AI Paper Weekly – Einheitliche Modellierung Von Molekülen Und Materialien/Abdeckung Von 6 Speichertypen Und Multi-Agenten-Frameworks/Simulation Der Betriebssysteminteraktion … 5 Beliebte Artikel Auf Einen Blick

Diffusionsmodelle haben sich aufgrund ihrer leistungsstarken generativen Fähigkeiten und hohen Flexibilität zu einem wichtigen Werkzeug für die Erzeugung dreidimensionaler atomarer Systeme entwickelt. Diese Modelle erzeugen neue Strukturen durch die Simulation der zufälligen Bewegung von Partikeln in einem Medium. Dieser Ansatz hat sich als sehr effektiv für die Erfassung komplexer atomarer Anordnungen erwiesen. Obwohl die zugrunde liegenden physikalischen Gesetze dieser Systeme dieselben sind, sind aktuelle Generierungsmethoden in der Regel auf bestimmte Systemtypen (wie Moleküle oder Kristalle) ausgelegt und wenig vielseitig.

Auf dieser Grundlage haben die Universität Cambridge und die Abteilung für Grundlagenforschung Künstlicher Intelligenz von Meta gemeinsam den All-atom Diffusion Transformer (ADiT) entwickelt, das erste einheitliche latente Raumdiffusions-Framework, das gleichzeitig periodische Materialien und nichtperiodische Molekülsysteme erzeugen kann. Experimentelle Ergebnisse zeigen, dass der gemeinsam trainierte ADiT realistische und effektive Molekül- und Materialstrukturen erzeugen kann und seine Leistung auf dem neuesten Stand der Technik ist und mit Modellen vergleichbar ist, die speziell für Moleküle oder Kristalle entwickelt wurden.

Link zum Artikel:https://go.hyper.ai/ln9AL

Neueste KI-Artikel:https://go.hyper.ai/hzChC

Um mehr Benutzer über die neuesten Entwicklungen im Bereich der künstlichen Intelligenz in der Wissenschaft zu informieren, wurde auf der offiziellen Website von HyperAI (hyper.ai) jetzt der Bereich „Neueste Artikel“ eingerichtet, in dem täglich hochmoderne KI-Forschungsartikel aktualisiert werden.Hier sind 5 beliebte KI-Artikel, die wir empfehlen, werfen wir einen kurzen Blick auf die bahnbrechenden KI-Errungenschaften dieser Woche ⬇️

Die Zeitungsempfehlung dieser Woche

1 All-Atom-Diffusionstransformatoren: Einheitliche generative Modellierung von Molekülen und Materialien

Diese Arbeit stellt den All-Atom Diffusion Transformer (ADiT) vor, ein einheitliches Framework für latente Diffusion, das periodische Materialien und nichtperiodische molekulare Systeme mithilfe desselben Modells gemeinsam generieren kann: Der Autoencoder bildet die einheitliche All-Atom-Darstellung von Molekülen und Materialien in einem gemeinsamen latenten Einbettungsraum ab; das Diffusionsmodell wird trainiert, um neue latente Einbettungen zu generieren, die vom Autoencoder dekodiert werden können, um neue Moleküle oder Materialien zu untersuchen. Experimentelle Ergebnisse zeigen, dass der gemeinsam trainierte ADiT hochmoderne Ergebnisse erzielt, die mit molekular- und kristallspezifischen Modellen vergleichbar sind.

Link zum Artikel:https://go.hyper.ai/ln9AL

2 MIRIX: Multi-Agent-Speicher  System für LLM-basierte Agenten

Dieses Dokument stellt MIRIX vor, ein modulares Multi-Agenten-Speichersystem, das die dringendsten Herausforderungen der Branche angeht und Sprachmodelle wirklich einprägsam macht. Im Gegensatz zu früheren Ansätzen geht MIRIX über Text hinaus und bietet reichhaltige visuelle und multimodale Erlebnisse, wodurch das Gedächtnis in realen Szenarien wirklich nützlich wird. MIRIX besteht aus sechs Speichertypen, kombiniert mit einem Multi-Agenten-Framework, das den Aktualisierungs- und Abrufprozess dynamisch steuert und koordiniert. Dieses Design ermöglicht es Agenten, vielfältige, langfristige Benutzerdaten in großem Umfang dauerhaft zu speichern, zu analysieren und präzise abzurufen.

Link zum Artikel:https://go.hyper.ai/L9XYi

3 NeuralOS: Auf dem Weg zur Simulation von Betriebssystemen mithilfe neuronaler generativer Modelle

Dieses Dokument stellt NeuralOS vor, ein neuronales Framework, das die grafische Benutzeroberfläche eines Betriebssystems simuliert, indem es Bildschirmbilder als Reaktion auf Benutzereingaben direkt vorhersagt. NeuralOS kombiniert ein rekurrentes neuronales Netzwerk zur Verfolgung des Computerzustands und einen diffusionsbasierten neuronalen Renderer zur Generierung von Bildschirmbildern. Experimentelle Ergebnisse zeigen, dass NeuralOS realistische GUI-Sequenzen erfolgreich rendert, Mausinteraktionen präzise erfasst und Zustandsübergänge wie Anwendungsstarts zuverlässig vorhersagt.

Link zum Artikel:https://go.hyper.ai/1w0lf

4 Seitenkettenkonditionierung und -modellierung für das Design vollständiger Proteinsequenzen mit FAMPNN

In dieser Arbeit schlagen wir FAMPNN (All-Atom MPNN) vor, eine Methode, die die Sequenzidentität und Seitenkettenkonformation jedes Restes explizit modelliert. Dabei werden die Wahrscheinlichkeitsverteilungen der diskreten Aminosäureidentität und der kontinuierlichen Seitenkettenkonformation jedes Restes durch gemeinsame kategorische Kreuzentropie- und Diffusionsverlustziele ermittelt. Die Vorteile der expliziten All-Atom-Modellierung reichen über die Sequenzwiederherstellung hinaus und erstrecken sich auch auf praktische Anwendungen im Proteindesign, wie beispielsweise die Zero-Shot-Vorhersage experimenteller Bindungs- und Stabilitätsmessungen.

Link zum Artikel:https://go.hyper.ai/PiNf7

5 AgentsNet: Koordination und kollaboratives Denken in Multi-Agenten-LLMs

In diesem Artikel schlagen wir AgentsNet vor, einen neuen Maßstab für Multi-Agenten-Reasoning. Basierend auf klassischen Problemen verteilter Systeme und der Graphentheorie bewertet AgentsNet die Fähigkeit von Multi-Agenten-Systemen, gemeinsam Problemlösungsstrategien zu entwickeln, sich selbst zu organisieren und unter einer gegebenen Netzwerktopologie effektiv zu kommunizieren. Unsere Ergebnisse zeigen, dass AgentsNet praktisch unbegrenzt groß ist und mit der Entwicklung neuer Generationen von LLMs erweitert werden kann.

Link zum Artikel:https://go.hyper.ai/58KXr

Dies ist der gesamte Inhalt der Papierempfehlung dieser Woche. Weitere aktuelle KI-Forschungsarbeiten finden Sie im Bereich „Neueste Arbeiten“ auf der offiziellen Website von hyper.ai.

Wir freuen uns auch über die Einreichung hochwertiger Ergebnisse und Veröffentlichungen durch Forschungsteams. Interessierte können sich im NeuroStar WeChat anmelden (WeChat-ID: Hyperai01).

Bis nächste Woche!