SINA：人工知能を用いた回路図画像からネットリストへの生成器
SINAは、回路図の画像からSPICE互換のネットリストを全自動で生成するオープンソースの革新的なパイプラインであり、深層学習と高度な画像処理技術を統合することで、従来の手法が抱えていた素子認識の誤りや複雑な接続推論の困難さといった課題を根本から解決することに成功した。
Cog AI Archive
最新の記事
GenAI-Net：自動化された生体分子ネットワーク設計のための生成AIフレームワーク
GenAI-Netは、特定の動的機能を持つ生体分子ネットワークの設計を自動化する生成AIフレームワークであり、反応を提案するAIエージェントとシミュレーションによる評価をループ状に結合することで、複雑な設計課題を効率的に解決するシステムである。
より効果的な炭素削減に向けた大規模負荷シェイピングのためのチェリーピッキング・アプローチ
データセンター等の大規模負荷において、単一の指標に頼らず日々の系統信号に基づき最適な制御戦略を「チェリーピッキング（厳選）」することで、従来の価格ベースの手法より2〜3倍高いCO2削減効果が得られることが判明しました。
方策改善としての成功条件付け：成功の模倣によって解かれる最適化問題
成功条件付け（成功した軌跡を模倣する手法）は、LLMの調整や強化学習で広く使われていますが、その理論的な最適化対象は不明でした。本論文は、この手法が$\chi^2$ダイバージェンスを制約とした信頼領域最適化問題を正確に解いていることを証明しました。
マルコフ決定問題に対する制御ベルマン残差最小化の解析
強化学習の標準的な動的計画法は関数近似下で収縮性を失い収束が不安定になる課題があるが、本研究はベルマン残差最小化を政策最適化（制御タスク）へ拡張し、非凸・非平滑な目的関数が持つ区分的二次構造や局所リプシッツ連続性を解明することで、関数近似を用いても安定して解を探索できる理論的基盤を確立した。
高速道路交通におけるトラックの効率的な戦術的意思決定のための多目的強化学習
高速道路を走行する大型トラックの自動運転において、安全性、時間効率、エネルギー効率という互いに相反する重要な目標を同時に最適化するため、多目的強化学習（MORL）を用いた新しい意思決定フレームワークを提案している。
方策勾配法を用いた線形システムの出力フィードバック安定化
本研究は、システムモデルが未知である離散時間線形動的システムにおいて、観測可能な出力情報のみを利用してシステムを安定化させるための新しいモデルフリーな方策勾配法を提案している。従来の全状態フィードバックを前提とした手法とは異なり、出力フィードバック特有の非凸性や勾配優位性の欠如という困難に対し、割引因子を段階的に調整する「割引法」と零次最適化を組み合わせることで、開ループで不安定なシステムを確実に安定化領域へと導く。提案アルゴリズムは、システムの実行軌道データから勾配を推定する二点推定法を採用しており、非凸な最適化環境下での停留点への収束保証とともに、安定化に必要な総サンプル複雑性を理論的に明示し、数値シミュレーションによってその有効性を実証している。
勾配ベースの重要度推定によるニューラルネットワークコントローラのためのコンポーネントを考慮したプルーニングフレームワーク
従来のニューラルネットワーク制御器の圧縮手法は、重みの絶対値に基づく静的な指標に依存しており、複数のコンポーネント間の複雑な依存関係や機能的な重要性を十分に考慮できていないため、過酷な圧縮条件下で制御性能や安定性が著しく低下するという課題がありました。
Transformerベースのモデルを用いたマルチエージェント軌道予測における教師なし異常検知
自動運転の安全性評価において、稀にしか発生しない危険なシナリオを効率的に特定するため、マルチエージェント間の複雑な相互作用を考慮できるTransformerベースの教師なし異常検知フレームワークを開発し、ラベルのない大規模な自然運転データから物理的な意味を持つリスクを抽出する手法を確立しました。