AI और दुनिया की कठिन समस्याएँ ─ भौतिकी
AI द्वारा आगे बढ़ाया गया विज्ञान और विद्वत्ता, विषय के अनुसार
RSS फ़ीड · 5 आइटम
फ़ोटोनिक सर्किट प्रशिक्षित किए जा सकने वाले AI हार्डवेयर बन रहे हैं
मूल शीर्षक: Photonic circuits become trainable AI hardware
लेखक 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।
प्रकाश से चलने वाला यह AI लगभग 98% सटीकता के साथ डीपफेक पहचान सकता है
मूल शीर्षक: This light-powered AI can spot deepfakes with nearly 98% accuracy
UCLA 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।
Claude-आकारित विज्ञान
मूल शीर्षक: Claude-shaped science
प्रो. 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।
स्व-पर्यवेक्षित प्री-ट्रेनिंग के माध्यम से ऊर्जा-अग्रिम विषम न्यूट्रिनो डिटेक्टरों के लिए फाउंडेशन-शैली मॉडलों की ओर
मूल शीर्षक: Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pretraining
ऊर्जा-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।
Claude, N=4 सुपर-यांग-मिल्स में नौ-लूप ऐम्प्लिट्यूड की गणना करता है
मूल शीर्षक: Claude computes a nine-loop amplitude in N=4 super-Yang-Mills
भौतिक 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।