L'IA face aux grands problèmes du monde ─ Physique
Les sciences et le savoir avancés par l'IA, par discipline
Flux RSS · 5 éléments
Les circuits photoniques deviennent un matériel d'IA entraînable
Titre original: Photonic circuits become trainable AI hardware
Les auteurs présentent une méthode d'apprentissage in situ fondée sur la physique, qui mesure directement les gradients optiques dans des circuits intégrés photoniques. Elle permet d'entraîner diverses topologies de circuits après leur fabrication, sans nécessiter de modèle numérique complet du circuit. Le matériel permettrait, selon les auteurs, la conception de matrices, le calcul multilongueur d'onde et un méta-apprentissage rapide.
Cette IA alimentée par la lumière peut repérer les deepfakes avec une précision de près de 98 %
Titre original: This light-powered AI can spot deepfakes with nearly 98% accuracy
Des chercheurs de l'UCLA ont construit un processeur opto-neuronal qui utilise la lumière pour détecter les vidéos deepfake, dans le but de filtrer le volume croissant de vidéos générées par IA. Contrairement aux systèmes conventionnels qui examinent les vidéos une par une, il analyse 15 flux vidéo ou plus simultanément en un seul passage optique. L'équipe annonce une précision de détection proche de 98 %, et l'étude a été publiée dans eLight.
Une science façonnée par Claude
Titre original: Claude-shaped science
Le Pr Matthew Schwartz décrit comment, après avoir cessé de lutter contre Claude et l'avoir laissé trouver des problèmes adaptés à ses capacités actuelles, il a construit BootLoops, une boîte à outils pour les calculs exacts en science quantitative. Comme des calculs similaires reviennent dans de nombreux domaines, Claude a trouvé des liens avec l'écologie, la génétique des populations et une douzaine d'autres domaines, bien que ceux-ci aient souvent été techniquement corrects mais d'abord peu remarquables. Schwartz a ensuite travaillé avec des experts de ces domaines pour orienter BootLoops vers les questions qui les intéressent.
Vers des modèles de type fondation pour les détecteurs de neutrinos hétérogènes de la frontière en énergie via un préentraînement auto-supervisé
Titre original: Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pretraining
L'interprétation des événements dans les détecteurs de neutrinos à la frontière de l'énergie est impraticable pour la reconstruction conventionnelle et difficile pour les modèles supervisés lorsque les données étiquetées sont rares. Les auteurs pré-entraînent un Vision Transformer parcimonieux avec une reconstruction par autoencodeur masqué et des objectifs relationnels au niveau des voxels, puis l'affinent conjointement sur la classification et la régression. Sur des événements simulés du calorimètre FASER proposé, le pré-entraînement a amélioré l'identification de la saveur et du quark charm, la régression de l'impulsion et la reconstruction du vertex, et avec environ 1,000 événements étiquetés, l'encodeur pré-entraîné a égalé les performances de classification de la saveur d'un modèle entraîné à partir de zéro.
Claude calcule une amplitude à neuf boucles dans la théorie de super-Yang-Mills N=4
Titre original: Claude computes a nine-loop amplitude in N=4 super-Yang-Mills
Le physicien et vulgarisateur scientifique Matt von Hippel a lancé aux entreprises d'IA le défi de résoudre un problème difficile de physique théorique : calculer une amplitude à neuf boucles dans la théorie de super-Yang-Mills N=4. Claude l'a calculée, relevant le défi environ un mois plus tard.