Aicomputetoken

Forschung zu KI-orientierter Grammatik für Programmiersprachen zur Reduzierung von Rechenkosten bei LLM-Codegenerierung bei semantischer Äquivalenz zu traditionellen Sprachen.

Überblick über neuronale Netzwerkanwendungen in computationaler Morphologie, Techniken, Vorteile, Herausforderungen und Zukunftsperspektiven in morphologischer Analyse und Generierung.

Umfassende Analyse verteilter Intelligenz in IoT-Netzwerken, behandelt Edge-Computing-Architekturen, Anwendungen, Herausforderungen und Zukunftsperspektiven intelligenter IoT-Systeme.

Das INoT-Framework ermöglicht es LLMs, programmatische Dialogreasoning mit reduzierten Token-Kosten und verbesserter Leistung in mehreren Benchmarks auszuführen.

Forschungsarbeit zur Analyse der Genauigkeit neuronaler Netze bei der Modellierung von Netzwerkverzögerungen als Funktion des Eingangsverkehrs, mit praktischen Leitlinien für Netzwerkmodellierung und -optimierung.

Forschung zur Berechnung garantierter Ausgabefehler in quantisierten neuronalen Netzen mittels verschmolzener Netzwerkkonstruktion und Erreichbarkeitsanalyse für Modellkomprimierungsanwendungen.

Analyse der Grenzen von Token-Vorhersage in kreativer KI, mit Vorschlag interaktiver Dialogmodelle für improvisierte Performances am Fallbeispiel Battle Rap.

Ein neuartiges quantenneuronales Netzwerkmodell mit Soft-Quantenneuronen mittels Einzel-Qubit-Operationen und Messungen für effiziente nichtlineare Klassifikation und Rauschrobustheit.

Umfassender Überblick und vergleichende Bewertung von Token-Kompressionsverfahren für Vision-Transformer mit Fokus auf kompakte Architekturen für Edge-AI-Bereitstellung.

Analyse des TREE-Frameworks, einer neuartigen Energieeffizienzkennzahl für KI-integrierte 6G-Netze, die den Token-Durchsatz großer Modelle als Netzwerknutzen einbezieht.