SMCEvolve：透過順序蒙地卡羅進行原則性科學發現
SMCEvolve 是一個將 LLM 驅動的程式演化視為從獎勵加權分佈中進行採樣的新框架。它透過使用順序蒙地卡羅 (SMC) 採樣器來確保收斂並減少 LLM 呼叫預算，從而提高科學發現的效率。
Search
Tag: #monte-carlo7 results
利用引導式生成模型估算極端事件發生機率
NVIDIA 探討如何利用引導式生成模型來有效估算罕見且高影響力事件的機率。此方法旨在取代計算成本高昂的暴力蒙地卡羅模擬法。
IHR框架提升約束下推論穩定性
推論頭室比率（IHR）是一種新型診斷指標，用於表徵約束AI系統中的推論穩定性，透過推論容量與不確定性和約束的關係。實驗顯示IHR透過邏輯斯蒂曲線（閾值約1.19）預測崩潰風險、偵測穩定邊界接近度，並可作為控制變數將崩潰率從79.4%降至58.7%。它補充標準指標，用於監控分布偏移下的推論餘裕。
蒙地卡羅法精準估將棋狀態空間複雜度
研究人員利用蒙地卡羅抽樣與新型「王王對峙」位置反向搜尋，估計將棋可達位置數為 6.55 × 10^68。該估計達三位有效數字，具 3σ 信賴水準，大幅縮減先前五個數量級差距。方法亦應用於小將棋，估為 2.38 × 10^18。
公用事業框架勝過複雜優化器
這篇 arXiv 論文提出一個四部分框架，用於電網公用事業在極端天氣不確定性下的長期韌性投資規劃，運用數位孿生、蒙地卡羅模擬及多目標優化。比較基於電網的優化與簡單淨現值 (NPV) 排序方法。結果顯示，儘管電網知識有限，NPV 方法因先進方法的計算複雜度而產生更好投資組合。
ChatGPT 模擬 NCAA 投注括號
ChatGPT 執行 50,000 次 NCAA 錦標賽模擬，納入效率評級、教練傾向及爆冷歷史。它獨特詢問使用者偏好正確還是贏錢。這突顯 AI 在進階體育預測的角色。
🔬
混合 ML-物理模擬用於 F1 策略預測
F1Predict 是 CSE 學生個人專案，將確定性物理模擬器用於單圈時間，結合訓練於 FastF1 資料的 LightGBM 殘差 ML 模型來預測 F1 賽事策略。它執行 10,000 次 Monte Carlo 迭代產生速度分佈，並包含安全車分類器。此開源系統具備優雅的 ML 降級機制、Redis 快取及即時網路示範。