La IA y los problemas difíciles del mundo ─ Física
Ciencia y erudición impulsadas por la IA, por disciplina
Feed RSS · 5 elementos
Los circuitos fotónicos se convierten en hardware de IA entrenable
Título original: Photonic circuits become trainable AI hardware
Los autores presentan un método de aprendizaje in situ basado en la física que mide directamente los gradientes ópticos en circuitos integrados fotónicos. Permite entrenar diversas topologías de circuito después de la fabricación, sin necesidad de un modelo digital completo del circuito. Según se informa, el hardware logra diseño de matrices, cómputo multilongitud de onda y metaaprendizaje rápido.
Esta IA impulsada por luz puede detectar deepfakes con una precisión de casi el 98%
Título original: This light-powered AI can spot deepfakes with nearly 98% accuracy
Investigadores de UCLA crearon un procesador óptico-neuronal que usa luz para detectar videos deepfake, con el objetivo de filtrar el creciente volumen de video generado por IA. A diferencia de los sistemas convencionales, que examinan los videos uno por uno, analiza 15 o más flujos de video a la vez en una sola pasada óptica. El equipo informa de una precisión de detección de casi el 98%, y el estudio se publicó en eLight.
Ciencia con sello de Claude
Título original: Claude-shaped science
El Prof. Matthew Schwartz describe cómo, tras dejar de pelear con Claude y permitirle encontrar problemas adecuados a sus capacidades actuales, construyó BootLoops, un conjunto de herramientas para cálculos exactos en la ciencia cuantitativa. Como cálculos similares se repiten en distintos campos, Claude encontró conexiones con la ecología, la genética de poblaciones y una docena de otras áreas, aunque a menudo eran técnicamente correctas pero poco llamativas al principio. Después, Schwartz trabajó con expertos de cada dominio para orientar BootLoops hacia las preguntas que interesan a esos campos.
Hacia modelos de estilo fundacional para detectores de neutrinos heterogéneos de frontera energética mediante preentrenamiento autosupervisado
Título original: Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pretraining
La interpretación de eventos en detectores de neutrinos de frontera energética es poco práctica para la reconstrucción convencional y difícil para los modelos supervisados cuando hay pocos datos etiquetados. Los autores preentrenan un Vision Transformer disperso con reconstrucción de autoencoder enmascarado y objetivos relacionales a nivel de vóxel, y luego lo ajustan conjuntamente en clasificación y regresión. En eventos simulados del calorímetro FASER propuesto, el preentrenamiento mejoró la identificación de sabor y de quarks charm, la regresión de momento y la reconstrucción de vértices, y con unos 1,000 eventos etiquetados el codificador preentrenado igualó el rendimiento de clasificación de sabor de un modelo entrenado desde cero.
Claude calcula una amplitud de nueve bucles en la teoría de super-Yang-Mills N=4
Título original: Claude computes a nine-loop amplitude in N=4 super-Yang-Mills
El físico y divulgador científico Matt von Hippel desafió a las empresas de IA a resolver un difícil problema de física teórica: calcular una amplitud de nueve lazos en la teoría de super-Yang-Mills N=4. Claude la calculó y superó el desafío aproximadamente un mes después.