Buchumschlag

Deep Learning for Low-Latency, Quantum-Ready RF Sensing

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gokhale, Pranav, Carnahan, Caitlin, Clark, William, Tomesh, Teague, Chong, Frederic T.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Quantum Physics Artificial Intelligence Machine Learning Performance Systems and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Offline Reinforcement-Learning-Based Power Control for Application-Agnostic Energy Efficiency
von: Raj, Akhilesh, et al.
Veröffentlicht: (2026)

Revolutionizing System Reliability: The Role of AI in Predictive Maintenance Strategies
von: Bidollahkhani, Michael, et al.
Veröffentlicht: (2024)

CarbonCall: Sustainability-Aware Function Calling for Large Language Models on Edge Devices
von: Paramanayakam, Varatheepan, et al.
Veröffentlicht: (2025)

Selecting Offline Reinforcement Learning Algorithms for Stochastic Network Control
von: Helson, Nicolas, et al.
Veröffentlicht: (2026)

Enabling Performant and Flexible Model-Internal Observability for LLM Inference
von: Yu, Nengneng, et al.
Veröffentlicht: (2026)

Performance Prediction for Large Systems via Text-to-Text Regression
von: Akhauri, Yash, et al.
Veröffentlicht: (2025)

Is Quantum Optimization Ready? An Effort Towards Neural Network Compression using Adiabatic Quantum Computing
von: Wang, Zhehui, et al.
Veröffentlicht: (2025)

Unleashing Automated Congestion Control Customization in the Wild
von: Cohen, Amit, et al.
Veröffentlicht: (2025)

The Unseen AI Disruptions for Power Grids: LLM-Induced Transients
von: Li, Yuzhuo, et al.
Veröffentlicht: (2024)

An Uncertainty-Aware Resilience Micro-Agent for Causal Observability in the Computing Continuum
von: De Silva, Suvi, et al.
Veröffentlicht: (2026)

Adaptive Workload Distribution for Accuracy-aware DNN Inference on Collaborative Edge Platforms
von: Taufique, Zain, et al.
Veröffentlicht: (2023)

Equilibrium in the Computing Continuum through Active Inference
von: Sedlak, Boris, et al.
Veröffentlicht: (2023)

Research on Low-Latency Inference and Training Efficiency Optimization for Graph Neural Network and Large Language Model-Based Recommendation Systems
von: Zhao, Yushang, et al.
Veröffentlicht: (2025)

When Does Adaptation Win? Scaling Laws for Meta-Learning in Quantum Control
von: Leclerc, Nima, et al.
Veröffentlicht: (2026)

In-Network Collective Operations: Game Changer or Challenge for AI Workloads?
von: Hoefler, Torsten, et al.
Veröffentlicht: (2026)

Latency-Aware Deep Learning Benchmark for Real-Time Cyber-Physical Attack and Fault Classification in Inverter-Dominated Power Grids
von: Abukhousa, Emad, et al.
Veröffentlicht: (2026)

HPC Application Parameter Autotuning on Edge Devices: A Bandit Learning Approach
von: Hossain, Abrar, et al.
Veröffentlicht: (2025)

Lyapunov-Aware Quantum-Inspired Reinforcement Learning for Continuous-Time Vehicle Control: A Feasibility Study
von: Kraipatthanapong, Nutkritta, et al.
Veröffentlicht: (2025)

Control Policy Correction Framework for Reinforcement Learning-based Energy Arbitrage Strategies
von: Madahi, Seyed Soroush Karimi, et al.
Veröffentlicht: (2024)

Quantum Power Flows: From Theory to Practice
von: Liu, Junyu, et al.
Veröffentlicht: (2022)

Turning AI Data Centers into Grid-Interactive Assets: Results from a Field Demonstration in Phoenix, Arizona
von: Colangelo, Philip, et al.
Veröffentlicht: (2025)

Reducing Latency of LLM Search Agent via Speculation-based Algorithm-System Co-Design
von: Huang, Zixiao, et al.
Veröffentlicht: (2025)

Prompt-Aware Scheduling for Low-Latency LLM Serving
von: Tao, Yiheng, et al.
Veröffentlicht: (2025)

Sawtooth Wavefront Reordering: Enhanced CuTile FlashAttention on NVIDIA GB10
von: Zhu, Yifan, et al.
Veröffentlicht: (2026)

Neuralink: Fast LLM Inference on Smartphones with Neuron Co-Activation Linking
von: Wang, Tuowei, et al.
Veröffentlicht: (2024)

Multi-Resolution End-to-End Deep Neural Network for Optimizing Latency-Accuracy Tradeoff in Autonomous Driving
von: Weng, Qitao, et al.
Veröffentlicht: (2026)

LogicGuard: Improving Embodied LLM agents through Temporal Logic based Critics
von: Gokhale, Anand, et al.
Veröffentlicht: (2025)

BenchRL-QAS: Benchmarking reinforcement learning algorithms for quantum architecture search
von: Ikhtiarudin, Azhar, et al.
Veröffentlicht: (2025)

Formally Verifying Deep Reinforcement Learning Controllers with Lyapunov Barrier Certificates
von: Mandal, Udayan, et al.
Veröffentlicht: (2024)

Adversarial Network Optimization under Bandit Feedback: Maximizing Utility in Non-Stationary Multi-Hop Networks
von: Dai, Yan, et al.
Veröffentlicht: (2024)

Quantum Machine Learning for UAV Swarm Intrusion Detection
von: Chen, Kuan-Cheng, et al.
Veröffentlicht: (2025)

Latency-Aware Resource Allocation for Mobile Edge Generation and Computing via Deep Reinforcement Learning
von: Wu, Yinyu, et al.
Veröffentlicht: (2024)

AlphaRouter: Quantum Circuit Routing with Reinforcement Learning and Tree Search
von: Tang, Wei, et al.
Veröffentlicht: (2024)

Hybrid Quantum-Classical Policy Gradient for Adaptive Control of Cyber-Physical Systems: A Comparative Study of VQC vs. MLP
von: Aueawatthanaphisut, Aueaphum, et al.
Veröffentlicht: (2025)

Low-cost Real-world Implementation of the Swing-up Pendulum for Deep Reinforcement Learning Experiments
von: Böhm, Peter, et al.
Veröffentlicht: (2025)

DeepSafeMPC: Deep Learning-Based Model Predictive Control for Safe Multi-Agent Reinforcement Learning
von: Wang, Xuefeng, et al.
Veröffentlicht: (2024)

Deep Learning Based Simulators for the Phosphorus Removal Process Control in Wastewater Treatment via Deep Reinforcement Learning Algorithms
von: Mohammadi, Esmaeel, et al.
Veröffentlicht: (2024)

AI-Driven Resource Allocation Framework for Microservices in Hybrid Cloud Platforms
von: Barua, Biman, et al.
Veröffentlicht: (2024)

FlashSVD: Memory-Efficient Inference with Streaming for Low-Rank Models
von: Shao, Zishan, et al.
Veröffentlicht: (2025)

RL-Based Method for Benchmarking the Adversarial Resilience and Robustness of Deep Reinforcement Learning Policies
von: Behzadan, Vahid, et al.
Veröffentlicht: (2019)