這篇論文介紹了DRARLCNN，一種結合了CNN和RL的機器學習模型，用於優化5G網路中的資源分配。它在效率和延遲方面優於現有方法，在測試中取得了令人印象深刻的成績。DRARLCNN為動態5G資源分配設定了新的基準，為未來在這個領域的研究鋪平了道路。 PubMed DOI

這篇論文研究了在無線環境中，受到衰落和同頻干擾影響時，多樣性接收器的表現。使用了Beaulieu-Xie和κ-µ分佈來模擬衰落和干擾，並推導了各種性能指標的表達式，呈現了數值結果。論文還討論了利用大型語言模型和模型驅動工程進行自動化網路實驗的流程。通過調整參數，結果可適用於各種衰落和干擾分佈。 PubMed DOI

LLM-Twin 是一個針對數位雙胞胎網路 (DTNs) 的新框架，利用大型語言模型 (LLMs) 來提升溝通和計算效率。主要特色包括： 1. **數位雙胞胎語意網路 (DTSNs)**：整合 LLMs，減少原始數據傳輸需求，優化數據理解與處理。 2. **迷你巨型模型協作方案**：有效部署 LLMs，處理多模態數據，優化資源使用並確保模型協作。 3. **原生安全政策**：設計專屬安全框架，保障數據安全同時維持效率。 4. **數值實驗與案例研究**：經過實驗驗證，顯示其在解決 DTNs 限制上的有效性。 總之，LLM-Twin 是數位雙胞胎網路的一大進步，特別適合高效數據處理的應用。 PubMed DOI

這項研究探討大型語言模型（LLMs）在醫療應用中的準確性與能耗之間的平衡，特別分析了Meta的Llama 2和LMSYS Org的Vicuna 1.5。研究使用印第安納大學的胸部X光影像資料庫，發現Vicuna 1.5在效率和準確率上表現優於Llama 2。Llama 2的70B模型能耗是7B版本的七倍，但準確率卻較低，效率比僅22.30。結論指出，較小且經過微調的LLMs在醫療應用中更具可持續性，強調選擇模型的重要性，需平衡性能與環境影響。 PubMed DOI

大型語言模型（LLMs）因應用廣泛而受到重視，但其訓練和部署的計算需求也隨之增加。記憶電阻交叉陣列（memristor crossbars）因其小巧和高能效，成為解決方案，特別適合計算機視覺任務。然而，將LLMs部署在此技術上面臨三大挑戰：1. LLM增長超出記憶電阻晶片能力；2. 多頭注意力區塊需非靜態乘法，傳統技術無法處理；3. 複雜非線性運算表現不佳。為解決這些問題，我們提出新架構，能在單晶片上部署LLMs，測試顯示準確度損失極小，並顯著降低能量消耗。 PubMed DOI

這項研究探討大型語言模型（LLMs）在粒子加速器自動調整的應用，傳統上需要專業的優化和機器學習知識。研究顯示，LLMs能透過簡單的自然語言提示有效調整加速器子系統，並與先進的優化技術如貝葉斯優化和強化學習進行比較。結果顯示，LLMs能處理複雜的非線性數值優化，顯示其在日常操作中簡化自動調整算法的潛力，並可能促進自動化技術在加速器系統的應用。 PubMed DOI

這篇論文提出了一個創新的多代理深度學習框架，專注於優化無人機（UAV）在去中心化環境中的軌跡。透過將問題設置為去中心化部分可觀察馬可夫決策過程（Dec-POMDP），該框架克服了現有價值分解演算法的限制，能更好地連結局部觀察與UAV群體的全局狀態。結合QTRAN演算法與大型語言模型（LLM），並利用圖卷積網絡（GCNs）及自注意力機制，模擬結果顯示其收斂速度和任務完成率顯著提升，改進幅度超過10%。這個框架在UAV軌跡優化及邊緣計算場景中，展現了重要的進展。 PubMed DOI

LLaMA系列語言模型，特別是最新的LLaMA3，因其在多項任務上的優異表現而受到矚目，這得益於其在超過15兆個標記上的預訓練。隨著低位元量化在資源有限環境中的重要性增加，本研究探討了LLaMA3在1-8位元量化下的表現。研究評估了十種後訓練量化和LoRA微調方法，並檢視了LLaVA-Next-8B模型在超低位元（2-4位元）下的效果。結果顯示，低位元量化會顯著影響模型性能，特別是在超低位元情況下，突顯未來模型開發需解決的性能差距。 PubMed DOI

這篇論文介紹了網格人工智慧助手（GAIA），一種新型的大型語言模型，旨在提升電力調度的效率，對於穩定、經濟且環保的電力供應至關重要。傳統方法在複雜電力系統中表現不佳，而GAIA能協助進行操作調整和監控等任務。作者開發了獨特的數據集和提示策略，讓GAIA在ElecBench基準測試中表現優於LLaMA2。實際應用中，GAIA改善了決策制定和人機互動，為電力領域的未來發展奠定基礎。 PubMed DOI

這項研究提出了一種新型的文本基礎超聲模擬控制系統，旨在簡化使用者體驗並縮短配置時間。透過大型語言模型（LLM）和地面人工智慧（AI）技術，系統將SimNDT的功能模組化，讓使用者能用自然語言下指令。報導指出，這項創新能將模擬設置時間縮短約75%。此外，結合自我檢查和多個LLM代理的協作，顯著降低了場景生成的錯誤率，從23.89%降至1.48%。整體而言，這種方法展示了AI在提升模擬系統效率和可靠性方面的潛力，特別適用於快速變化的數位雙胞胎系統。 PubMed DOI