IA e os Problemas Difíceis do Mundo ─ Física
Ciência e conhecimento avançados pela IA, por disciplina
Feed RSS · 5 itens
Circuitos fotônicos se tornam hardware de IA treinável
Título original: Photonic circuits become trainable AI hardware
Os autores demonstram um método de aprendizado in situ baseado em física que mede diretamente gradientes ópticos em circuitos integrados fotônicos. Ele permite treinar diversas topologias de circuito após a fabricação, sem exigir um modelo digital completo do circuito. Segundo o relato, o hardware alcança projeto de matrizes, computação multicomprimento de onda e meta-aprendizado rápido.
Esta IA movida a luz consegue identificar deepfakes com quase 98% de precisão
Título original: This light-powered AI can spot deepfakes with nearly 98% accuracy
Pesquisadores da UCLA construíram um processador neural óptico que usa luz para detectar vídeos deepfake, com o objetivo de filtrar o volume crescente de vídeos gerados por IA. Diferentemente dos sistemas convencionais, que examinam os vídeos um a um, ele analisa 15 ou mais fluxos de vídeo ao mesmo tempo, em uma única passagem óptica. A equipe relata uma acurácia de detecção de quase 98%, e o estudo foi publicado na eLight.
Ciência moldada por Claude
Título original: Claude-shaped science
O Prof. Matthew Schwartz descreve como, depois de parar de lutar contra o Claude e deixá-lo encontrar problemas adequados às suas capacidades atuais, construiu o BootLoops, um conjunto de ferramentas para cálculos exatos em ciência quantitativa. Como cálculos semelhantes se repetem em vários campos, o Claude encontrou conexões com ecologia, genética de populações e uma dúzia de outras áreas, embora estas fossem muitas vezes tecnicamente corretas, mas inicialmente pouco notáveis. Schwartz então trabalhou com especialistas de cada área para direcionar o BootLoops a questões que esses campos consideram importantes.
Rumo a modelos do tipo foundation para detectores de neutrinos heterogêneos na fronteira de energia por meio de pré-treinamento autossupervisionado
Título original: Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pretraining
A interpretação de eventos em detectores de neutrinos na fronteira de energia é impraticável para a reconstrução convencional e difícil para modelos supervisionados quando há poucos dados rotulados. Os autores pré-treinam um Vision Transformer esparso com reconstrução por autoencoder mascarado e objetivos relacionais em nível de voxel, e depois o ajustam conjuntamente em classificação e regressão. Em eventos simulados do calorímetro FASER proposto, o pré-treinamento melhorou a identificação de sabor e de quark charm, a regressão de momento e a reconstrução de vértices, e com cerca de 1.000 eventos rotulados o codificador pré-treinado igualou o desempenho de classificação de sabor de um modelo treinado do zero.
Claude calcula uma amplitude de nove loops na super-Yang-Mills N=4
Título original: Claude computes a nine-loop amplitude in N=4 super-Yang-Mills
O físico e escritor de divulgação científica Matt von Hippel desafiou empresas de IA a resolver um difícil problema de física teórica: calcular uma amplitude de nove loops na super-Yang-Mills N=4. O Claude a calculou, vencendo o desafio cerca de um mês depois.