https://pharma.intelligence-synthesis.com/hi/ai-science/AI द्वारा आगे बढ़ाया गया विज्ञान और विद्वत्ता, विषय के अनुसारhihttps://pharma.intelligence-synthesis.com/hi/ai-science/s/75c73ba4f5/sc-75c73ba4f5Sat, 17 Oct 2026 00:00:00 +0900चिकित्सा और दवा खोजहिस्टोपैथोलॉजी छवियों से फेफड़े और कोलन कैंसर का वर्गीकरण कठिन है, क्योंकि वर्ग आपस में मिलते-जुलते दिखते हैं और ऊतक की आकृति में भिन्नता होती है, और पारंपरिक डीप लर्निंग मॉडल बहुत कम पारदर्शिता देते हैं। लेखकों ने पाँच-वर्गीय कार्य को मोटे से सूक्ष्म चरणों में बाँटा: पहले सामान्य बनाम कैंसर, फिर सामान्य ऊतक की श्रेणियों या कैंसर के उपप्रकारों के लिए एक विशेष वर्गीकारक, जिसमें हर चरण के लिए सबसे उपयुक्त आर्किटेक्चर चुना गया। इस फ्रेमवर्क ने LC25000 पर 98.50% सटीकता और स्वतंत्र LungHist700 डेटासेट पर 82.01% सटीकता हासिल की, और इसकी भविष्यवाणियों के पीछे की छवि के क्षेत्रों को उजागर करने के लिए Grad-CAM, Grad-CAM++, LIME और Occlusion Sensitivity का उपयोग किया गया। https://www.nature.com/articles/s41598-026-75965-4https://pharma.intelligence-synthesis.com/hi/ai-science/s/3a5c6c81a6/sc-3a5c6c81a6Sat, 17 Oct 2026 00:00:00 +0900चिकित्सा और दवा खोजवर्तमान लिवर कैंसर (HCC) निगरानी दिशानिर्देश मुख्य रूप से सिरोसिस या वायरल हेपेटाइटिस वाले लोगों को लक्षित करते हैं। शोधकर्ताओं ने वायरल हेपेटाइटिस के बिना लोगों में HCC के जोखिम का पूर्वानुमान लगाने के लिए एक AI मॉडल बनाया, जिसमें स्वास्थ्य जांच करवाने वाले लगभग 7.96 million दक्षिण कोरियाई वयस्कों के डेटा का उपयोग किया गया। तुलना किए गए बारह मॉडलों में MHA_DNN ने सबसे अच्छा प्रदर्शन किया और एक स्वतंत्र सत्यापन समूह में भी सटीकता स्थिर बनाए रखी। फैटी लिवर इंडेक्स और ट्राइग्लिसराइड्स सबसे प्रभावशाली पूर्वसूचक थे, जो चयापचय-आधारित वैयक्तिकृत निगरानी के समर्थन का संकेत देते हैं। https://www.nature.com/articles/s41598-026-75959-2https://pharma.intelligence-synthesis.com/hi/ai-science/s/49809d9807/sc-49809d9807Sat, 17 Oct 2026 00:00:00 +0900चिकित्सा और दवा खोजरेटिना फंडस इमेज के लिए मौजूदा डीप लर्निंग मॉडल केवल एक ही कार्य संभालते हैं, सीमित व्याख्यात्मकता प्रदान करते हैं और अलग-अलग डेटासेट में भिन्नता के साथ संघर्ष करते हैं। लेखकों ने एक मल्टी-टास्क नेटवर्क प्रस्तावित किया है, जो एक ही इमेज से एक ही फॉरवर्ड पास में डायबिटिक रेटिनोपैथी की गंभीरता, ग्लूकोमा, AMD चरण और हृदय-संवहनी जोखिम को वर्गीकृत करता है, साथ में Grad-CAM व्याख्याएँ भी देता है। इसने चार डेटासेट में 94.7% सटीकता और AUC 0.978 हासिल किया, सांख्यिकीय रूप से सभी सिंगल-टास्क मॉडलों से बेहतर प्रदर्शन किया, और ज़ीरो-शॉट क्रॉस-डेटासेट मूल्यांकन में कम से कम 0.951 का AUC प्राप्त किया। https://www.nature.com/articles/s41598-026-74871-zhttps://pharma.intelligence-synthesis.com/hi/ai-science/s/e9fe1e9cad/sc-e9fe1e9cadFri, 16 Oct 2026 00:00:00 +0900चिकित्सा और दवा खोजछात्रों में अवसाद अक्सर गंभीर होने तक पता नहीं चलता, इसलिए शुरुआती पूर्वानुमान की आवश्यकता है। लेखकों ने फ़ाइनाइट ऑटोमेटा-आधारित व्यवहार मॉडलिंग को मशीन लर्निंग के साथ जोड़ा, छात्रों की भावनात्मक स्थितियों से विशेषताएँ तैयार कीं और अनावश्यक विशेषताओं को मिला दिया। रैंडम फ़ॉरेस्ट और KStar के एनसेम्बल का उपयोग करने पर, रैंडम फ़ॉरेस्ट के 82.02% आधारभूत सटीकता से बढ़कर ऑटोमेटा-आधारित विशेषताओं के साथ सटीकता 96.88% हो गई। लेखकों का कहना है कि यह दृष्टिकोण विशेषताओं को व्याख्या योग्य और अनुरेखणीय बनाए रखता है। https://www.nature.com/articles/s41598-026-74877-7https://pharma.intelligence-synthesis.com/hi/ai-science/s/e2f17b44c6/sc-e2f17b44c6Fri, 16 Oct 2026 00:00:00 +0900जीव विज्ञानजीन प्रतिनिधित्व लर्निंग अक्सर वैज्ञानिक साहित्य की अनदेखी करती है, जिससे कम अध्ययन किए गए जीनों के विरुद्ध परिणामों में पक्षपात हो सकता है। LitGene एक व्याख्या-योग्य ट्रांसफ़ॉर्मर है जो कॉन्ट्रास्टिव लर्निंग के माध्यम से टेक्स्ट को Gene Ontology एनोटेशन के साथ एकीकृत करता है। इसने आठ प्रोटीन बेंचमार्क पर प्रतिस्पर्धी सटीकता हासिल की, GO टर्म्स, KEGG पाथवे और जीन-रोग संबंधों का ज़ीरो-शॉट पूर्वानुमान लगाया, और स्वतःजात पल्मोनरी फ़ाइब्रोसिस के लिए ANGPTL6 को एक उम्मीदवार जीन के रूप में चिह्नित किया, जिसे स्वतंत्र नमूनों में अंतरीय अभिव्यक्ति का समर्थन मिला। https://www.nature.com/articles/s41467-026-78454-4https://pharma.intelligence-synthesis.com/hi/ai-science/s/c4a02872fe/sc-c4a02872feFri, 16 Oct 2026 00:00:00 +0900चिकित्सा और दवा खोजक्लिनिकल सूचना निष्कर्षण के लिए बड़े भाषा मॉडलों को मान्य करने में आमतौर पर महंगे मैन्युअल एनोटेशन की आवश्यकता होती है। लेखकों ने एक बहु-चरणीय फ्रेमवर्क प्रस्तावित किया, जो नियम-आधारित फ़िल्टरिंग, सिमेंटिक ग्राउंडिंग, जज-LLM मूल्यांकन, विशेषज्ञ समीक्षा और पूर्वानुमान वैधता विश्लेषण को जोड़ता है। 919,783 क्लिनिकल नोट्स में मादक द्रव्य उपयोग विकार के निदानों पर लागू करने पर, इसने LLM द्वारा सकारात्मक बताए गए निष्कर्षणों में से 14.59% को असमर्थित या अविश्वसनीय मानकर हटा दिया। प्राथमिक LLM ने जज मूल्यांकनों के विरुद्ध 0.80 का F1 स्कोर प्राप्त किया, और उसके द्वारा निकाले गए निदानों ने संरचित-डेटा बेसलाइन की तुलना में बाद की विशेषज्ञ देखभाल में भागीदारी का बेहतर पूर्वानुमान लगाया। https://www.nature.com/articles/s41746-026-03341-7https://pharma.intelligence-synthesis.com/hi/ai-science/s/b3aac6a87b/sc-b3aac6a87bFri, 16 Oct 2026 00:00:00 +0900सैद्धांतिक कंप्यूटर विज्ञानगैर-विशेषज्ञ ऐतिहासिक सिफ़र तोड़ने के लिए बड़े भाषा मॉडलों का तेज़ी से उपयोग कर रहे हैं, क्योंकि ये मॉडल डिक्रिप्शन एल्गोरिदम चला सकते हैं और दस्तावेज़ों के लिए इंटरनेट खंगाल सकते हैं। Carter Leffen, जिन्हें क्रिप्टोग्राफ़ी का कोई अनुभव नहीं है, ने GPT-6 Astra से 85 साल पहले एन्क्रिप्ट किए गए एक जर्मन सेना संदेश को डिकोड करने को कहा, और सुबह तक उसने समाधान दे दिया। क्रिप्टोग्राफ़ी विशेषज्ञ इस रुचि का स्वागत करते हैं, लेकिन AI समाधानों को सत्यापित करने के अनुरोधों से अभिभूत हैं, जिनमें से कई गलत होते हैं। https://www.nature.com/articles/d41586-026-03338-yhttps://pharma.intelligence-synthesis.com/hi/ai-science/s/9a043aae05/sc-9a043aae05Fri, 16 Oct 2026 00:00:00 +0900सैद्धांतिक कंप्यूटर विज्ञानमैलवेयर विश्लेषण में कई स्तरों पर निर्णय लेने पड़ते हैं, पहचान से लेकर फैमिली और सूक्ष्म उप-फैमिली एट्रिब्यूशन तक। लेखक एक पदानुक्रमित डीप लर्निंग फ्रेमवर्क प्रस्तावित करते हैं, जो Windows PE फ़ाइलों की RGB छवियाँ लेता है और एक ही मल्टी-आउटपुट आर्किटेक्चर में पहचान, फैमिली वर्गीकरण और 33 उप-फैमिली एट्रिब्यूशन करता है। चार अटेंशन-संवर्धित ट्रांसफर लर्निंग मॉडलों ने 99% बाइनरी, 96–97% फैमिली-स्तर और 91–95% उप-फैमिली-स्तर की सटीकता हासिल की, जबकि सूक्ष्म एट्रिब्यूशन के लिए मैक्रो F1-स्कोर 0.89 तक पहुँचे। https://www.nature.com/articles/s41598-026-75054-6https://pharma.intelligence-synthesis.com/hi/ai-science/s/98c95c02f9/sc-98c95c02f9Fri, 16 Oct 2026 00:00:00 +0900बायोइंजीनियरिंग और सिंथेटिक बायोलॉजीफ्रंटियर AI मॉडल 3D ज्यामिति और प्रयोगशाला की भौतिक स्थिति के बारे में भरोसेमंद तरीके से तर्क नहीं कर पाते, जिससे लिक्विड-हैंडलिंग रोबोट को स्वचालित करना कठिन हो जाता है। Google Research ने AI एजेंट्स को भौतिक प्रयोगशाला रोबोटिक्स से जोड़ा ताकि वे तेज़ क्लोज़्ड-लूप आणविक डिज़ाइन चक्र चला सकें। एजेंट्स ने कैंसर लक्ष्यों के लिए सिंगल-डिजिट नैनोमोलर आत्मीयता वाले प्रोटीन बाइंडर खोजे। https://research.google/blog/grounding-ai-agents-in-biological-reality-building-blocks-for-autonomous-wet-labs/https://pharma.intelligence-synthesis.com/hi/ai-science/s/73240ab217/sc-73240ab217Fri, 16 Oct 2026 00:00:00 +0900चिकित्सा और दवा खोजचीन के एक नए अध्ययन में चेहरे और जीभ की तस्वीरों पर एक AI प्रणाली को प्रशिक्षित किया गया ताकि वह कोरोनरी हृदय रोग (CHD) का पता लगा सके। एक छोटे परीक्षण में, प्रणाली ने CHD से पीड़ित हर मरीज़ की सही पहचान की। https://medicalxpress.com/news/2026-10-ai-coronary-heart-disease-tongue.htmlhttps://pharma.intelligence-synthesis.com/hi/ai-science/s/348cfe0470/sc-348cfe0470Fri, 16 Oct 2026 00:00:00 +0900चिकित्सा और दवा खोजबचपन की बीमारियों के एकीकृत प्रबंधन (IMCI) दिशानिर्देशों में निमोनिया के लिए संवेदनशीलता अधिक लेकिन विशिष्टता कम होती है। बांग्लादेश में स्वास्थ्यकर्मियों ने निमोनिया के संदिग्ध पाँच वर्ष से कम आयु के बच्चों की फेफड़ों की ध्वनियाँ डिजिटल स्टेथोस्कोप से रिकॉर्ड कीं, और एक AI एल्गोरिदम की तुलना बाल रोग विशेषज्ञों के पैनल से की गई। AI ने कुल मिलाकर 61.8% संवेदनशीलता और 60.7% विशिष्टता के साथ असामान्य ध्वनियों का पता लगाया, और IMCI के तहत निमोनिया के मामलों में 63.5% और 66.8%। लेखक इसे मध्यम प्रदर्शन बताते हैं, जिसमें अव्याख्येय रिकॉर्डिंग के वर्गीकरण में सुधार की आवश्यकता है। https://www.nature.com/articles/s41598-026-76222-4https://pharma.intelligence-synthesis.com/hi/ai-science/s/31ff5bbcae/sc-31ff5bbcaeFri, 16 Oct 2026 00:00:00 +0900चिकित्सा और दवा खोजपैथोलॉजी में सर्जिकल रिसेक्शन मार्जिन का आकलन मैन्युअल इंकिंग की त्रुटियों, ऊतक की विकृति और कॉटरी से हुए नुकसान से प्रभावित होता है। लेखकों ने एक वर्चुअल इंकिंग नेटवर्क विकसित किया है, जो एक फ्रोज़न फ़ाउंडेशन मॉडल और एक छोटे क्लासिफ़ायर का उपयोग करके बिना भौतिक स्याही के संपूर्ण-स्लाइड इमेज पर मार्जिन को मैप करता है। अनदेखे ऊतक ब्लॉकों की 20 स्लाइडों पर इसने क्षेत्र-स्तर पर लगभग 73.3% सटीकता हासिल की और ऐसे ओवरले बनाए जो गुणात्मक रूप से विशेषज्ञों के एनोटेशन से मेल खाते थे। ये परिणाम प्रूफ़-ऑफ़-कॉन्सेप्ट हैं और इन्हें बड़े क्लिनिकल समूहों में सत्यापित करने की आवश्यकता है। https://www.nature.com/articles/s41598-026-74284-yhttps://pharma.intelligence-synthesis.com/hi/ai-science/s/12f1eb5dff/sc-12f1eb5dffFri, 16 Oct 2026 00:00:00 +0900रसायन विज्ञान और पदार्थऊर्जा न्यूनतमीकरण के बाद छोटे अणुओं की स्थितिज ऊर्जा के सटीक अनुमान दवा और जीन-डिलीवरी अणुओं के डिज़ाइन के लिए महत्वपूर्ण हैं। लेखकों ने डीप लर्निंग मॉडल बनाए, जिनमें मल्टीहेड अटेंशन के साथ और उसके बिना CNN-BiLSTM आर्किटेक्चर शामिल हैं, और उन्हें परमाणु-वार अनुक्रमिक निरूपणों का उपयोग करते हुए छोटे अणुओं की संरचनाओं के डेटासेट पर प्रशिक्षित किया। बताया गया है कि ये मॉडल पारंपरिक डिस्क्रिप्टर-आधारित मशीन लर्निंग विधियों से बेहतर प्रदर्शन करते हैं, और कहा जाता है कि अटेंशन तंत्र सामान्यीकरण को बेहतर बनाता है। https://www.nature.com/articles/s41598-026-76095-7https://pharma.intelligence-synthesis.com/hi/ai-science/s/caed039f5f/sc-caed039f5fThu, 15 Oct 2026 00:00:00 +0900रसायन विज्ञान और पदार्थसंरचना ही कार्य को निर्धारित करती है, इसलिए वैज्ञानिक वांछित गुणों वाली नई सामग्रियों में परमाणुओं की व्यवस्था को डिज़ाइन करने के लिए तेज़ी से AI का उपयोग कर रहे हैं। University of Tokyo के Institute of Industrial Science के शोधकर्ताओं ने एक अग्रणी जनरेटिव AI मॉडल को इस तरह विस्तारित किया कि वह किसी सामग्री की इलेक्ट्रॉनिक संरचना को उसकी क्रिस्टल संरचना के साथ मिलाकर डिज़ाइन करता है। नए मॉडल MatterGen-e⁻ की रिपोर्ट npj Computational Materials में प्रकाशित हुई है। https://techxplore.com/news/2026-10-electronic-ai-materials.htmlhttps://pharma.intelligence-synthesis.com/hi/ai-science/s/a674da9f35/sc-a674da9f35Thu, 15 Oct 2026 00:00:00 +0900अर्थशास्त्र और सामाजिक विज्ञानतनाव के संकेत रोज़मर्रा की स्मार्टफ़ोन आदतों, जैसे चैट करना, खोजना और भुगतान करना, में छिपे हो सकते हैं। KAIST के शोधकर्ताओं ने एक ऐसी तकनीक विकसित की है जो ऐप्स के भीतर बार-बार किए जाने वाले कई नियमित व्यवहारों का विश्लेषण करके किसी व्यक्ति की दैनिक तनाव स्थिति की पहचान करती है। https://techxplore.com/news/2026-10-smartphone-chatting-payment-habits-ai.htmlhttps://pharma.intelligence-synthesis.com/hi/ai-science/s/484681c927/sc-484681c927Thu, 15 Oct 2026 00:00:00 +0900जीव विज्ञानयह अध्ययन इस बात को देखता है कि विकसित हो रहे मानव मस्तिष्क में, जहाँ डेटा सीमित है, आनुवंशिक भिन्नता जीन विनियमन को कैसे आकार देती है। लेखकों ने Seal बनाया, जो एक व्याख्यात्मक AI ट्रांसफ़र लर्निंग फ्रेमवर्क है और 26 क्षेत्रों, 30 कोशिका प्रकारों तथा 7 विकासात्मक अवस्थाओं में जीन अभिव्यक्ति और वेरिएंट के प्रभावों का पूर्वानुमान लगाता है। ऑटिज़्म के संपूर्ण-जीनोम डेटा में, Seal ने क्षणिक भ्रूणीय उत्तेजक न्यूरॉन्स में de novo नियामक वेरिएंट का उल्लेखनीय बोझ पाया। https://www.nature.com/articles/s41593-026-02470-2https://pharma.intelligence-synthesis.com/hi/ai-science/s/170c9bf7f3/sc-170c9bf7f3Thu, 15 Oct 2026 00:00:00 +0900पृथ्वी और जलवायु विज्ञानटिपिंग पॉइंट, जिसके बाद कोई तंत्र अपनी मूल स्थिति में वापस नहीं लौट सकता, का पूर्वानुमान लगाना अल्पकालिक मौसम परिवर्तनों की तुलना में अधिक कठिन है। Caltech के नेतृत्व वाली एक टीम ने दिखाया कि रिकरेंट न्यूरल ऑपरेटर (RNO), जो एक प्रकार का न्यूरल नेटवर्क है, सरल मॉडलों में यह पूर्वानुमान लगा सकता है कि टिपिंग पॉइंट कब आते हैं। इनमें एक जलवायु-परिवर्तन तंत्र मॉडल और विमान के पंख के ऊपर विक्षुब्ध वायु प्रवाह के सिमुलेशन शामिल हैं। यह शोधपत्र PNAS में प्रकाशित हुआ था। https://www.caltech.edu/about/news/forecasting-tipping-points-with-aihttps://pharma.intelligence-synthesis.com/hi/ai-science/s/0bb2f2bda6/sc-0bb2f2bda6Thu, 15 Oct 2026 00:00:00 +0900जीव विज्ञानइस अध्ययन का उद्देश्य बड़े प्रोटीन कॉम्प्लेक्स की संरचनाओं का पूर्वानुमान लगाना है। लेखकों ने HDOCK-Multimer (HDM) विकसित किया, जो एक स्वचालित फ्रेमवर्क है और ab initio डॉकिंग को संयोजनात्मक असेंबली के साथ जोड़ता है। तीन बेंचमार्क में, बड़े प्रोटीन असेंबली के लिए HDM अत्याधुनिक असेंबली और डीप लर्निंग-आधारित तरीकों की तुलना में अधिक सटीक और मज़बूत रहा। https://www.nature.com/articles/s43588-026-01067-whttps://pharma.intelligence-synthesis.com/hi/ai-science/s/0769c8ddfc/sc-0769c8ddfcThu, 15 Oct 2026 00:00:00 +0900जीव विज्ञानभ्रूणीय विकास के दौरान, कोशिकाओं को रासायनिक संकेत मिलते हैं जो जीनों को चालू या बंद करते हैं और उनकी भूमिकाएँ निर्धारित करते हैं। किसी कोशिका को मिले संकेतों के क्रम का पता लगाना कठिन रहा है, क्योंकि माना जाता था कि सिग्नलिंग पथ विभिन्न कोशिका प्रकारों में बहुत भिन्न होते हैं। MIT और Whitehead Institute के शोधकर्ताओं ने इसका समाधान करने के लिए एक कम्प्यूटेशनल ढाँचा विकसित किया, जो स्टेम कोशिका इंजीनियरिंग को तेज़ करने, रोग मॉडलों को बेहतर बनाने और कैंसर उपचारों के लिए जानकारी देने में मदद कर सकता है। https://news.mit.edu/2026/ai-model-decodes-language-cells-use-communicate-1015https://pharma.intelligence-synthesis.com/hi/ai-science/s/e98fb20321/sc-e98fb20321Wed, 14 Oct 2026 00:00:00 +0900पृथ्वी और जलवायु विज्ञान2 से 6 सप्ताह आगे की उप-मौसमी समय-सीमाओं पर पूर्वानुमान की क्षमता तेज़ी से गिर जाती है। लेखक प्रोबेबिलिस्टिक बायस करेक्शन प्रस्तुत करते हैं, जो एक मशीन लर्निंग फ्रेमवर्क है और ऐतिहासिक प्रायिकता-आधारित पूर्वानुमानों को सुधारना सीखता है, और इसे ECMWF के अग्रणी डायनामिकल और AI मॉडलों पर लागू करते हैं। इसने AI Forecasting System की मामूली उप-मौसमी क्षमता को दोगुना कर दिया और अधिकांश दबाव, तापमान और वर्षा लक्ष्यों के लिए डायनामिकल मॉडल को बेहतर बनाया, और ECMWF की 2025 की रीयल-टाइम प्रतियोगिता में इसके वैश्विक पूर्वानुमान सर्वश्रेष्ठ रहे। https://www.nature.com/articles/s41586-026-11126-xhttps://pharma.intelligence-synthesis.com/hi/ai-science/s/ac068f4878/sc-ac068f4878Wed, 14 Oct 2026 00:00:00 +0900चिकित्सा और दवा खोजमनुष्यों में ब्राउन एडिपोज़ टिशू (BAT) की गतिविधि को बड़े पैमाने पर मापने के तरीकों का अभाव रहा है। एक बड़े कैंसर केंद्र के 101,243 रोगियों के डेटा का उपयोग करके लेखकों ने मशीन लर्निंग से लगभग 8,700 रोगियों में BAT गतिविधि को अर्ध-स्वचालित रूप से मापा। अधिक BAT गतिविधि, विशेषकर एक्सिलरी डिपो में, हृदय-चयापचय रोग की कम संभावना और श्वेत वसा के स्वस्थ वितरण से जुड़ी पाई गई। https://www.nature.com/articles/s41586-026-11162-7https://pharma.intelligence-synthesis.com/hi/ai-science/s/75389c0963/sc-75389c0963Wed, 14 Oct 2026 00:00:00 +0900रसायन विज्ञान और पदार्थलिथियम-आयन बैटरी इलेक्ट्रोलाइट्स की बल्क सॉल्वेशन संरचना को केवल प्रयोग से परमाणु स्तर के विवरण में निर्धारित करना कठिन है। लेखकों ने मशीन-लर्निंग-सक्षम परमाणु सिमुलेशन, NMR स्पेक्ट्रोस्कोपी, विद्युत-रासायनिक डेटा और क्वांटम-रासायनिक गणनाओं को मिलाया। उन्होंने बिना बंधे ऋणायनों वाले, पहले अध्ययन न किए गए बहु-Li+ संकुल पहचाने, जिनका अपचयन आसानी से हो जाता है, और इससे यह समझाने में मदद मिलती है कि अनुभव के आधार पर चुने गए एथिलीन-कार्बोनेट विलायक मिश्रण क्यों काम करते हैं। https://www.nature.com/articles/s41586-026-11138-7https://pharma.intelligence-synthesis.com/hi/ai-science/s/f6daa0ea6d/sc-f6daa0ea6dTue, 13 Oct 2026 00:00:00 +0900जीव विज्ञानयादृच्छिक रूप से जुड़ी इकाइयों का एक समूह, जब उसे यह बताने वाले सरल नियम दिए जाते हैं कि कनेक्शन कब और कैसे बदलने चाहिए, तो वह एक प्रभावी सूचना-प्रसंस्करण नेटवर्क के रूप में खुद को पुनर्गठित कर सकता है। MIT की टीम का तर्क है कि किसी कृत्रिम नेटवर्क की, डेवलपर के मार्गदर्शन के बिना, खुद को संगठित करने की क्षमता जैविक प्रामाणिकता की एक प्रमुख कसौटी है। शोधकर्ताओं ने आगाह किया है कि ऐसे नेटवर्क जैविक सीखने के बारे में बहुत अधिक जानकारी नहीं दे सकते। https://news.mit.edu/2026/how-artificial-neural-networks-build-their-own-learning-machinery-1013https://pharma.intelligence-synthesis.com/hi/ai-science/s/e5e310d165/sc-e5e310d165Tue, 13 Oct 2026 00:00:00 +0900गणितhttps://www.science.org/content/article/ai-edges-closer-solving-riemann-hypothesis-one-math-s-hardest-problemshttps://pharma.intelligence-synthesis.com/hi/ai-science/s/de8281ec59/sc-de8281ec59Tue, 13 Oct 2026 00:00:00 +0900जीव विज्ञानAnthropic की नई लाइफ़ साइंसेज लैब अज्ञात प्रोटीन परिवारों के लिए DNA डेटासेट खंगालने में Claude का उपयोग करती है। शुरुआती नतीजों में, वैज्ञानिकों से केवल उच्च-स्तरीय दिशा मिलने पर, Claude एजेंटों ने अज्ञात कार्य वाला एक नया एंज़ाइम तंत्र खोजा, जिसके गुण CRISPR की याद दिलाते हैं। इस काम का लक्ष्य बड़े पैमाने पर परिकल्पनाएँ तैयार करना और उन्हें प्रयोगशाला में परखना है। https://www.anthropic.com/news/claude-discovers-novel-enzyme-systemhttps://pharma.intelligence-synthesis.com/hi/ai-science/s/b2711ed99d/sc-b2711ed99dTue, 13 Oct 2026 00:00:00 +0900जीव विज्ञानNiCLIP एक AI मॉडल है जो मस्तिष्क सक्रियण पैटर्न से संज्ञानात्मक कार्यों, अवधारणाओं और क्षेत्रों को डिकोड करता है। इसे 23,000 से अधिक लेखों पर प्रशिक्षित किया गया था और रिपोर्ट के अनुसार यह समूह-स्तरीय डिकोडिंग में पारंपरिक डिकोडर से बेहतर प्रदर्शन करता है। इसने Human Connectome Project के समूह-स्तरीय मानचित्रों से संज्ञानात्मक कार्यों का सटीक पूर्वानुमान लगाया, लेकिन शोर वाले विषय-स्तरीय मानचित्रों के साथ इसकी सीमाएँ दिखीं। https://www.nature.com/articles/s41467-026-78451-7https://pharma.intelligence-synthesis.com/hi/ai-science/s/7f7996bdc6/sc-7f7996bdc6Tue, 13 Oct 2026 00:00:00 +0900चिकित्सा और दवा खोजAMIFound एक फ़ाउंडेशन मॉडल है जो CT, MRI, PET, एंडोस्कोपी, अल्ट्रासाउंड, फंडस और X-ray सहित सात मोडैलिटी में शोर, गति-आर्टिफ़ैक्ट, कम कंट्रास्ट या कम-डोज़ अधिग्रहण से खराब हुई मेडिकल छवियों को पुनर्स्थापित और बेहतर बनाता है। 3.76 मिलियन युग्मित छवियों पर प्रशिक्षित इस मॉडल ने छवि गुणवत्ता मेट्रिक्स, चिकित्सक मूल्यांकन और मज़बूती परीक्षणों में 38 कार्य-विशिष्ट और सामान्य बेसलाइन से बेहतर प्रदर्शन किया। बेहतर की गई छवियों ने नॉन-स्मॉल-सेल फेफड़ों के कैंसर में 44 रोग पहचान कार्यों, ट्यूमर चरण पूर्वानुमान और उत्तरजीविता जोखिम स्तरीकरण को भी बेहतर बनाया। https://www.nature.com/articles/s42256-026-01310-zhttps://pharma.intelligence-synthesis.com/hi/ai-science/s/0bcf3c5b5d/sc-0bcf3c5b5dTue, 13 Oct 2026 00:00:00 +0900रसायन विज्ञान और पदार्थआणविक हेसियन, यानी स्थितिज ऊर्जा के द्वितीय अवकलज, कई कम्प्यूटेशनल रसायन कार्यप्रवाहों में आवश्यक होते हैं, लेकिन उनकी गणना महंगी होती है और सिस्टम के आकार के साथ वे खराब तरीके से स्केल करते हैं। लेखक HIP प्रस्तुत करते हैं, जो एक डीप लर्निंग मॉडल है और ग्राफ न्यूरल नेटवर्क की SE(3)-इक्विवेरिएंट फ़ीचर्स का उपयोग करके, बिना ऑटोमैटिक डिफरेंशिएशन या फ़िनाइट डिफरेंस के, सीधे हेसियन का पूर्वानुमान लगाता है। रिपोर्ट के अनुसार HIP ऑटोमैटिक-डिफरेंशिएशन हेसियन की तुलना में एक से दो परिमाण-क्रम तेज़ और अधिक सटीक है, और ट्रांज़िशन-स्टेट खोज, ज्यामिति अनुकूलन और कंपन विश्लेषण में अच्छा प्रदर्शन करता है। https://www.nature.com/articles/s43588-026-01066-xhttps://pharma.intelligence-synthesis.com/hi/ai-science/s/abb85a22ce/sc-abb85a22ceMon, 12 Oct 2026 00:00:00 +0900चिकित्सा और दवा खोजAI टूल एक ही रात की नींद से ऐसे शारीरिक पैटर्न निकाल सकते हैं जिन्हें पारंपरिक नींद मापदंड नहीं पकड़ पाते, और ये पैटर्न बीमारी और मृत्यु से जुड़े हैं। Nature Communications और Nature Medicine में प्रकाशित दो हालिया शोधपत्र बताते हैं कि नींद के आँकड़ों में स्वास्थ्य संबंधी जानकारी उससे कहीं अधिक है जितनी चिकित्सक और शोधकर्ता वर्तमान में निकालते हैं। बढ़ते प्रमाण यह भी संकेत देते हैं कि बीमारी का निदान होने से पहले ही नींद में बदलाव दिखाई दे सकते हैं। https://www.nature.com/articles/d41586-026-03207-8https://pharma.intelligence-synthesis.com/hi/ai-science/s/8f745cbb31/sc-8f745cbb31Mon, 12 Oct 2026 00:00:00 +0900चिकित्सा और दवा खोजप्राइमरी सिलियरी डिस्किनेसिया (PCD) एक आनुवंशिक स्थिति है जिसमें सिलिया की गति असामान्य होती है, और इसका निदान अब भी चुनौतीपूर्ण है। लेखकों ने CiliaTracks विकसित किया, जो एक मशीन लर्निंग फ्रेमवर्क है और हाई-स्पीड माइक्रोस्कोपी से रिकॉर्ड की गई, संवर्धित वायुमार्ग कोशिकाओं पर कण परिवहन का विश्लेषण करता है। क्लासिकल मशीन लर्निंग मॉडलों और एक कन्वolूशनल न्यूरल नेटवर्क ने 14 PCD रोगियों और 10 स्वस्थ दाताओं की रिकॉर्डिंग को 95-97% सटीकता से वर्गीकृत किया। https://www.nature.com/articles/s42003-026-11149-0https://pharma.intelligence-synthesis.com/hi/ai-science/s/8c16b42aed/sc-8c16b42aedMon, 12 Oct 2026 00:00:00 +0900रसायन विज्ञान और पदार्थनिर्देशांक-श्रेणी डेटा से गुणों का पूर्वानुमान लगाना, जैसे क्रिस्टल संरचनाओं से निर्माण ऊर्जा या प्रत्यास्थता मापांक, कम्प्यूटेशनल विज्ञान के लिए केंद्रीय है, और बड़े भाषा मॉडल (LLM) इस पर लागू किए गए हैं। सिंथेटिक डेटासेट और MatText बेंचमार्क का उपयोग करके, लेखकों ने पाया कि LLM श्रेणी पैटर्न को अच्छी तरह संभालते हैं, लेकिन निर्देशांक जानकारी को लगातार पकड़ने में विफल रहते हैं। यह निष्कर्ष 70 अरब पैरामीटर तक के मॉडल आकारों, 2 × 10^6 संरचनाओं तक के डेटासेट और विभिन्न टेक्स्ट निरूपणों में लागू रहता है, और संरचनात्मक प्रभावों के प्रभुत्व वाले गुण पूर्वानुमान में विशेषीकृत ज्यामितीय आर्किटेक्चर LLM से बेहतर प्रदर्शन करते हैं। https://www.nature.com/articles/s43588-026-01045-2https://pharma.intelligence-synthesis.com/hi/ai-science/s/81b97ba554/sc-81b97ba554Sun, 11 Oct 2026 00:00:00 +0900जीव विज्ञानशोर वाले क्रायो-इलेक्ट्रॉन टोमोग्राफी वॉल्यूम में कोशिका झिल्लियों को अलग पहचानना कठिन होता है। लेखकों ने ETSAM प्रस्तुत किया है, जो एक दो-चरणीय विधि है और झिल्लियों को सेगमेंट करने के लिए Segment Anything Model 2 (SAM2) को फ़ाइन-ट्यून करती है; इसे 83 प्रायोगिक और 28 सिम्युलेटेड टोमोग्राम पर प्रशिक्षित किया गया। 17 प्रायोगिक परीक्षण टोमोग्राम पर इसने उच्च संवेदनशीलता और बेहतर प्रेसिजन के साथ अन्य डीप लर्निंग विधियों से बेहतर प्रदर्शन किया। https://www.nature.com/articles/s41467-026-77962-7https://pharma.intelligence-synthesis.com/hi/ai-science/s/d21d6bf4e1/sc-d21d6bf4e1Fri, 09 Oct 2026 00:00:00 +0900भौतिकीलेखक एक भौतिकी-आधारित इन सीटू लर्निंग विधि प्रदर्शित करते हैं, जो फोटोनिक इंटीग्रेटेड सर्किट में ऑप्टिकल ग्रेडिएंट को सीधे मापती है। यह निर्माण के बाद विविध सर्किट टोपोलॉजी को प्रशिक्षित करने की सुविधा देती है, और इसके लिए सर्किट के पूर्ण डिजिटल मॉडल की आवश्यकता नहीं होती। रिपोर्ट के अनुसार यह हार्डवेयर मैट्रिक्स डिज़ाइन, बहु-तरंगदैर्ध्य गणना और तीव्र मेटा-लर्निंग हासिल करता है। https://www.nature.com/articles/s43588-026-01071-0https://pharma.intelligence-synthesis.com/hi/ai-science/s/ecd6faecf1/sc-ecd6faecf1Thu, 08 Oct 2026 00:00:00 +0900जीव विज्ञानडीप लर्निंग मॉडल जीनोमिक डेटा का अनुमान अच्छी तरह लगा सकते हैं, लेकिन अधिक कठिन चरण उनका उपयोग जैविक खोज के लिए करना है। यह शोधपत्र tangermeme का वर्णन करता है, जो जीनोमिक डीप लर्निंग के मॉडल के अलावा अन्य हिस्सों के लिए एक अत्यधिक अनुकूलित टूलकिट है। यह दिखाता है कि tangermeme मॉडलों द्वारा सीखे गए cis-नियामक पैटर्न को मनुष्यों द्वारा समझी जा सकने वाली अंतर्दृष्टि में कैसे परिवर्तित कर सकता है। https://www.nature.com/articles/s41592-026-03254-zhttps://pharma.intelligence-synthesis.com/hi/ai-science/s/bd824ddb04/sc-bd824ddb04Wed, 07 Oct 2026 00:00:00 +0900गणितOpenAI ने सैकड़ों प्रमुख गणितीय समस्याओं पर एक अप्रकाशित मॉडल का उपयोग किया और 6 October को GitHub पर AI द्वारा बनाए गए 700 से अधिक प्रीप्रिंट पोस्ट किए। कुछ गणितज्ञों ने लंबे समय से लंबित समस्याओं के समाधान का स्वागत किया, जबकि अन्य ने सोशल मीडिया पर पीछे छूट जाने की शिकायत की। एक गणितज्ञ ने इस बाढ़ को "slopocalypse" कहा, हालांकि सामग्री फिर भी औपचारिक रूप से सही साबित हो सकती है। https://www.nature.com/articles/d41586-026-03196-8https://pharma.intelligence-synthesis.com/hi/ai-science/s/7cda060db9/sc-7cda060db9Wed, 07 Oct 2026 00:00:00 +0900जीव विज्ञानकोशिका परटर्बेशन डेटा कारणात्मक नियामक संबंधों को उजागर करता है, लेकिन ऐसा डेटा अक्सर दुर्लभ होता है, जो एक संदर्भ में प्रतिक्रियाओं का अन्य संदर्भों से पूर्वानुमान लगाने वाली विधियों की आवश्यकता को प्रेरित करता है। लेखकों ने State विकसित किया, जो एक मशीन-लर्निंग मॉडल है और एकल-कोशिका परटर्बेशन प्रभावों के लिए ट्रांसफ़ॉर्मर-आधारित स्टेट ट्रांज़िशन मॉडल को पूर्व-प्रशिक्षित सेल-एम्बेडिंग मॉडल के साथ जोड़ता है। इसे 100 million से अधिक कोशिकाओं के परटर्बेशन डेटा और 167 million कोशिकाओं के ऑब्ज़र्वेशनल डेटा पर प्रशिक्षित किया गया, और टीम ने मॉडलों की तुलना के लिए एक मूल्यांकन फ़्रेमवर्क, Cell-Eval, भी बनाया। https://www.nature.com/articles/s41592-026-03260-1https://pharma.intelligence-synthesis.com/hi/ai-science/s/7bb39cbee1/sc-7bb39cbee1Wed, 07 Oct 2026 00:00:00 +0900चिकित्सा और दवा खोजMRI में ब्रेन ट्यूमर का सेगमेंटेशन धीमा और त्रुटि-प्रवण होता है और ऑपरेटर के पूर्वाग्रह से प्रभावित होता है, और डीप लर्निंग मॉडल में अक्सर व्याख्यात्मकता की कमी होती है। लेखकों ने SPOHE-VGGNet प्रस्तावित किया है, जो MRI कंट्रास्ट बढ़ाने के लिए एक संशोधित U-Net को VGG-19 और पार्टिकल स्वार्म ऑप्टिमाइज़्ड हिस्टोग्राम इक्वलाइज़ेशन के साथ जोड़ता है। इसने Figshare डेटासेट पर Dice स्कोर 0.9522 (मेनिन्जियोमा), 0.9428 (ग्लियोमा) और 0.9518 (पिट्यूटरी ट्यूमर) तथा BraTS 2021 पर संपूर्ण-ट्यूमर सेगमेंटेशन के लिए 0.9463 हासिल किया, हालाँकि लेखकों का कहना है कि क्लिनिकल उपयोग से पहले बाहरी, वॉल्यूमेट्रिक और चिकित्सक-केंद्रित सत्यापन अभी भी आवश्यक है। https://www.nature.com/articles/s41598-026-72923-yhttps://pharma.intelligence-synthesis.com/hi/ai-science/s/9ef1894996/sc-9ef1894996Tue, 06 Oct 2026 00:00:00 +0900चिकित्सा और दवा खोजसार्वजनिक स्वास्थ्य संबंधी निर्णय अक्सर रिपोर्टिंग में देरी, अलग-थलग पड़े डेटा और विरल डेटा के कारण धीमे हो जाते हैं। Google का Population Dynamics Foundation Model (PDFM) गोपनीयता-संरक्षित सर्च ट्रेंड, मानव गतिशीलता, निर्मित-पर्यावरण घनत्व और पर्यावरणीय कारकों को स्थान एम्बेडिंग में संपीड़ित करता है। इन एम्बेडिंग को कार्य-विशिष्ट फाइन-ट्यूनिंग के बिना मौजूदा महामारी विज्ञान मॉडलों में जोड़ा जा सकता है, और पाँच साझेदार केस स्टडी प्रस्तुत की गईं। https://research.google/blog/earth-ais-planetary-geospatial-foundation-models-for-global-public-health/https://pharma.intelligence-synthesis.com/hi/ai-science/s/204538468b/sc-204538468bTue, 06 Oct 2026 00:00:00 +0900जीव विज्ञानस्पैशियल मॉलिक्यूलर डेटा के लिए मौजूदा तरीके अक्सर सीमित मान्यताओं का उपयोग करते हैं, जिनसे बीमारी के महत्वपूर्ण संकेत छूट सकते हैं। VIMA, एक डीप-लर्निंग तरीका, वैरिएशनल ऑटोएनकोडर्स के एक समूह का उपयोग करके ऊतक के छोटे हिस्सों का सारांश तैयार करता है और ऐसे माइक्रोनिश की पहचान करता है जिनकी प्रचुरता केस या कंट्रोल स्थिति से जुड़ी होती है। सिमुलेशन में यह अच्छी तरह कैलिब्रेटेड और शक्तिशाली रहा, और तीन बीमारियों के डेटासेट पर लागू करने पर इसने ज्ञात जीव विज्ञान को दोबारा खोज निकाला और बीमारी की नई स्पैशियल विशेषताओं की पहचान की। https://www.nature.com/articles/s41592-026-03236-1https://pharma.intelligence-synthesis.com/hi/ai-science/s/a681028c9f/sc-a681028c9fMon, 05 Oct 2026 00:00:00 +0900जीव विज्ञानमौजूदा प्रोटिओमिक वर्कफ़्लो की थ्रूपुट कम है और उनमें व्यापक डेटा प्रोसेसिंग की आवश्यकता होती है, जिससे नमूनों का वर्गीकरण धीमा हो जाता है। ProFormer एक ट्रांसफ़ॉर्मर-आधारित डीप-लर्निंग पाइपलाइन है जो मास स्पेक्ट्रोमेट्री डेटा से सीधे MS1-स्तर की पेप्टाइड आयन विशेषताएँ लेती है। इसने 14 आर्किटेक्चर में पारंपरिक मशीन लर्निंग और CNN से बेहतर प्रदर्शन किया और एकल-कोशिका प्रोटिओम को कोशिका प्रकार, चक्र चरण और विभेदन पथ के आधार पर वर्गीकृत किया, साथ ही प्लाज़्मा प्रोटिओम से रोगी की रोग स्थिति भी वर्गीकृत की। https://www.nature.com/articles/s41467-026-78143-2https://pharma.intelligence-synthesis.com/hi/ai-science/s/7488a954c0/sc-7488a954c0Mon, 05 Oct 2026 00:00:00 +0900जीव विज्ञानउच्च-रिज़ॉल्यूशन स्पैशियल ट्रांसक्रिप्टोमिक्स प्लेटफ़ॉर्म या तो प्रति स्पॉट विरल ट्रांसक्रिप्ट काउंट कैप्चर करते हैं या केवल सीमित संख्या में जीन मापते हैं, जिससे एकल-कोशिका जानकारी निकालना कठिन हो जाता है। CellART स्टेनिंग इमेज, स्पैशियल ट्रांसक्रिप्टोमिक्स डेटा और सिंगल-सेल RNA-seq संदर्भों को जोड़ता है, और डीप लर्निंग तथा प्रोबेबिलिस्टिक मॉडलिंग का उपयोग करके कोशिकाओं का विभाजन और कोशिका प्रकारों का एनोटेशन एक साथ करता है। लेखकों के अनुसार यह कुशल, सामान्यीकरण-योग्य और मज़बूत है, और इसके आउटपुट व्यापक रूप से उपयोग किए जाने वाले सामुदायिक टूल्स के साथ संगत हैं। https://www.nature.com/articles/s43588-026-01054-1https://pharma.intelligence-synthesis.com/hi/ai-science/s/37746dff6b/sc-37746dff6bMon, 05 Oct 2026 00:00:00 +0900चिकित्सा और दवा खोजहाइपरट्रॉफिक कार्डियोमायोपैथी (HCM) और कार्डियक एमाइलॉयडोसिस (CA) इकोकार्डियोग्राफी में एक जैसे दिखते हैं, जिससे इन्हें अलग पहचानना कठिन होता है। इस अध्ययन में एक डीप-लर्निंग फ्रेमवर्क विकसित किया गया, जो 2D इको छवियों को पाँच नैदानिक रूप से प्रासंगिक व्यूज़ में वर्गीकृत करता है, प्रत्येक व्यू से फीचर निकालता है और उन्हें जोड़ता है। 212 HCM, 119 CA और 200 नियंत्रण रोगियों पर पाँच-गुना क्रॉस-वैलिडेशन में इसने 0.83 की प्रिसीज़न, 0.81 की संवेदनशीलता, 0.89 की विशिष्टता और 0.82 का माइक्रो-F1 हासिल किया, और लेखक इसे एक विश्वसनीय निदान उपकरण बताते हैं। https://www.nature.com/articles/s41598-025-15443-5https://pharma.intelligence-synthesis.com/hi/ai-science/s/5b6346b11a/sc-5b6346b11aThu, 01 Oct 2026 00:00:00 +0900भौतिकीUCLA के शोधकर्ताओं ने एक ऑप्टिकल-न्यूरल प्रोसेसर बनाया है जो डीपफेक वीडियो का पता लगाने के लिए प्रकाश का उपयोग करता है, जिसका लक्ष्य AI-जनित वीडियो की बढ़ती मात्रा की जाँच करना है। वीडियो को एक-एक करके जाँचने वाली पारंपरिक प्रणालियों के विपरीत, यह एकल ऑप्टिकल पास के दौरान एक साथ 15 या अधिक वीडियो स्ट्रीम का विश्लेषण करता है। टीम लगभग 98% पहचान सटीकता की रिपोर्ट करती है, और अध्ययन eLight में प्रकाशित हुआ। https://www.sciencedaily.com/releases/2026/09/260929053534.htmhttps://pharma.intelligence-synthesis.com/hi/ai-science/s/4563f76666/sc-4563f76666Thu, 01 Oct 2026 00:00:00 +0900भौतिकीप्रो. Matthew Schwartz बताते हैं कि जब उन्होंने Claude से जूझना छोड़ दिया और उसे उसकी मौजूदा क्षमताओं के अनुकूल समस्याएँ खोजने दीं, तो उन्होंने BootLoops बनाया, जो मात्रात्मक विज्ञान में सटीक गणनाओं के लिए एक टूलकिट है। चूँकि समान गणनाएँ विभिन्न क्षेत्रों में बार-बार आती हैं, Claude ने पारिस्थितिकी, जनसंख्या आनुवंशिकी और एक दर्जन अन्य क्षेत्रों से संबंध खोजे, हालाँकि ये अक्सर तकनीकी रूप से सही होते थे लेकिन शुरू में साधारण लगते थे। इसके बाद Schwartz ने उन क्षेत्रों के विशेषज्ञों के साथ मिलकर BootLoops को उन सवालों की ओर मोड़ा जिनकी उन क्षेत्रों को परवाह है। https://www.anthropic.com/research/claude-shaped-sciencehttps://pharma.intelligence-synthesis.com/hi/ai-science/s/27c9a04ad4/sc-27c9a04ad4Thu, 01 Oct 2026 00:00:00 +0900सैद्धांतिक कंप्यूटर विज्ञानकॉम्बिनेटोरियल ऑप्टिमाइज़ेशन विनिर्माण, लॉजिस्टिक्स और ऊर्जा के क्षेत्र में निर्णयों का आधार है, लेकिन हर नए प्रकार के लिए ह्यूरिस्टिक्स डिज़ाइन करने में विशेषज्ञों को महीनों का प्रयास लगता है, और LLM द्वारा एक ही बार में कोड जनरेट करना अक्सर विफल रहता है। LACE एल्गोरिदम डिज़ाइन को स्कीमा, टूल लाइब्रेरी और ह्यूरिस्टिक पोर्टफोलियो में बाँटता है, और फिर रनटाइम सीमाओं के भीतर एक-दूसरे के पूरक विशेषज्ञ ह्यूरिस्टिक्स विकसित करता है। 36 क्लासिकल CO-Bench समस्याओं में इसका औसत 0.945 रहा, जबकि सबसे मज़बूत पिछली LLM-आधारित विधि का 0.870 और सीधे प्रॉम्प्टिंग का 0.571 था। https://www.nature.com/articles/s42256-026-01307-8https://pharma.intelligence-synthesis.com/hi/ai-science/s/def62dff8c/sc-def62dff8cWed, 30 Sep 2026 00:00:00 +0900सैद्धांतिक कंप्यूटर विज्ञानशोधकर्ताओं ने Stratego के लिए एक AI सिस्टम बनाया है। यह दो खिलाड़ियों का बोर्ड गेम है, जिसमें प्रतिद्वंद्वी के मोहरे छिपे रहते हैं और जिसका उपयोग अक्सर रणनीतिक सोच को परखने के लिए किया जाता है। कुशल प्रशिक्षण एल्गोरिदम को छिपी हुई जानकारी में निर्णय लेने की नई तकनीकों के साथ जोड़कर, इस सिस्टम ने शीर्ष-रैंक वाले मानव खिलाड़ियों को बड़े अंतर से हराया और अगले सर्वश्रेष्ठ मॉडलों से बेहतर प्रदर्शन किया, जबकि इसे प्रशिक्षित करना सस्ता था। इसने अलग नियमों वाले अन्य रणनीति खेलों में भी शीर्ष मानव खिलाड़ियों को हराया। https://news.mit.edu/2026/game-playing-ai-stratego-new-champ-0930https://pharma.intelligence-synthesis.com/hi/ai-science/s/ca6b7010c4/sc-ca6b7010c4Wed, 30 Sep 2026 00:00:00 +0900भौतिकीऊर्जा-अग्रिम न्यूट्रिनो डिटेक्टरों में घटना की व्याख्या पारंपरिक पुनर्निर्माण के लिए अव्यावहारिक है और लेबल किए गए डेटा के कम होने पर पर्यवेक्षित मॉडलों के लिए कठिन है। लेखक एक स्पार्स Vision Transformer को मास्क्ड-ऑटोएनकोडर पुनर्निर्माण और संबंधपरक वोक्सेल-स्तर के उद्देश्यों के साथ प्रीट्रेन करते हैं, फिर उसे वर्गीकरण और समाश्रयण पर एक साथ फ़ाइन-ट्यून करते हैं। प्रस्तावित FASER कैलोरीमीटर की सिम्युलेटेड घटनाओं पर, प्रीट्रेनिंग ने फ़्लेवर और चार्म-क्वार्क की पहचान, संवेग समाश्रयण और वर्टेक्स पुनर्निर्माण में सुधार किया, और लगभग 1,000 लेबल किए गए घटनाओं के साथ प्रीट्रेन किया गया एनकोडर फ़्लेवर वर्गीकरण प्रदर्शन में शुरू से प्रशिक्षित मॉडल के बराबर रहा। https://www.nature.com/articles/s42256-026-01309-6https://pharma.intelligence-synthesis.com/hi/ai-science/s/a3455247ae/sc-a3455247aeWed, 30 Sep 2026 00:00:00 +0900पृथ्वी और जलवायु विज्ञानअत्यधिक अंतरिक्ष-मौसम की घटनाएँ ट्रांसमिशन नेटवर्क में ऐसी धाराएँ पैदा कर सकती हैं जो उपकरणों को नुकसान पहुँचाती हैं, और ग्रिड ऑपरेटरों को पर्याप्त चेतावनी के साथ यह जानना ज़रूरी है कि प्रभाव कब और कहाँ सबसे गंभीर होंगे। Microsoft Research ने एक मशीन लर्निंग पाइपलाइन बनाई है जो सौर-वायु डेटा, AE और Dst पूर्वानुमान, स्थानीय अक्षांश, भूविज्ञान और भूमि की चालकता को जोड़कर महाद्वीपीय संयुक्त राज्य के 66,935 सबस्टेशनों के लिए जोखिम अनुमान तैयार करती है। मूल्यांकन अवधि के दौरान इसने लगभग 80% बड़ी अंतरिक्ष-मौसम घटनाओं का पता लगाया और किसी विशेष जोखिम के प्रकट होने से 30 से 60 मिनट पहले ऑपरेटरों को चेतावनी दे सकती है। https://www.microsoft.com/en-us/research/blog/forecasting-space-weather-risks-on-power-grids/https://pharma.intelligence-synthesis.com/hi/ai-science/s/832a7ab3b2/sc-832a7ab3b2Wed, 30 Sep 2026 00:00:00 +0900सैद्धांतिक कंप्यूटर विज्ञानhttps://deepmind.google/blog/d4rt-teaching-ai-to-see-the-world-in-four-dimensions/https://pharma.intelligence-synthesis.com/hi/ai-science/s/c9854dc125/sc-c9854dc125Tue, 29 Sep 2026 00:00:00 +0900पृथ्वी और जलवायु विज्ञानसेनेगल के छोटे, वर्षा-आधारित खेत वहाँ की बड़ी आबादी को जलवायु संबंधी झटकों के प्रति असुरक्षित छोड़ देते हैं, फिर भी उपग्रह से फसल-मानचित्रण के उपकरण काफ़ी हद तक पहुँच से बाहर हैं। University of Cambridge के शोधकर्ताओं ने Tessera का उपयोग किया, जो उपग्रह चित्रों पर प्रशिक्षित एक ओपन-सोर्स AI मॉडल है, और इससे सेनेगल के मूंगफली बेसिन में फसलों का मानचित्रण किया। परीक्षणों में इसने 84% बार सही परिणाम दिया, जो मौजूदा तरीकों से अधिक सटीक है, जबकि इसमें कंप्यूटिंग संसाधनों और लेबल किए गए डेटा का केवल एक छोटा हिस्सा लगा। एक परिदृश्य में इसने अगले सर्वश्रेष्ठ मॉडल से 28% बेहतर प्रदर्शन किया। https://www.cam.ac.uk/research/news/ai-tool-for-mapping-smallholder-crops-proves-itself-in-senegalhttps://pharma.intelligence-synthesis.com/hi/ai-science/s/6ab9873a8d/sc-6ab9873a8dTue, 29 Sep 2026 00:00:00 +0900जीव विज्ञानMicrosoft Research का Quine जीव विज्ञान का एक मल्टीमॉडल वर्ल्ड मॉडल और एक इंटरैक्टिव हार्नेस बनाने का शुरुआती प्रयास है, जो मॉडलों, वैज्ञानिक उपकरणों, साहित्य और शोधकर्ताओं को जोड़ता है और वैज्ञानिकों को प्रयोगशाला परीक्षण से पहले परिकल्पनाओं को प्राथमिकता देने में मदद करता है। Harvard और MIT के Broad Institute के शोधकर्ताओं के सहयोग से टीम ने इसका उपयोग उन यौगिकों को प्राथमिकता देने के लिए किया जिनके चिकित्सीय ट्यूमर-अवस्था परिवर्तन लाने का पूर्वानुमान था, और कई वेट-लैब परीक्षणों में शीर्ष क्रम के कई उम्मीदवारों को प्रमाणित किया। यह प्रणाली प्रायोगिक है, केवल शोध के लिए है, और इसके आउटपुट की समीक्षा योग्य शोधकर्ताओं द्वारा आवश्यक है। https://www.microsoft.com/en-us/research/blog/introducing-quine-an-ai-research-system-designed-for-the-complexity-of-biology/https://pharma.intelligence-synthesis.com/hi/ai-science/s/ce8a4de60a/sc-ce8a4de60aMon, 28 Sep 2026 00:00:00 +0900चिकित्सा और दवा खोजRNA टीकों को आमतौर पर अत्यंत कम तापमान पर भंडारण की आवश्यकता होती है, इसलिए MIT के शोधकर्ताओं ने mRNA टीके पहुँचाने वाले लिपिड नैनोकणों के आसपास के फॉर्मूलेशन में बदलाव के लिए एक AI एल्गोरिदम का उपयोग किया। एल्गोरिदम ने इष्टतम फॉर्मूलेशन का पूर्वानुमान लगाया, जिससे आवश्यक प्रयोगों की संख्या घटी और विकास तेज़ हुआ। परिणामस्वरूप बने टीके कमरे के तापमान पर एक साल तक या लगभग 100°F पर दो महीने तक स्थिर रहे, और चूहों में एक Covid-19 टीके ने Moderna जैसे RNA टीके जितनी ही मज़बूत प्रतिरक्षा प्रतिक्रिया उत्पन्न की। https://news.mit.edu/2026/new-formulation-helps-rna-vaccines-withstand-high-temperatures-0928https://pharma.intelligence-synthesis.com/hi/ai-science/s/c73c02fd4a/sc-c73c02fd4aMon, 28 Sep 2026 00:00:00 +0900पृथ्वी और जलवायु विज्ञानजलवायु मॉडल क्षेत्रीय जोखिम निर्णयों के लिए बहुत स्थूल हैं, और मौजूदा डाउनस्केलिंग विधियाँ बड़े एन्सेम्बल के लिए बहुत महँगी हैं, बहुचर निर्भरताओं को नज़रअंदाज़ करती हैं, या ऐसे समय-संरेखित प्रशिक्षण जोड़ों की माँग करती हैं जो फ्री-रनिंग प्रोजेक्शन में उपलब्ध नहीं होते। GenFocal एक जेनरेटिव AI फ्रेमवर्क है जो बिना युग्मित प्रशिक्षण डेटा के स्थूल प्रोजेक्शन से सांख्यिकीय रूप से सटीक सूक्ष्म-स्तरीय मौसम तैयार करता है। यह हीटवेव और उष्णकटिबंधीय चक्रवात जैसे दीर्घजीवी खतरों का संश्लेषण करता है, दुर्लभ और अत्यधिक प्रभावशाली घटनाओं का अग्रणी विधियों से अधिक सटीक नमूना लेता है, और मिश्रित चरम घटनाओं के क्षेत्रीय अनुमानों को बेहतर बनाता है। https://www.nature.com/articles/s42256-026-01308-7https://pharma.intelligence-synthesis.com/hi/ai-science/s/902d1f16cb/sc-902d1f16cbSat, 26 Sep 2026 00:00:00 +0900गणितरीमान परिकल्पना एक अनसुलझी समस्या है, जिसके अनुसार रीमान ज़ीटा फलन के सभी शून्य एक निश्चित ऊर्ध्वाधर रेखा पर स्थित होते हैं। इस समस्या पर काम करते समय, Claude के एक अप्रकाशित शोध संस्करण ने इसे सिद्ध नहीं किया, लेकिन उन शून्यों के अनुपात की एक पुरानी निचली सीमा को सुधारा जो इस शर्त को पूरा करते हैं, और उसे 41.6% से बढ़ाकर 67.2% कर दिया। Anthropic के दो गणितज्ञों ने शोधपत्र का सत्यापन किया और एक अनौपचारिक विशेषज्ञ टिप्पणी लिखी, और Claude ने एक औपचारिक रूप से सत्यापन-योग्य प्रमाण भी तैयार किया। इस परिणाम से स्वयं परिकल्पना के प्रमाण तक पहुँचने की अपेक्षा नहीं है। https://www.anthropic.com/research/riemann-zetahttps://pharma.intelligence-synthesis.com/hi/ai-science/s/24adfd04a8/sc-24adfd04a8Fri, 25 Sep 2026 00:00:00 +0900भौतिकीभौतिक विज्ञानी और विज्ञान लेखक Matt von Hippel ने AI कंपनियों को एक कठिन सैद्धांतिक भौतिकी समस्या हल करने की चुनौती दी: N=4 super-Yang-Mills में नौ-लूप एम्प्लिट्यूड की गणना। Claude ने इसकी गणना की और लगभग एक महीने बाद चुनौती जीत ली। https://www.anthropic.com/research/yes-claude-can-do-nine-loopshttps://pharma.intelligence-synthesis.com/hi/ai-science/s/c6cf2b4556/sc-c6cf2b4556Thu, 24 Sep 2026 00:00:00 +0900चिकित्सा और दवा खोजआत्महत्या का उच्च जोखिम वाले लोगों की पहचान करना मानसिक स्वास्थ्य संकट के दौरान काउंसलरों की प्राथमिकता होती है। MIT के McGovern Institute के शोधकर्ताओं ने एक भाषा-प्रसंस्करण उपकरण विकसित किया, जो किसी व्यक्ति के जोखिम का अनुमान लगाने के लिए पाठ में आत्महत्या के 49 जोखिम कारकों से जुड़े शब्दों और वाक्यांशों को खोजता है। संकट काउंसलरों के साथ टेक्स्ट बातचीत में इस उपकरण ने आत्महत्या के जोखिम का सटीक अनुमान लगाया, और अधिक सत्यापन के साथ यह नैदानिक और संकट-सहायता सेटिंग्स में जोखिम आकलन में सहायक हो सकता है। https://news.mit.edu/2026/estimating-suicide-risk-from-text-0924https://pharma.intelligence-synthesis.com/hi/ai-science/s/dc467c9a7e/sc-dc467c9a7eTue, 22 Sep 2026 00:00:00 +0900सैद्धांतिक कंप्यूटर विज्ञानकीट-आकार के उड़ने वाले रोबोट आमतौर पर धीमे रहे हैं और सरल उड़ान पथों तक सीमित रहे हैं। MIT के शोधकर्ताओं ने दो-भाग वाली नियंत्रण प्रणाली के साथ एक AI-आधारित कंट्रोलर विकसित किया, जो बार-बार बॉडी फ्लिप करने में सक्षम बनाता है। टीम के पिछले सर्वश्रेष्ठ परिणामों की तुलना में रोबोट की गति लगभग 450% और त्वरण लगभग 250% बढ़ गया, और उसने हवा के व्यवधानों के बावजूद 11 सेकंड में 10 कलाबाज़ियाँ पूरी कीं। https://www.sciencedaily.com/releases/2026/09/260921081114.htmhttps://pharma.intelligence-synthesis.com/hi/ai-science/s/5fc14a3904/sc-5fc14a3904Mon, 21 Sep 2026 00:00:00 +0900बायोइंजीनियरिंग और सिंथेटिक बायोलॉजीजैव अणुओं के पूर्वानुमान और डिज़ाइन के लिए वैज्ञानिक जिन ओपन-सोर्स मॉडलों का उपयोग करते हैं, वे धीमे थे और बहुत अधिक मेमोरी लेते थे। Claude Science के भीतर काम करते हुए, Claude ने इनमें से 30 से अधिक मॉडलों को चार सप्ताह से थोड़े कम समय में अनुकूलित किया, जिससे औसतन लगभग 4 गुना गति बढ़ी। उसने एक कम-मेमोरी मोड भी बनाया, जो एकल NVIDIA GPU नोड पर 10,000 टोकन से बड़े सिस्टमों का सटीक पूर्वानुमान संभव बनाता है, और अनुकूलित कोड को ओपन-सोर्स किया जा रहा है। https://www.anthropic.com/research/claude-uplifts-biomolecular-modeling