Massachusetts Institute of Technology（麻省理工学院）

Dynamic Compression in Recurrent Networks

循环网络中的动态压缩

Jyothish Pari, Ryan Bahlous-Boldi, Pulkit Agrawal

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 该研究提出动态压缩方法，允许循环模型选择性重访过去标记以修正固定状态，在少样本函数复用任务中，其所需循环状态更小、扩展性更优，实现了计算与内存的有效权衡。

ASI-Bench: At the Dawn of Artificial Superintelligence

ASI-Bench：人工智能超级智能的黎明

Junwei Zhou, Zhen Sun, Binyu Li, Jiangyu Zhou, Yuexi Pan, Hengyu Wang, Honghe Ren, Xiaohan Jia, Xueyang Zhou, Xiaoyu Cao, Yongchao Chen, Yuanning Feng, Junhao Wu, Cheng Zhang, Sijia Chen, Haoyu Xue, Chengsong You, Huan Wang, Koutian Wu, Peigan Gao, Jiakun Wu, Wenzhe Li, Ergan Shang, Qingyuan Zheng, Jingjing Zhou, Ruixuan Jia, Yan Xu, Hongrui Zhang, Xiao-Han Ma, Zhengxiang Cheng, Yuexing Hao, Liting Mai, Xianglin Ji, Wenjun Zhang, Zhuofan Chen, Yixiao Huang, Chi Wang, Wenyue Hua, Yilun Hao, Yuantao Zhai, Ziyan Zhao, Jingyan Xie

机构 * Tsinghua University（清华大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan（密歇根大学） ； University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Boston University（波士顿大学） ； University of Queensland（昆士兰大学） ； University of Science and Technology of China（中国科学技术大学） ； Flatiron Institute（弗拉蒂伦研究所） ； Microsoft Research（微软研究院） ； AG2 AI（AG2 AI公司） 纠错

AI总结 研究人员推出首个联合评估AI创新探索与自主科学执行能力的基准ASI-Bench，逐步减少人类方法指导测试AI自主科研能力，发现当前AI仍严重依赖人类指导，该基准面向全球开放邀请贡献。

Comments 16 pages, 5 figures, 2 tables

Task Specialization Fine-Tuning for Contextual Reinforcement Learning

上下文强化学习的任务专业化微调

Jianan Zhou, Jung-Hoon Cho, Tianyue Zhou, Han Zheng, Jie Zhang, Roy Dong, Yining Ma, Cathy Wu

机构 * Nanyang Technological University（南洋理工大学） ； MIT（麻省理工学院） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 针对上下文强化学习的任务专业化微调难题，提出TSFT框架，通过整数线性规划分配微调预算，在多领域实验中提升了任务覆盖性能。

Scientific Machine Learning of Chaotic Systems Learns Reduced-Order Equations for Neural Populations

混沌系统的科学机器学习发现神经群体的支配方程

Anthony G. Chesebro, David Hofmann, Vaibhav Dixit, Earl K. Miller, Richard H. Granger, Alan Edelman, Christopher V. Rackauckas, Lilianne R. Mujica-Parodi, Helmut H. Strey

机构 * Department of Biomedical Engineering and Laufer Center for Physical and Quantitative Biology, State University of New York at Stony Brook, NY, USA（生物医学工程系和物理与定量生物学拉夫中心，石溪大学纽约州立大学 Stony Brook 分校） ； Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital and Harvard Medical School, MA, USA（Athinoula A. Martinos 生物医学成像中心，麻省总医院和哈佛医学院） ； Computer Science and Artificial Intelligence Lab, Massachusetts Institute of Technology, MA, USA（计算机科学与人工智能实验室，麻省理工学院） ； Picower Institute for Learning and Memory, Massachusetts Institute of Technology, MA, USA（记忆学习研究所，麻省理工学院） ； Psychological and Brain Sciences, Dartmouth College, NH, USA（心理学与脑科学系，达特茅斯学院） ； Santa Fe Institute, NM, USA（圣菲研究所） 纠错

AI总结 该研究提出PEM-UDE方法，通过科学机器学习从混沌系统中发现可解释的支配方程，成功恢复噪声污染数据中的动态，并在神经群体中推导出符合生物约束的新方程。

Comments 54 pages, 10 figures

SparsePixels: Efficient Convolution for Sparse Data on FPGAs

SparsePixels: 用于FPGA上稀疏数据高效卷积的框架

Ho Fung Tsoi, Dylan Rankin, Vladimir Loncar, Philip Harris

机构 * University of Pennsylvania, USA（美国宾夕法尼亚大学） ； Institute of Physics Belgrade, Serbia（塞尔维亚贝尔格莱德物理研究所） ； Massachusetts Institute of Technology, USA（美国麻省理工学院） ； Institute for Artificial Intelligence and Fundamental Interactions, USA（美国人工智能与基本相互作用研究所） 纠错

AI总结 本文提出SparsePixels框架，通过只计算少量活跃像素实现稀疏卷积，降低FPGA上的推理延迟，实验显示在稀疏LArTPC图像中，稀疏CNN比传统CNN快73倍。

Comments Under review