May, 2024

SynthAI：一种自动化模块化高层次综合设计生成的多智能体生成型 AI 框架

PDF
TL;DRSynthAI 是一种自动化高层次综合 (HLS) 设计的开创性方法，通过结构化决策图将复杂硬件设计任务系统分解为多个阶段和较小的可管理模块，生成与用户指定的设计目标和功能要求紧密相符的可综合设计。
synthaihigh-level synthesisreact agentschain-of-thoughtrag framework
发现论文，激发创造
  • AISYN: 基于强化学习的人工智能逻辑综合框架

    通过应用强化学习算法，可以更好地解决逻辑综合中的局部最小值问题，从而实现对细胞面积等重要指标的显著优化。

    Feb, 2023

  • DeepSynth：深度强化学习中任务自动划分的自动机合成

    DeepSynth 是一种有效训练深度强化学习代理的方法，可在奖励稀疏和非 Markovian 的情况下实现，同时也需要实现未知的高级目标序列。该方法利用合成紧凑自动机的新算法自动发现这种序列结构，并使用环境的跟踪数据合成一个可解释的自动机，从而为控制策略的生成提供指导，并且相较于现有方法在 Montezuma's Revenge 等实验中在策略合成所需的迭代次数上获得了两个数量级的降低，同时也能显著提高可扩展性。

    Nov, 2019

  • 大规模生成模拟人工智能：生成人工智能的下一个热点

    近期以来，GenAI 的概念已经发展了几十年，在自然语言处理和计算机视觉方面取得了实质性的突破，在工业场景中积极参与。鉴于其中的实际挑战，如有限的学习资源和过度依赖科学发现经验主义，我们将大规模生成模拟人工智能（LS-GenAI）提名为 GenAI 的下一个热点。

    Aug, 2023

  • MIT App Inventor 上的生成型 AI 代理的快速移动应用开发

    通过使用 MIT App Inventor 提供的开发平台，本文提出了一种用于快速开发 AI 代理应用程序的方法论，并展示了三个不同的移动应用程序的开发过程：用于培育可持续社区的 SynchroNet；用于解决拖延症的 ProductiviTeams；以及用于增强社区安全的 iHELP。这三个应用程序都无缝整合了多种生成性 AI 功能，并利用了 OpenAI 的 API，同时在整合不同工具和 AI 功能方面提供了洞察，旨在鼓励年轻开发者参与我们建立实用的 AI 代理应用程序的努力。

    Apr, 2024

  • HLSFactory: 提升高级合成数据集的框架，面向机器学习和更多应用

    机器学习在高级综合流程中的应用及其对质量结果预测、设计空间探索方面的影响。同时，提出了 HLSFactory 框架，通过设计空间扩展、设计合成和数据聚合等三个阶段来管理高质量的 HLS 设计数据集。

    May, 2024

  • 全球卫生中自适应干预的合成数据生成器

    使用 Markov 过程生成多样化的用户行为，以测试针对移动健康干预的强化学习算法的健康合成开源合成数据生成器 HealthSyn，可生成基于真实行为和模拟技术的数据，用于开发、测试和评估研究中的 ML 算法和端到端操作 RL 基础干预交付框架。

    Mar, 2023

  • 为下一代 MIMO 设计的生成式人工智能代理：基础、挑战和愿景

    本文研究了基于生成式人工智能代理的下一代 MIMO 设计，提出了生成式人工智能代理的概念，并探讨了其特点和优势，还从性能分析、信号处理和资源分配的角度讨论了生成式人工智能代理实现下一代 MIMO 设计的挑战和方法，并通过两个实例展示了生成式人工智能代理在复杂配置场景下性能分析方面的有效性，最后探讨了重要的未来研究方向。

    Apr, 2024

  • 软件工程的更高智能化

    通过开发新一代的 “Morescient” GAI 模型和相应的软件观测平台，该论文展示了如何根据开放科学原则构建、演进和传播这种同时理解软件语义和静态结构的生成型人工智能模型。

    Jun, 2024

  • MASAI: 软件工程 AI 代理的模块化架构

    我们提出了一种名为 MASAI 的软件工程人工智能模块化架构，该架构利用分解问题为多个子问题的方法，通过实例化具有明确定义的目标和策略的 LLM 驱动的子代理来解决复杂问题，并在高难度的 SWE-bench Lite 数据集上实现了最高性能（28.33% 的解决率）。

    Jun, 2024

  • 当生成 AI 遇见边缘智能时的集成微调和推理

    高性能生成人工智能与边缘智能之间的相互作用提供了新的机会，而基于大量计算资源和大规模未标记语料的 GAI 预训练为 EI 提供了强大的基础知识，而 EI 可以利用碎片化计算资源为 GAI 聚合个性化知识。本文提出了一种面向 GAI 的综合网络（GaisNet），它利用无数据的知识传递来缓解矛盾，并通过双向的知识流实现 GAI 的循环模型微调和任务推断，实现了 GAI 和 EI 之间无缝融合和协同进化。实验结果验证了所提机制的有效性。最后，我们讨论了 GAI 和 EI 之间相互作用的未来挑战和方向。

    Jan, 2024