AMD

OASIS: Online Activation Subspace Learning for Memory-Efficient Training

OASIS：面向内存高效训练的在线激活子空间学习

Sakshi Choudhary, Utkarsh Saxena, Kaushik Roy

机构 * Purdue University（普渡大学） ； Advanced Micro Devices, Inc. (AMD)（超威半导体公司（AMD）） 纠错

AI总结 OASIS通过在线学习动态激活子空间，减少内存消耗，无需修改前向计算，实现比全微调低2倍的峰值内存使用，同时保持性能并优于现有低秩方法。

TopoFlow: Topography-aware Pollutant Flow Learning for High-Resolution Air Quality Prediction

TopoFlow：面向高分辨率空气质量预测的地形感知污染物流动学习

Ammar Kheder, Helmi Toropainen, Wenqing Peng, Samuel Antão, Jia Chen, Michael Boy, Zhi-Song Liu

机构 * Department of Computational Engineering, Lappeenranta–Lahti University of Technology LUT（拉彭兰塔-拉赫蒂理工大学计算工程系） ； Atmospheric Modelling Centre Lahti, Lahti University Campus（拉赫蒂大学园区大气模拟中心） ； Institute for Atmospheric and Earth System Research, University of Helsinki（赫尔辛基大学大气与地球系统研究所） ； Advanced Micro Devices (AMD)（超威半导体公司） ； Technical University of Munich（慕尼黑工业大学） 纠错

AI总结 TopoFlow通过整合地形和风向等物理因素，利用视觉Transformer架构提升空气质量预测精度，实现PM2.5 RMSE降低71-80%。

Comments Accepted in npj Climate and Atmospheric Science

Journal ref npj Climate and Atmospheric Science (2026)

Provable Post-Training Quantization: Theoretical Analysis of OPTQ and Qronos

可证明的训练后量化：OPTQ和Qronos的理论分析

Haoyu Zhang, Shihao Zhang, Ian Colbert, Rayan Saab

机构 * UC San Diego（加州大学圣地亚哥分校） ； AMD 纠错

AI总结 本文首次为OPTQ及Qronos提供了定量误差界，分析了训练后量化的迭代过程对量化误差的影响，并为参数选择和特征排序提供了理论依据。