University of California, Berkeley（加州大学伯克利分校）

AstRL: Analog and Mixed-Signal Circuit Synthesis with Deep Reinforcement Learning

AstRL: 用深度强化学习进行模拟和混合信号电路综合

Felicia B. Guo, Ken T. Ho, Andrei Vladimirescu, Borivoje Nikolic

机构 * Department of Electrical Engineering and Computer Sciences University of California Berkeley（电子工程与计算机科学系加州大学伯克利分校） 纠错

AI总结 AstRL通过深度强化学习实现模拟和混合信号电路的高效综合，首次在模拟中验证了专家对齐的通用电路生成方法，显著提升了设计效率和准确性。

A Machine Learning Approach to the Nirenberg Problem

针对Nirenberg问题的机器学习方法

Gianfranco Cortés, Maria Esteban-Casadevall, Yueqing Feng, Jonas Henkel, Edward Hirst, Tancredi Schettini Gherardini, Alexander G. Stapleton

机构 * University of Florida, USA（佛罗里达大学） ； University of Amsterdam, Amsterdam, Netherlands（阿姆斯特丹大学） ； University of California, Berkeley, USA（加州大学伯克利分校） ； Philipps-Universität Marburg, Marburg, Germany（马尔堡哲学大学） ； Universidade Estadual de Campinas (Unicamp), Campinas, Brazil（坎皮纳斯州立大学） ； Mathematisches Institut (MI), University of Bonn, Bonn, Germany（波恩大学数学研究所） ； Max Planck Institute for Mathematics, Bonn, Germany（马克斯·普朗克数学研究所） ； Centre for Theoretical Physics, Queen Mary University of London, London, UK（伦敦大学玛丽女王学院理论物理中心） 纠错

AI总结 本文提出Nirenberg神经网络，通过机器学习方法解决高斯曲率指定问题，实现低损失训练并区分可实现与不可实现曲率。

Comments 38 pages, 14 pages, 7 tables

SteerVLA: Steering Vision-Language-Action Models in Long-Tail Driving Scenarios

SteerVLA：在长尾驾驶场景中引导视觉-语言-动作模型

Tian Gao, Celine Tan, Catherine Glossop, Timothy Gao, Jiankai Sun, Kyle Stachowicz, Shirley Wu, Oier Mees, Dorsa Sadigh, Sergey Levine, Chelsea Finn

机构 * Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； Microsoft（微软公司） 纠错

AI总结 SteerVLA通过结合视觉-语言模型的推理能力，生成细粒度语言指令以提升驾驶策略的稳健性和长尾场景下的性能。

Visual concept ranking uncovers medical shortcuts used by large multimodal models

视觉概念排名揭示大型多模态模型使用的医学捷径

Joseph D. Janizek, Sonnet Xu, Junayd Lateef, Roxana Daneshjou

机构 * Stanford University（斯坦福大学） ； University of California Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出视觉概念排名方法，用于揭示大型多模态模型在医疗任务中表现的潜在视觉特征依赖性。

Load Balancing for AI Training Workloads

AI训练工作负载的负载均衡

Sarah McClure, Evyatar Cohen, Alex Shpiner, Mark Silberstein, Sylvia Ratnasamy, Scott Shenker, Isaac Keslassy

机构 * UC Berkeley（伯克利大学） ； Technion（技术学院） ； NVIDIA（英伟达） ； ICSI（计算机科学研究所） 纠错

AI总结 本文提出基于数据包喷射的负载均衡方法，通过分析不同实现方式，发现其在链路故障场景下表现更优，并引入了基于交换机的DR实现Ofan，提升了性能。