MIT科学家威廉姆斯意外发现，少量内存可以显著减少计算时间，解决了计算机科学中停滞50年的难题。他证明了可以将任何算法转化为占用更少空间的形式，挑战了传统的时间和空间观念。这一发现被视为计算复杂性理论的重要进展。

本研究提出了一种预算融合模型，旨在降低扩散模型在文本生成图像任务中的计算需求和能耗。实验结果表明，该模型在不影响感知相似度的情况下，能够为每个提示节省多达五秒的计算时间。

调查发现，基于模式的范数低于临界值时，Hopfield模型的内存检索动力学效率会发生相变行为。线性检索和输入查询序列的处理证明了计算时间与存储模式数量和查询序列长度线性扩展的下界，并证明了内存检索误差边界和指数级内存容量。

本文介绍了一种新的算法Virtual-MCTS，可以根据状态的难度适应性地分配计算时间，演示结果显示该算法在限时和资源有限的任务中表现良好，计算时间仅为原算法的50%以下。

该研究探索了大型语言模型中的遗忘方法，展示了对齐人类偏好可以从中受益。遗忘仍可以在2％的计算时间内实现更好的对齐性能。

本文提出了一种新的时空视频上采样方法，利用深度学习网络框架融合视频超分辨率和帧插值，计算时间加快了7倍，参数数量减少30%，同时实现更好的定量和定性结果。

EquiDock是一个使用SE（3）-等变图匹配网络来预测蛋白质复合物3D结构的模型。该模型在计算时间上优于现有的对接软件，但需要进行实证研究。

本文介绍了一种名为UMCTS的强化学习方法，用于解决桁架结构的大小和布局优化问题。UMCTS在基准问题上得到了测试，并且比分支定界法快两倍。数值结果表明，所提出的方法稳定地获得了比其他传统方法更好的解决方案。

该文介绍了一种新的方法，通过利用更粗粒度的原因信息表示来降低搜索空间的组合爆炸，从而减少计算时间。该方法根据信心对原因预测进行评分，并证明了方法的正确性和渐近一致性。实验结果表明该方法在合成数据和蛋白数据集上具有优越性能。