KI und die schwierigen Probleme der Welt ─ Physik
Von KI vorangebrachte Wissenschaft und Gelehrsamkeit, nach Disziplin
RSS-Feed · 5 Einträge
Photonische Schaltkreise werden zu trainierbarer KI-Hardware
Originaltitel: Photonic circuits become trainable AI hardware
Die Autoren demonstrieren ein physikbasiertes In-situ-Lernverfahren, das optische Gradienten in photonischen integrierten Schaltungen direkt misst. Es ermöglicht, verschiedene Schaltungstopologien nach der Fertigung zu trainieren, ohne ein vollständiges digitales Modell der Schaltung zu benötigen. Berichten zufolge erreicht die Hardware Matrixentwurf, Mehrwellenlängenberechnung und schnelles Meta-Lernen.
Diese lichtbetriebene KI erkennt Deepfakes mit einer Genauigkeit von fast 98 %
Originaltitel: This light-powered AI can spot deepfakes with nearly 98% accuracy
Forschende der UCLA haben einen optisch-neuronalen Prozessor entwickelt, der mithilfe von Licht Deepfake-Videos erkennt und so die wachsende Menge KI-generierter Videos überprüfen soll. Anders als herkömmliche Systeme, die Videos einzeln untersuchen, analysiert er in einem einzigen optischen Durchlauf 15 oder mehr Videostreams gleichzeitig. Das Team berichtet von einer Erkennungsgenauigkeit von nahezu 98 %; die Studie wurde in eLight veröffentlicht.
Von Claude geprägte Wissenschaft
Originaltitel: Claude-shaped science
Prof. Matthew Schwartz beschreibt, wie er BootLoops entwickelte, ein Toolkit für exakte Berechnungen in der quantitativen Wissenschaft, nachdem er aufgehört hatte, gegen Claude anzukämpfen, und es Probleme finden ließ, die zu seinen aktuellen Fähigkeiten passen. Da ähnliche Berechnungen in vielen Fachgebieten wiederkehren, fand Claude Verbindungen zur Ökologie, zur Populationsgenetik und zu einem Dutzend weiterer Bereiche, die allerdings oft technisch korrekt, aber zunächst unauffällig waren. Anschließend arbeitete Schwartz mit Fachexperten zusammen, um BootLoops auf Fragen auszurichten, die diese Fachgebiete interessieren.
Hin zu Foundation-Modellen für heterogene Neutrinodetektoren an der Energiefrontier durch selbstüberwachtes Pretraining
Originaltitel: Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pretraining
Die Ereignisinterpretation in Neutrino-Detektoren an der Energiegrenze ist für herkömmliche Rekonstruktion unpraktikabel und für überwachte Modelle schwierig, wenn nur wenige annotierte Daten vorliegen. Die Autoren trainieren einen Sparse Vision Transformer mit Masked-Autoencoder-Rekonstruktion und relationalen Zielen auf Voxel-Ebene vor und feintunen ihn anschließend gemeinsam für Klassifikation und Regression. Bei simulierten Ereignissen des vorgeschlagenen FASER-Kalorimeters verbesserte das Vortraining die Identifikation von Flavour und Charm-Quarks, die Impulsregression und die Vertexrekonstruktion, und mit etwa 1,000 annotierten Ereignissen erreichte der vortrainierte Encoder die Flavour-Klassifikationsleistung eines von Grund auf trainierten Modells.
Claude berechnet eine Neun-Schleifen-Amplitude in der N=4-Super-Yang-Mills-Theorie
Originaltitel: Claude computes a nine-loop amplitude in N=4 super-Yang-Mills
Der Physiker und Wissenschaftsautor Matt von Hippel forderte KI-Unternehmen heraus, ein schwieriges theoretisches Physikproblem zu lösen: die Berechnung einer Neun-Schleifen-Amplitude in der N=4-Super-Yang-Mills-Theorie. Claude berechnete sie und löste die Aufgabe etwa einen Monat später.