AI Paper Weekly 丨 Modélisation Unifiée Des Molécules Et Des Matériaux / Couvrant 6 Types De Mémoire Et Cadre Multi-agents / Simulation De L'interaction Du Système D'exploitation... 5 Articles Populaires En Un Coup D'œil

Les modèles de diffusion sont devenus un outil essentiel pour la génération de systèmes atomiques 3D grâce à leurs puissantes capacités génératrices et à leur grande flexibilité. Ces modèles génèrent de nouvelles structures en simulant le mouvement aléatoire des particules dans un milieu, et cette approche s'est avérée très efficace pour capturer des arrangements atomiques complexes. Cependant, bien que les lois physiques sous-jacentes de ces systèmes soient les mêmes, les méthodes de génération actuelles sont généralement conçues pour des types de systèmes spécifiques (tels que les molécules ou les cristaux) et manquent de polyvalence.

Sur cette base, l'Université de Cambridge et le département de recherche en intelligence artificielle fondamentale de Meta ont proposé conjointement le transformateur de diffusion tout-atome (ADiT), le premier cadre unifié de diffusion en espace latent capable de générer simultanément des matériaux périodiques et des systèmes moléculaires non périodiques. Les résultats expérimentaux montrent que l'ADiT, ainsi formé, peut générer des structures moléculaires et matérielles réalistes et efficaces, et que ses performances ont atteint un niveau de pointe comparable à celui des modèles conçus spécifiquement pour les molécules ou les cristaux.

Lien vers le document:https://go.hyper.ai/ln9AL

Derniers articles sur l'IA:https://go.hyper.ai/hzChC

Afin de permettre à davantage d'utilisateurs de connaître les derniers développements dans le domaine de l'intelligence artificielle dans le milieu universitaire, le site Web officiel d'HyperAI (hyper.ai) a désormais lancé une section « Derniers articles », qui met à jour quotidiennement les articles de recherche de pointe sur l'IA.Voici 5 articles populaires sur l'IA que nous recommandons, jetons un coup d’œil rapide aux réalisations de pointe en matière d’IA de cette semaine⬇️

Recommandation de papier de cette semaine

1 Transformateurs de diffusion tout-atomique : modélisation générative unifiée des molécules et des matériaux

Cet article propose le transformateur de diffusion tout-atome (ADiT), un cadre de diffusion latente unifié capable de générer conjointement des matériaux périodiques et des systèmes moléculaires non périodiques à partir du même modèle : l'auto-encodeur mappe la représentation tout-atome unifiée des molécules et des matériaux sur un espace d'inclusion latent partagé ; le modèle de diffusion est entraîné à générer de nouvelles inclusions latentes, décodées par l'auto-encodeur pour échantillonner de nouvelles molécules ou de nouveaux matériaux. Les résultats expérimentaux montrent que l'ADiT ainsi entraîné atteint des résultats de pointe comparables aux modèles moléculaires et cristallins.

Lien vers l'article :https://go.hyper.ai/ln9AL

2 MIRIX : Mémoire multi-agents  Système pour agents basés sur LLM

Cet article présente MIRIX, un système de mémoire multi-agents modulaire qui répond aux défis les plus urgents du domaine, rendant les modèles de langage véritablement mémorables. Contrairement aux approches précédentes, MIRIX va au-delà du texte pour englober des expériences visuelles et multimodales riches, rendant la mémoire véritablement utile dans des scénarios réels. MIRIX se compose de six types de mémoire associés à un framework multi-agents qui contrôle et coordonne dynamiquement le processus de mise à jour et de récupération. Cette conception permet aux agents de stocker, de raisonner et de récupérer avec précision des données utilisateur diverses et à long terme, à grande échelle.

Lien vers l'article :https://go.hyper.ai/L9XYi

3 NeuralOS : vers la simulation de systèmes d'exploitation via des modèles neuronaux génératifs

Cet article présente NeuralOS, un framework neuronal qui simule l'interface utilisateur graphique d'un système d'exploitation en prédisant directement les images d'écran en réponse aux commandes de l'utilisateur. NeuralOS combine un réseau neuronal récurrent pour suivre l'état de l'ordinateur et un moteur de rendu neuronal par diffusion pour générer des images d'écran. Les résultats expérimentaux montrent que NeuralOS restitue avec succès des séquences d'interface graphique réalistes, capture avec précision les interactions de la souris et prédit de manière fiable les transitions d'état telles que le lancement d'applications.

Lien vers l'article :https://go.hyper.ai/1w0lf

4 Conditionnement et modélisation des chaînes latérales pour la conception de séquences protéiques à atomes complets avec FAMPNN

Dans cet article, nous proposons la méthode FAMPNN (all-atom MPNN), qui modélise explicitement l'identité de séquence et la conformation de la chaîne latérale de chaque résidu. Les distributions de probabilité de l'identité discrète des acides aminés et de la conformation continue de la chaîne latérale de chaque résidu sont apprises par des objectifs d'entropie croisée catégorielle et de perte par diffusion. Les avantages de la modélisation explicite all-atom s'étendent au-delà de la récupération de séquence et s'étendent à des applications pratiques de conception de protéines, telles que la prédiction à zéro coup de mesures expérimentales de liaison et de stabilité.

Lien vers l'article :https://go.hyper.ai/PiNf7

5 AgentsNet : Coordination et raisonnement collaboratif dans les LLM multi-agents

Dans cet article, nous proposons AgentsNet, une nouvelle référence pour le raisonnement multi-agents. S'appuyant sur des problèmes classiques des systèmes distribués et de la théorie des graphes, AgentsNet évalue la capacité des systèmes multi-agents à élaborer collaborativement des stratégies de résolution de problèmes, à s'auto-organiser et à communiquer efficacement dans une topologie de réseau donnée. Nos résultats montrent qu'AgentsNet est de taille pratiquement illimitée et peut être étendu avec le développement de nouvelles générations de LLM.

Lien vers l'article :https://go.hyper.ai/58KXr

Voici l'intégralité du contenu de la recommandation d'article de cette semaine. Pour découvrir d'autres articles de recherche de pointe en IA, veuillez consulter la section « Derniers articles » du site officiel d'hyper.ai.

Nous invitons également les équipes de recherche à nous soumettre des résultats et des articles de haute qualité. Les personnes intéressées peuvent ajouter leur compte WeChat NeuroStar (identifiant WeChat : Hyperai01).

À la semaine prochaine !