros desacoplados, sugiriendo una comprensión más robusta de la estructura de optimización.
ElasticDino: Características Semánticas Densas Usando Deformaciones Elásticas
Se presenta ElasticDino, un adaptador ligero diseñado para generar mapas de características de alta resolución en tareas de visión densa. Este método utiliza deformaciones espaciales para preservar los detalles finos de la imagen y mejorar la precisión sobre benchmarks populares. Se demuestra una mejor precisión y rendimiento computacional en comparación con métodos existentes.
HeriKGQA: Respuesta a preguntas de grafos de conocimiento sobre datos de sensores de patrimonio cultural
Se presenta HeriKGQA, un método de respuesta a preguntas de grafos de conocimiento diseñado para interpretar datos de sensores de patrimonio cultural mediante LLMs. Este método utiliza una capa de fundamentación para asegurar la precisión al traducir preguntas a consultas SPARQL y corregir errores en el proceso. El sistema alcanzó un 99.0% de precisión en 500 preguntas, superando a las líneas de base existentes en términos de velocidad y calidad de respuesta.
Método de aprendizaje por refuerzo profundo con restricción física para la planificación de misiones autónomas de sondas a Titán
Se propone un método de optimización de política proximal maskable (PCM-PPO) con restricción física para la planificación de misiones autónomas de sondas a Titán. Este método aborda los desafíos de la planificación en entornos de espacio profundo complejos y variables, incorporando modelos de dinámica de sistemas para mejorar la representación física. El PCM-PPO ofrece un esquema factible e interpretable para la planificación de misiones autónomas en Titán.
RUMI: Interfaz de manipulación universal para aprendizaje robótico con realidad aumentada y retroalimentación háptica
Se presenta RUMI, una interfaz de manipulación universal portátil diseñada para el robot Robotiq 2F-85, que utiliza sensores de punta de dedo intercambiables. El sistema integra realidad aumentada para proporcionar retroalimentación en tiempo real sobre la viabilidad del movimiento y un mecanismo háptico para teleoperación sensible a la fuerza. Un estudio de usuario demostró una mejora en la precisión del movimiento en comparación con métodos sin realidad aumentada.
¿A dónde debe ir el código? Localizando errores del modelo fundacional en la simulación de inventario bimórfico
Se presenta un estudio sobre la localización de errores en la simulación de inventario bimórfico utilizando modelos fundacionales. El trabajo analiza cómo diferentes tipos de código y configuraciones de modelos afectan la resolución de errores como el error de selección de informe y el error de despliegue. Se evalúan los efectos de diferentes interfaces de llamada y la capacidad de razonamiento de modelos como GPT-5.4 mini y DeepSeek V4 Pro.
metalSPARSE: Kernel GEMV disperso semiestructurado 2:4 para GPUs de Apple Silicon
Se presenta metalSPARSE, el primer kernel disperso 2:4 para GPUs de Apple, junto con un decodificador fusionado escrito en Metal. Este método logra una aceleración de 3.6 veces en la decodificación con Qwen2.5-1.5B y ofrece una mejora de 1.52 veces sobre MLX en hardware M4. La técnica reduce la perplexidad de un modelo a 1.34x manteniendo la calidad mediante la combinación de una máscara Wanda y adaptadores de rango bajo.
Metrología virtual basada en atención auto-supervisada para predicción de MRR en CMP
Se propone el marco GREP, un método basado en atención auto-supervisado para predecir la tasa de remoción de material (MRR) en el proceso de planarización mecánica química (CMP). Este método aprende representaciones temporales de señales de sensores sin etiquetar y luego se ajusta para la estimación de la MRR. Los experimentos muestran que GREP ofrece un rendimiento competitivo con datos etiquetados limitados y reduce el error RMSE en un 17.0% en el intervalo temporal final.
Estudio empírico a escala de modelos de lenguaje sintácticos
Se realizó un estudio empírico a gran escala de modelos de lenguaje sintácticos (SLM) para evaluar su rendimiento en diferentes tareas y puntos de referencia sintácticos. Los resultados indican que los SLM con atención causal estándar igualan o superan a las variantes con máscaras estructurales. Se observa que a escalas mayores, los SLM pueden perder competitividad frente a líneas base no estructurales con capacidad de cómputo.
Adaptador Few-shot con Fusión Cross-view para Reconocimiento de Emociones EEG entre Sujetos
Se presenta un adaptador few-shot llamado FACE para el reconocimiento de emociones por EEG entre sujetos, abordando la variabilidad intersujeto y la variabilidad intra-sujeto. FACE utiliza una fusión dinámica cross-view para integrar conectividad cerebral global y patrones localizados con pesos específicos del sujeto. El método busca permitir una adaptación rápida a sujetos no vistos y reducir el sobreajuste mediante meta-aprendizaje.
¿Pueden los LLMs solucionar errores sin código? Hacia la verificación automatizada de correcciones de errores sin código
Un estudio evalúa la capacidad de los Modelos de Lenguaje Grandes (LLMs) para generar correcciones sin código para errores de software en un entorno de navegador. Se midió el éxito de estas correcciones mediante la aplicación de un agente ejecutor y un verificador de problemas. Se encontró que, aunque algunas correcciones resuelven los errores, menos de la mitad de las soluciones generadas por los LLMs resuelven el problema, destacando la necesidad de verificación humana.
DISCERN: Preservar al escribir, resolver al leer para la memoria persistente de agentes LLM
Se presenta DISCERN, un marco de memoria para agentes construido con la regla "preservar al escribir, resolver al leer". Este sistema aborda el problema de la resolución de entidades y estados temporales en la memoria de agentes empresariales. DISCERN utiliza un grafo de procedencia bi-temporal para gestionar entidades confusas y valores superados, buscando resolver la ambigüedad en la recuperación de información. El sistema demuestra un rendimiento superior en la resolución de entidades y la corrección de respuestas en benchmarks específicos.
Cajas de arena de IA: Modelo de amenaza, taxonomía y marco de medición
Se presenta un marco para evaluar sistemas de IA en entornos controlados llamados cajas de arena, definiendo un modelo de amenaza y dimensiones de medición. El marco aborda la evidencia generada por estos sistemas y establece reglas para limitar las afirmaciones de despliegue basándose en la evidencia más débil. Se aplican estos conceptos a ejemplos en áreas como conducción y control industrial.
Planificación como relajación de dinámicas: La red recurrente hipocampal realiza navegación óptima dirigida a objetivos
Un estudio demuestra que una red hipocampal con conexiones recurrentes logra una navegación óptima dirigida a objetivos mediante sus dinámicas de relajación. El trabajo propone un principio de circuito general para la planificación en mapas cognitivos abstractos, superando la navegación espacial tradicional. Se prueban simulaciones en mazas complejas que indican rutas casi óptimas y una robustez significativa ante cambios en la memoria.
Estimación de eventos raros mediante desalineación iterativa
Se presenta un nuevo método de muestreo de importancia (IS) para estimar la probabilidad de eventos raros generados por la variación estocástica en las acciones de agentes autónomos. Este método perturba los pesos del modelo para crear una propuesta de lenguaje model que permite una búsqueda basada en gradiente. Se demostró una ganancia de eficiencia de cómputo superior a $800\times$ sobre el Monte Carlo ingenuo para eventos con probabilidades muy bajas.
RSI-PDE: Un benchmark para agentes auto-mejorables en la resolución de EDOs
Se presenta RSI-PDE, un mecanismo de agente recursivamente auto-mejorable diseñado para resolver ecuaciones diferenciales parciales (PDEs). Este sistema mejora el rendimiento en comparación con las líneas de base existentes, mejorando la tasa de éxito y reduciendo las llamadas al modelo. Los resultados demuestran el potencial de la auto-mejora recursiva en agentes de LLM para la computación científica.
Presentación de un conjunto de datos unificado para el análisis de documentos con generación de descripción de elementos visuales
Se presenta Read-Parse-Describe, un conjunto de datos unificado para el análisis de documentos que incluye la generación de descripción de elementos visuales. El trabajo aborda la necesidad de modelos que puedan producir un análisis a nivel de página que sea fiel tanto estructural como semánticamente. Se propone un mejorador de conciencia espacial para mejorar el rendimiento conjunto de estos modelos.
El modo de unión es crucial para el descubrimiento de fármacos mediante la identificación de modos de unión diversos
Se presenta BindMol, un marco generativo basado en aprendizaje por refuerzo para el diseño de fármacos. Este método busca descubrir moléculas con alta afinidad y diversos modos de unión, superando los enfoques previos que solo optimizan una puntuación de acoplamiento. El enfoque permite identificar compuestos con novedad estructural y perfiles de unión deseables para el descubrimiento de fármacos.
Deuda de accesibilidad en la GUI de los corpora detrás de los agentes de uso de computadoras
Un estudio mide la brecha de etiquetado en la descripción de contenido en dos corpora de Android (Rico y AndroidControl) para evaluar cómo los agentes de uso de computadoras heredan fallos de accesibilidad. Se encontró una diferencia significativa en la cobertura de descripción de contenido entre los dos conjuntos de datos, especialmente en controles de entrada. El estudio también analiza el efecto de selección en la operación de elementos gráficos sin texto.
Términos de cuidado: Diseñando la participación en la gobernanza de datos por comunidades con discapacidad
Se investiga cómo las comunidades con discapacidad pueden participar en la gobernanza de conjuntos de datos mediante licencias sensibles al contexto para mejorar su representación en medios generados por IA. Se realizaron entrevistas y actividades para fomentar la participación comunitaria en la administración de datos, destacando que la gobernanza depende de la memoria organizacional y la confianza. Se propone un enfoque modular para hacer más accesibles las opciones de datos y permitir a las comunidades adaptar cláusulas de Creative Commons.
SoScale: Búsqueda de escala de segundo orden para cuantización FP4
Se presenta SoScale, un método de búsqueda de escala de segundo orden para la cuantización FP4 jerárquica, diseñado para mejorar la precisión en modelos de lenguaje grandes (LLMs). Este método busca códigos de escala válidos bajo un objetivo de reconstrucción consciente de la Hessiana y lo combina con una recuperación de errores estilo GPTQ. Los resultados muestran que SoScale reduce la degradación de cuantización posterior en modelos Qwen3 bajo formatos MXFP4, NVFP4 y HiF4.
Repensando "RL Generaliza, SFT Memoriza": El papel de los datos de SFT
El artículo reexamina la diferencia entre modelos entrenados con Aprendizaje por Refuerzo (RL) y aquellos entrenados con Ajuste Fino Supervisado (SFT), enfocándose en el papel de los datos de entrenamiento. Se demuestra que la mezcla cuidadosa de datos de SFT y el ajuste de la escala de datos mejoran la generalización de los modelos. Además, se sugiere que conjuntos de datos más grandes cubren métodos de solución más diversos y generalizables.
Teoría de tipos para la verdad verificada en conocimiento
El texto aborda la incompatibilidad entre la irrelevancia de prueba definicional en matemáticas y los requisitos de los almacenes científicos verificados. Se presenta Eigenius, un sustrato de conocimiento verificado para la ciencia, que resuelve estos problemas mediante la formulación de un núcleo dependiente y la unificación de conceptos de tipado. Se detallan las bases teóricas y las estructuras institucionales para asegurar la consistencia y la verificabilidad del conocimiento científico.
Robots que hablan demasiado y no escuchan lo suficiente
Se revisan métodos anteriores para mejorar el reconocimiento de voz y los fallos en el turno de palabra en la interacción con robots sociales. Se argumenta que se necesita transmisión bidireccional multimodal para reducir la frecuencia de fallos en el turno de palabra.