uniform memory access
PulseAugur coverage of uniform memory access — every cluster mentioning uniform memory access across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
集成显卡显存限制导致轻薄笔记本难以运行本地 LLM
许多被宣传为“AI PC”的新款轻薄笔记本电脑，由于集成显卡（iGPU）显存的限制，往往无法实现本地运行大型语言模型（LLM）的承诺。与独立显卡不同，集成显卡共享系统内存，这意味着一台16GB内存的笔记本电脑在操作系统和后台进程占用后，通常只有2-3GB的可用显存供 LLM 使用。虽然量化后的小型模型（80亿参数以下）可以以可接受的速度运行，但大型模型（140亿参数以上）则不切实际，会将计算推到CPU上，导致严重的性能下降。为了有效在…
-
FAIRChem v2发布，用于统一原子模拟
FAIRChem v2，一种通用的机器学习原子间势能，已发布为一个统一的原子模拟框架。该框架支持分子、催化剂、材料、振动和分子动力学等不同领域。用户可以通过Hugging Face进行身份验证，以访问受限的模型权重，并为各种计算化学工作流配置特定任务的计算器，在可用时利用GPU加速。
-
新的深度学习框架OrbitAll统一了分子系统表示
研究人员开发了OrbitAll，一个新颖的深度学习框架，旨在利用量子力学原理表示所有分子系统。该框架集成了自旋极化轨道特征与SE(3)-等变图神经网络，能够对带电、开壳层和溶剂化分子进行准确预测。与现有的AI模型和密度泛函理论相比，OrbitAll在性能和泛化能力方面表现出显著的改进，以显著减少的训练数据和更快的速度实现了化学精度。
-
EquiFiLM 增强了用于电子态变化的 AI 力场
研究人员开发了 EquiFiLM，这是基础机器学习力场 (MLFF) 的一种新颖扩展，能够处理外部诱导的电子态变化。该方法使用轻量级的、每层的逐特征线性调制 (FiLM) 块来连续条件化 MLFF，使其能够从关于充电或外加场等效应的最小训练数据中学习。当应用于使用 MACE-MatPES 主干的带电液态水时，与没有 EquiFiLM 的基线相比，所得的 E-MACE 模型在力学和能量均方根误差方面显示出显著降低，同时保持了无法区分的推理成本。
-
AI代理：带裁判的托管 vs. 无需信任的原子结算
Agentic Commerce Protocol (ERC-8183) 提供了一个新的AI代理交易标准，它使用一个带有指定评估员的托管系统来确定工作完成情况。这与原子结算形成对比，原子结算依赖于哈希时间锁定合约（HTLCs）等加密原语，以确保无需第三方裁判即可进行同步、无需信任的交换。这两种模型之间的选择取决于交易的性质：托管适用于需要主观评估的雇佣工作，而原子结算则适用于直接、规避风险的资产交换。
-
新方法从AI势中提取静电学
研究人员开发了一种名为潜伏Ewald求和（LES）的方法，用于从基础机器学习原子间势（MLIPs）中提取静电学性质。该技术能够创建更有效的MLIPs，模拟长程相互作用和电响应，这对于许多化学和材料科学模拟至关重要。该研究对源自各种基础MLIPs的LES提炼模型进行了基准测试，证明了它们预测红外光谱和Born有效电荷张量的能力。
-
AI Agent 以高成功率自动化催化剂发现
研究人员开发了 Catalyst-Agent，一个旨在自主筛选新型催化剂的 AI 系统。这个由 LLM 驱动的 Agent 利用材料数据库和计算模型来建议结构修改并计算吸附能。在 ORR、NRR 和 CO2RR 等关键反应上进行测试，Catalyst-Agent 的成功率达到 33-41%，平均在 1-4 次试验内收敛到成功的材料，展示了 AI Agent 在加速科学发现方面的潜力。
-
Tessera为边缘AI加速器提供安全、近线速权重流
研究人员开发了Tessera，一种旨在安全地将模型权重流式传输到统一内存架构（UMA）系统中的边缘加速器的新架构。该方法通过实现权重的内联、缓存行粒度解密，解决了在商品设备上保护专有深度神经网络的挑战。Tessera拦截内存突发，并与DRAM获取并行解密，以最小的带宽开销将明文直接流式传输到隔离的NPU SRAM中。