ИИ и сложнейшие проблемы мира ─ Физика
Наука и научные знания, продвигаемые ИИ, по дисциплинам
RSS-лента · 5 материалов
Фотонные схемы становятся обучаемым аппаратным обеспечением для ИИ
Оригинальное название: Photonic circuits become trainable AI hardware
Авторы демонстрируют основанный на физике метод обучения in situ, который напрямую измеряет оптические градиенты в фотонных интегральных схемах. Он позволяет обучать схемы с разной топологией уже после изготовления, не требуя полной цифровой модели схемы. Сообщается, что это оборудование обеспечивает проектирование матриц, многоволновые вычисления и быстрое метаобучение.
Этот ИИ на основе света распознаёт дипфейки с точностью почти 98%
Оригинальное название: This light-powered AI can spot deepfakes with nearly 98% accuracy
Исследователи из UCLA создали оптико-нейронный процессор, использующий свет для обнаружения дипфейк-видео, чтобы фильтровать растущий объём видео, созданного ИИ. В отличие от обычных систем, которые проверяют видео по одному, он анализирует 15 и более видеопотоков одновременно за один оптический проход. Команда сообщает о точности обнаружения почти 98%; исследование опубликовано в eLight.
Наука в стиле Claude
Оригинальное название: Claude-shaped science
Проф. Мэттью Шварц рассказывает, как, перестав спорить с Claude и позволив ему находить задачи, соответствующие его текущим возможностям, он создал BootLoops — набор инструментов для точных расчётов в количественных науках. Поскольку похожие вычисления повторяются в разных областях, Claude нашёл связи с экологией, популяционной генетикой и ещё десятком других областей, хотя эти результаты зачастую были технически верными, но поначалу ничем не примечательными. Затем Шварц работал с экспертами предметных областей, чтобы направить BootLoops на вопросы, которые волнуют эти области.
На пути к моделям фундаментального типа для гетерогенных нейтринных детекторов энергетического фронтира с помощью самоконтролируемого предобучения
Оригинальное название: Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pretraining
Интерпретация событий в нейтринных детекторах энергетического фронтира непрактична для традиционной реконструкции и затруднительна для обучаемых с учителем моделей при нехватке размеченных данных. Авторы предварительно обучают разреженный Vision Transformer с помощью реконструкции на основе маскированного автокодировщика и реляционных целей на уровне вокселей, а затем совместно дообучают его на классификацию и регрессию. На смоделированных событиях для предлагаемого калориметра FASER предварительное обучение улучшило идентификацию аромата и очарованных кварков, регрессию импульса и реконструкцию вершины, а примерно при 1000 размеченных событий предобученный энкодер сравнялся по качеству классификации аромата с моделью, обученной с нуля.
Claude вычисляет девятипетлевую амплитуду в суперсимметричной теории Янга — Миллса N=4
Оригинальное название: Claude computes a nine-loop amplitude in N=4 super-Yang-Mills
Физик и научный писатель Matt von Hippel бросил AI-компаниям вызов: решить сложную задачу теоретической физики — вычислить девятипетлевую амплитуду в N=4 супер-Янга—Миллса. Claude вычислил её, выиграв этот вызов примерно через месяц.