AI na Matatizo Magumu ya Ulimwengu
Sayansi na taaluma zinazoendelezwa na AI, kwa taaluma
Habari za AI kutumika kutatua matatizo magumu — katika hisabati, fizikia, muungano wa nyuklia, sayansi ya kwanta, sayansi za maisha, tiba, hali ya hewa na sayansi za binadamu — zinazokusanywa kila saa 3 kutoka kwenye RSS feed na taarifa kwa vyombo vya habari za vyuo vikuu, taasisi za utafiti, maabara za AI, majarida na arXiv. Jev huchagua tu vipengee vyenye matokeo halisi ya kisayansi na kuvipanga kwa taaluma; muhtasari huandikwa tu kutoka sehemu ya mwanzo ya kila chanzo — soma asili kwa maelezo zaidi.
Mlisho wa RSS · 58 vipengee
Mfumo wa kujifunza kwa kina wa viwango vya daraja unaoweza kufasirika kwa ajili ya kugundua saratani ya mapafu na koloni
Kichwa asilia: An interpretable hierarchical deep learning framework for lung and colon cancer detection
Kuainisha saratani ya mapafu na koloni kutoka kwa picha za histopatholojia ni vigumu kwa sababu makundi yanafanana na umbo la tishu hutofautiana, na miundo ya kawaida ya kujifunza kwa kina hutoa uwazi mdogo. Waandishi waligawa kazi ya makundi matano katika hatua kutoka ya jumla hadi ya kina: kwanza tishu za kawaida dhidi ya saratani, kisha kiainishi maalum cha aina za tishu za kawaida au aina ndogo za saratani, huku usanifu bora ukichaguliwa kwa kila hatua. Mfumo ulifikia usahihi wa 98.50% kwenye LC25000 na 82.01% kwenye seti huru ya data ya LungHist700, na Grad-CAM, Grad-CAM++, LIME na Occlusion Sensitivity zilitumika kuangazia maeneo ya picha yaliyo nyuma ya utabiri wake.
Utabiri wa saratani ya seli za ini (hepatocellular carcinoma) kwa kutumia akili bandia kwa watu wasio na maambukizi ya HBV au HCV katika enzi ya MASLD
Kichwa asilia: Artificial intelligence-based prediction of hepatocellular carcinoma in individuals without HBV or HCV infection in the MASLD era
Miongozo ya sasa ya uchunguzi wa saratani ya ini (HCC) inalenga zaidi watu wenye cirrhosis au homa ya ini ya virusi. Watafiti walitengeneza modeli ya akili bandia kutabiri hatari ya HCC kwa watu wasio na homa ya ini ya virusi, wakitumia data za takriban watu wazima milioni 7.96 wa Korea Kusini waliofanyiwa uchunguzi wa afya. Miongoni mwa modeli kumi na mbili zilizolinganishwa, MHA_DNN ilifanya vizuri zaidi na ilidumisha usahihi thabiti katika kundi huru la uthibitishaji. Fatty liver index na triglycerides vilikuwa vitabiri vyenye ushawishi mkubwa zaidi, jambo linaloashiria uungaji mkono wa uchunguzi wa kibinafsi unaozingatia kimetaboliki.
Mfumo wa kujifunza kwa kina wa kazi nyingi kwa utabiri wa kiotomatiki wa hali za kiafya kutoka kwa picha za fundus ya retina kwa kutumia umakini mseto na AI inayoelezeka
Kichwa asilia: A multi task deep learning framework for automated health condition prediction from retinal fundus images using hybrid attention and explainable AI
Miundo iliyopo ya kujifunza kwa kina kwa picha za fundus ya retina hushughulikia kazi moja tu, hutoa ufasiri mdogo, na hupata ugumu kukabiliana na tofauti kati ya seti za data. Waandishi wanapendekeza mtandao wa kazi nyingi unaoainisha ukali wa retinopathia ya kisukari, glaucoma, hatua ya AMD, na hatari ya moyo na mishipa kutoka kwa picha moja katika hatua moja ya mbele, pamoja na maelezo ya Grad-CAM. Ulifikia usahihi wa 94.7% na AUC 0.978 katika seti nne za data, ukizishinda miundo yote ya kazi moja kitakwimu, na AUC ya angalau 0.951 katika tathmini ya zero-shot kati ya seti tofauti za data.
Mfumo jumuishi wa automata na ujifunzaji wa mashine kwa utambuzi wa akili wa afya ya akili
Kichwa asilia: An automata-machine learning integrated framework for intelligent mental health diagnostics
Mfadhaiko miongoni mwa wanafunzi mara nyingi haugunduliwi hadi unapokuwa mkubwa, kwa hivyo utabiri wa mapema unahitajika. Waandishi waliunganisha uundaji wa miundo ya tabia kwa kutumia finite automata na kujifunza kwa mashine, wakizalisha vipengele kutoka kwenye hali za kihisia za wanafunzi na kuunganisha vipengele vinavyojirudia. Kwa kutumia mkusanyiko wa random forest na KStar, usahihi uliongezeka kutoka msingi wa 82.02% kwa random forest hadi 96.88% kwa vipengele vinavyotegemea automata. Waandishi wanasema kuwa mbinu hiyo huweka vipengele vikiwa vinaeleweka na vinavyoweza kufuatiliwa.
LitGene: muundo wa transfoma unaoweza kufasirika unaojumuisha maandishi na ontolojia kwa ujifunzaji wa uwakilishi wa jeni
Kichwa asilia: LitGene: an interpretable transformer model integrating text and ontology for gene representation learning
Ujifunzaji wa uwakilishi wa jeni mara nyingi hupuuza maandiko ya kisayansi, jambo linaloweza kupendelea matokeo dhidi ya jeni zisizochunguzwa vya kutosha. LitGene ni transformer inayoweza kufasirika inayounganisha maandishi na maelezo ya Gene Ontology kupitia ujifunzaji wa kulinganisha. Ilipata usahihi wa kushindana kwenye vipimo nane vya protini, ilitabiri bila mifano ya awali istilahi za GO, njia za KEGG na viungo vya jeni na magonjwa, na ilitaja ANGPTL6 kama jeni mgombea wa idiopathic pulmonary fibrosis, ikiungwa mkono na udhihirisho tofauti wa jeni katika sampuli huru.
Mfumo wa uthibitishaji wa hatua nyingi kwa ajili ya uchimbaji wa taarifa za kliniki wa kiwango kikubwa unaoaminika kwa kutumia miundo mikubwa ya lugha
Kichwa asilia: A multi-stage validation framework for trustworthy large-scale clinical information extraction using large language models
Kuthibitisha miundo mikubwa ya lugha kwa uchimbaji wa taarifa za kliniki kwa kawaida kunahitaji uwekaji alama wa mikono wenye gharama kubwa. Waandishi walipendekeza mfumo wa hatua nyingi unaochanganya uchujaji unaotegemea kanuni, uthibitisho wa kisemantiki, tathmini ya LLM-mwamuzi, mapitio ya wataalamu, na uchambuzi wa uhalali wa kutabiri. Ulipotumika kwa utambuzi wa matatizo ya matumizi ya dawa za kulevya katika maelezo ya kliniki 919,783, uliondoa 14.59% ya uchimbaji chanya wa LLM kama usio na uthibitisho au usioaminika. LLM kuu ilipata alama ya F1 ya 0.80 dhidi ya tathmini za mwamuzi, na utambuzi wake ulioondolewa ulitabiri ushiriki wa baadaye katika huduma maalumu kuliko misingi ya data iliyopangiliwa.
Misimbo ya historia iliyofichwa kwa muda mrefu inavunjwa na wasio wataalamu wakitumia AI
Kichwa asilia: History’s long-secret codes are being cracked by amateurs using AI
Watu wasio wataalamu wanazidi kutumia modeli kubwa za lugha kuvunja misimbo ya kihistoria, wakitumia uwezo wake wa kuendesha algoriti za kusimbua na kutafuta hati mtandaoni. Carter Leffen, ambaye hana uzoefu wa kriptografia, alimwomba GPT-6 Astra asimbue ujumbe wa jeshi la Ujerumani uliosimbwa miaka 85 iliyopita, na ikatoa suluhisho kufikia asubuhi. Wataalamu wa kriptografia wanakaribisha shauku hiyo lakini wamezidiwa na maombi ya kuthibitisha suluhisho za AI, ambazo nyingi si sahihi.
Uhusishaji wa viwango vingi wa familia ndogo za programu hasidi kutoka kwa picha za RGB za faili tekelezi kwa kutumia ujifunzaji wa kina ulioboreshwa kwa umakini
Kichwa asilia: Multi-level malware subfamily attribution from RGB executable images using attention-augmented deep learning
Uchambuzi wa programu hasidi unahitaji maamuzi katika ngazi kadhaa, kuanzia ugunduzi hadi uhusishaji wa familia na kisha wa familia ndogo kwa undani. Waandishi wanapendekeza mfumo wa kujifunza kwa kina wa kihierarkia unaochukua picha za RGB za faili za Windows PE na kufanya ugunduzi, uainishaji wa familia na uhusishaji wa familia ndogo 33 katika usanifu mmoja wenye matokeo mengi. Miundo minne ya kujifunza kwa uhamisho iliyoongezwa umakini ilifikia usahihi wa 99% kwa uainishaji wa pande mbili, 96–97% katika ngazi ya familia na 91–95% katika ngazi ya familia ndogo, na alama za macro F1 hadi 0.89 kwa uhusishaji wa kina.
Kuweka mawakala wa AI katika uhalisia wa kibiolojia: Vipengele vya msingi vya maabara za kiotomatiki za unyevu
Kichwa asilia: Grounding AI agents in biological reality: Building blocks for autonomous wet labs
Miundo ya AI ya mstari wa mbele haifikirii kwa uhakika kuhusu jiometri ya 3D na hali halisi ya maabara, jambo linalofanya uendeshaji otomatiki wa roboti za kushughulikia vimiminika kuwa mgumu. Google Research iliweka mawakala wa AI katika roboti halisi za maabara ili waweze kuendesha mizunguko ya haraka ya usanifu wa molekuli yenye mrejesho wa mzunguko funge. Mawakala hao waligundua vifungaji vya protini vyenye mshikamano wa nanomolari ya tarakimu moja kwa malengo ya saratani.
AI hugundua ugonjwa wa moyo wa mishipa ya koroni kutoka kwa picha za uso na ulimi katika jaribio dogo
Kichwa asilia: AI detects coronary heart disease from face and tongue photos in small test
Utafiti mpya kutoka China ulifundisha mfumo wa AI kwa picha za uso na ulimi ili kugundua ugonjwa wa moyo wa mishipa ya koroni (CHD). Katika jaribio dogo, mfumo huo ulitambua kwa usahihi kila mgonjwa mwenye CHD.
Kutambua sauti zisizo za kawaida za mapafu kwa watoto wenye magonjwa ya kupumua nchini Bangladesh kwa kutumia akili bandia na usikilizaji wa kidijitali wa mwili (digital auscultation)
Kichwa asilia: Identification of adventitious lung sounds in children with respiratory illnesses in Bangladesh using artificial intelligence and digital auscultation
Miongozo ya Usimamizi Jumuishi wa Magonjwa ya Utotoni ina unyeti wa juu lakini umahususi wa chini kwa nimonia. Wahudumu wa afya nchini Bangladesh walirekodi sauti za mapafu kutoka kwa watoto walio chini ya miaka mitano wanaoshukiwa kuwa na nimonia kwa kutumia stethoskopu ya kidijitali, na algoriti ya AI ililinganishwa na jopo la madaktari wa watoto. AI iligundua sauti zisizo za kawaida kwa unyeti wa 61.8% na umahususi wa 60.7% kwa ujumla, na 63.5% na 66.8% katika visa vya nimonia chini ya IMCI. Waandishi wanaelezea hili kuwa utendaji wa wastani, huku uboreshaji ukihitajika katika kuainisha rekodi zisizoweza kufasirika.
Uwekaji lebo wa kiotomatiki wa kingo za upasuaji wa kuondoa tishu kwa kutumia modeli msingi
Kichwa asilia: Autonomous labeling of surgical resection margins using a foundation model
Kutathmini kingo za upasuaji wa kuondoa tishu katika patholojia kunaathiriwa na makosa ya kuweka wino kwa mkono, upotoshaji wa tishu, na uharibifu unaosababishwa na kauteri. Waandishi walitengeneza mtandao wa kuweka wino kidijitali unaotumia modeli msingi iliyogandishwa na kiainishi kidogo ili kuchora ramani ya kingo kwenye picha za slaidi nzima bila wino halisi. Kwenye slaidi 20 kutoka vipande vya tishu ambavyo modeli haikuwahi kuviona, ilifikia usahihi wa takriban 73.3% katika kiwango cha eneo na ilitoa michoro iliyolingana kimaelezo na michoro ya wataalamu. Matokeo haya ni ya uthibitisho wa dhana na yanahitaji kuthibitishwa katika makundi makubwa ya kitabibu.
Jukwaa linalotumia ujifunzaji wa mashine kutabiri nishati ya akiba ya molekuli ndogo
Kichwa asilia: A machine learning-based platform for predicting the potential energy of small molecules
Makadirio sahihi ya nishati ya akiba ya molekuli ndogo baada ya kupunguza nishati ni muhimu kwa kubuni molekuli za dawa na za usafirishaji wa jeni. Waandishi walijenga miundo ya ujifunzaji wa kina, ikiwemo miundombinu ya CNN-BiLSTM yenye na isiyo na umakini wa vichwa vingi, na kuifunza kwenye mkusanyiko wa data wa miundo ya molekuli ndogo kwa kutumia uwakilishi wa mfuatano wa atomu kwa atomu. Inaripotiwa kuwa miundo hiyo inazidi mbinu za jadi za ujifunzaji wa mashine zinazotegemea vielelezo, na utaratibu wa umakini unasemekana kuboresha ujumlishaji.
Kutumia muundo wa kielektroni kuongoza AI katika kubuni vifaa vipya
Kichwa asilia: Using electronic structure to guide AI in designing new materials
Muundo huamua kazi, kwa hiyo wanasayansi wanazidi kutumia AI kubuni mpangilio wa atomi katika nyenzo mpya zenye sifa zinazotakiwa. Watafiti katika Taasisi ya Sayansi ya Viwanda ya Chuo Kikuu cha Tokyo walipanua modeli maarufu ya AI ya kuzalisha ili iweze kubuni muundo wa kielektroniki wa nyenzo pamoja na muundo wake wa kristali. Modeli mpya, MatterGen-e⁻, imeripotiwa katika npj Computational Materials.
Utafiti mdogo wagundua kuwa tabia za kuchati na kulipa kupitia simu janja husaidia AI kutambua msongo wa mawazo wa kila siku
Kichwa asilia: Smartphone chatting and payment habits help AI identify daily stress, small study finds
Dalili za msongo wa mawazo zinaweza kufichwa katika tabia za kila siku za simu janja kama vile kupiga gumzo, kutafuta na kufanya malipo. Watafiti wa KAIST walitengeneza teknolojia inayochambua tabia kadhaa za kawaida zinazorudiwa ndani ya programu ili kutambua hali ya msongo wa mawazo ya mtu ya kila siku.
Uundaji wa miundo kwa kutumia AI ya anga-wakati wa udhibiti wa jeni na athari za virianti katika ubongo wa binadamu unaokua kwa kutumia Seal
Kichwa asilia: Spatiotemporal AI-based modeling of gene regulation and variant effects in the developing human brain using Seal
Utafiti huu unashughulikia jinsi tofauti za kijenetiki zinavyounda udhibiti wa jeni katika ubongo wa binadamu unaokua, ambapo data ni chache. Waandishi waliunda Seal, mfumo wa kujifunza kwa uhamishaji wa AI unaoweza kufasirika, unaotabiri usemi wa jeni na athari za virianti katika maeneo 26, aina 30 za seli na hatua 7 za ukuaji. Katika data za jenomu nzima za tawahudi, Seal ilipata mzigo mkubwa wa kitakwimu wa virianti vya udhibiti vya de novo katika niuroni za kusisimua za fetasi za muda mfupi.
Kutabiri Vidokezo vya Mageuzi Makubwa kwa AI
Kichwa asilia: Forecasting Tipping Points with AI
Vilele vya mabadiliko, ambavyo baada yake mfumo hauwezi kurudi katika hali yake ya awali, ni vigumu zaidi kutabiri kuliko mabadiliko ya hali ya hewa ya muda mfupi. Timu inayoongozwa na Caltech ilionyesha kwamba recurrent neural operator (RNO), aina ya mtandao wa neva, inaweza kutabiri vilele vya mabadiliko vinapotokea katika miundo rahisi. Hii inajumuisha muundo wa mfumo wa mabadiliko ya tabianchi na uigaji wa mtiririko wa hewa wenye msukosuko juu ya bawa la ndege. Makala hiyo ilichapishwa katika PNAS.
Uundaji mseto kwa utabiri bora wa muundo wa changamano kubwa za protini
Kichwa asilia: Hybrid modeling for improved structure prediction of large protein complexes
Utafiti huu unalenga kutabiri miundo ya changamano kubwa za protini. Waandishi waliunda HDOCK-Multimer (HDM), mfumo otomatiki unaounganisha uunganishaji wa ab initio (docking) na uunganishaji wa mchanganyiko. Katika vipimo vitatu vya ulinganisho, HDM ilikuwa sahihi zaidi na imara zaidi kuliko mbinu za kisasa za uunganishaji na mbinu zinazotegemea ujifunzaji wa kina kwa mikusanyiko mikubwa ya protini.
Modeli ya AI yafasiri lugha ambayo seli hutumia kuwasiliana
Kichwa asilia: AI model decodes the language cells use to communicate
Wakati wa ukuaji wa kiinitete, seli hupokea ishara za kemikali zinazowasha au kuzima jeni na kubainisha majukumu yao. Kufuatilia mfuatano wa ishara ambazo seli imepokea kumekuwa kugumu, kwa sababu njia za uashiriaji zilidhaniwa kutofautiana sana kati ya aina za seli. Watafiti wa MIT na Whitehead Institute walitengeneza mfumo wa kikokotozi kushughulikia hili, ambao unaweza kusaidia kuharakisha uhandisi wa seli shina, kuboresha miundo ya magonjwa, na kutoa taarifa kwa matibabu ya saratani.
Kuendeleza utabiri wa kipindi cha chini ya msimu kwa ujifunzaji wa mashine
Kichwa asilia: Advancing subseasonal forecasting with machine learning
Ustadi wa utabiri hushuka kwa kasi katika vipindi vya muda vya kati ya msimu vya wiki 2 hadi 6 mbele. Waandishi wanawasilisha probabilistic bias correction, mfumo wa kujifunza kwa mashine unaojifunza kusahihisha utabiri wa kihistoria wa kiuwezekano, na kuutumia kwa mifumo inayoongoza ya ECMWF ya kidinamiki na ya AI. Ulizidisha mara mbili ustadi mdogo wa kati ya msimu wa AI Forecasting System na kuboresha mfumo wa kidinamiki kwa malengo mengi ya shinikizo, joto na mvua, na katika shindano la wakati halisi la ECMWF la 2025 utabiri wake wa kimataifa ulikuwa bora zaidi.
Uainishaji wa kliniki wa mafuta ya kahawia ya binadamu unaowezeshwa na akili bandia
Kichwa asilia: Artificial intelligence-enabled clinical phenotyping of human brown fat
Mbinu za kupima shughuli za tishu za mafuta ya kahawia (BAT) kwa binadamu kwa kiwango kikubwa zimekuwa hazipo. Kwa kutumia data kutoka kwa wagonjwa 101,243 katika kituo kikubwa cha saratani, waandishi walipima shughuli za BAT kwa njia ya nusu-otomatiki kwa wagonjwa takriban 8,700 kwa kutumia kujifunza kwa mashine. Shughuli ya juu ya BAT, hasa katika eneo la kwapa, ilihusishwa na uwezekano mdogo wa ugonjwa wa moyo na kimetaboliki na mgawanyo bora wa mafuta meupe.
Ushahidi wa mkusanyiko wa multi-Li + katika elektroliti za betri za lithium-ion
Kichwa asilia: Evidence for multi-Li + clustering in lithium-ion battery electrolytes
Muundo wa uyeyushaji wa wingi wa elektroliti za betri za lithiamu-ioni ni mgumu kubainishwa kwa undani wa kiatomi kwa majaribio pekee. Waandishi walichanganya masimulizi ya kiatomi yanayowezeshwa na kujifunza kwa mashine, taswira ya NMR, data za kielektrokemia na hesabu za kemia ya kwantumu. Walibaini changamano za Li+ nyingi ambazo hazikuwahi kuchunguzwa awali, zisizo na anioni zilizofungwa, ambazo hupunguzwa kwa urahisi, jambo linalosaidia kueleza kwa nini mchanganyiko wa vimumunyisho vya ethylene-carbonate uliochaguliwa kwa majaribio hufanya kazi.
Jinsi mitandao bandia ya neva inavyojijengea mashine zake za kujifunza
Kichwa asilia: How artificial neural networks build their own learning machinery
Kundi la vitengo vilivyounganishwa kwa nasibu linaweza kujipanga upya kuwa mtandao madhubuti wa kuchakata taarifa likipewa kanuni rahisi za wakati na jinsi miunganisho inavyopaswa kubadilika. Timu ya MIT inasema kuwa uwezo wa mtandao bandia kujipanga wenyewe, bila mwongozo wa msanidi programu, ni kipimo muhimu cha uwezekano wa kibaolojia. Watafiti wanatahadharisha kuwa mitandao kama hiyo huenda isitoe uelewa mwingi kuhusu ujifunzaji wa kibaolojia.
AI inakaribia kutatua dhana ya Riemann, mojawapo ya matatizo magumu zaidi ya hisabati
Kichwa asilia: AI edges closer to solving the Riemann hypothesis, one of math’s hardest problems
Claude agundua mfumo mpya wa kimeng'enya
Kichwa asilia: Claude discovers a novel enzyme system
Maabara mpya ya sayansi ya uhai ya Anthropic hutumia Claude kuchunguza mikusanyiko ya data za DNA kutafuta familia za protini ambazo hazijabainishwa. Katika matokeo ya awali, kwa mwelekeo wa kiwango cha juu tu kutoka kwa wanasayansi, mawakala wa Claude walipata mfumo mpya wa kimeng'enya wenye kazi isiyojulikana na sifa zinazofanana na CRISPR. Kazi hii inalenga kuzalisha dhana kwa kiwango kikubwa na kuzijaribu maabara.
NiCLIP: modeli ya mafunzo ya awali ya kulinganisha lugha na picha za nyuroimejing kwa kutabiri maandishi kutoka kwa picha za uamilifu wa ubongo
Kichwa asilia: NiCLIP: neuroimaging contrastive language-image pretraining model for predicting text from brain activation images
NiCLIP ni modeli ya AI inayofasiri kazi za kiakili, dhana na nyanja kutoka kwenye mifumo ya uamilifu wa ubongo. Ilifunzwa kwa zaidi ya makala 23,000 na inaripotiwa kuwazidi vifasiri vya kawaida katika ufasiri wa kiwango cha kikundi. Ilitabiri kazi za kiakili kwa usahihi kutoka kwenye ramani za kiwango cha kikundi za Human Connectome Project, lakini ilionyesha mapungufu kwenye ramani za kiwango cha mtu mmoja zenye kelele.
Modeli msingi ya yote-kwa-moja kwa ajili ya kurejesha na kuboresha picha za kimatibabu za modalitii nyingi
Kichwa asilia: An all-in-one foundation model for multimodal medical image restoration and enhancement
AMIFound ni modeli msingi inayorejesha na kuboresha picha za kimatibabu zilizoharibiwa na kelele, kasoro za mwendo, utofautishaji mdogo au upigaji picha wa kipimo cha chini cha mionzi katika modalitii saba, zikiwemo CT, MRI, PET, endoscopy, ultrasound, fundus na X-ray. Ikiwa imefunzwa kwa picha jozi milioni 3.76, ilizidi misingi ya ulinganisho 38 ya kazi mahususi na ya jumla katika vipimo vya ubora wa picha, tathmini ya madaktari na majaribio ya uthabiti. Picha zilizoboreshwa pia ziliboresha kazi 44 za kugundua magonjwa, utabiri wa hatua ya uvimbe na upangaji wa hatari ya kuishi katika saratani ya mapafu isiyo ya seli ndogo.
HIP: Hessian Interatomic Potentials bila viasili
Kichwa asilia: HIP: Hessian Interatomic Potentials without derivatives
Hessian za molekuli, yaani viambatanisho vya pili vya nishati tendaji, zinahitajika katika michakato mingi ya kemia ya kikokotozi lakini ni ghali kukokotoa na hupanuka vibaya kulingana na ukubwa wa mfumo. Waandishi wanawasilisha HIP, modeli ya ujifunzaji wa kina inayotabiri Hessian moja kwa moja, bila utofautishaji wa kiotomatiki au tofauti finyu, kwa kutumia sifa za SE(3)-equivariant kutoka kwenye mtandao wa neva wa grafu. HIP imeripotiwa kuwa haraka na sahihi zaidi kwa mpangilio wa ukubwa mmoja hadi miwili kuliko Hessian za utofautishaji wa kiotomatiki, na kufanya vizuri katika utafutaji wa hali ya mpito, uboreshaji wa jiometri na uchanganuzi wa mtetemo.
Ishara zilizofichika katika usingizi zinaweza kutabiri afya ya baadaye
Kichwa asilia: Hidden signals in sleep can predict future health
Zana za AI zinaweza kutoa mifumo ya kifiziolojia kutoka usiku mmoja wa usingizi ambayo vipimo vya kawaida vya usingizi hukosa, na mifumo hii inahusishwa na magonjwa na vifo. Makala mbili za hivi karibuni, katika Nature Communications na Nature Medicine, zinaonyesha kuwa data za usingizi zina taarifa nyingi zaidi za kiafya kuliko ambazo madaktari na watafiti wanazitoa kwa sasa. Ushahidi unaoongezeka pia unaonyesha kuwa mabadiliko ya usingizi yanaweza kujitokeza kabla ugonjwa haujagunduliwa.
Uchambuzi wa kujifunza kwa mashine wa usafirishaji wa chembe unaoendeshwa na silia hutofautisha dyskinesia ya msingi ya silia na silia za kawaida
Kichwa asilia: Machine learning analysis of cilia driven particle transport distinguishes primary ciliary dyskinesia from normal cilia
Primary ciliary dyskinesia (PCD) ni hali ya kijenetiki yenye silia zisizotembea ipasavyo, na utambuzi bado ni changamoto. Waandishi walitengeneza CiliaTracks, mfumo wa kujifunza kwa mashine unaochanganua usafirishaji wa chembe kwenye seli za njia ya hewa zilizokuzwa maabara, zilizonaswa kwa darubini ya kasi ya juu. Miundo ya kawaida ya kujifunza kwa mashine na mtandao wa neva wa kiviringisho (convolutional) uliainisha rekodi kutoka kwa watu 14 wenye PCD na wachangiaji 10 wenye afya kwa usahihi wa 95-97%.
Kidogo kinaweza kuwa bora zaidi katika kutabiri sifa kwa kutumia miundo mikubwa ya lugha
Kichwa asilia: Less can be more for predicting properties with large language models
Kutabiri sifa kutoka kwa data ya viwianishi na kategoria, kama vile nishati za uundaji au moduli za unyumbufu kutoka kwa miundo ya fuwele, ni jambo kuu katika sayansi ya komputa, na miundo mikubwa ya lugha (LLM) imetumika kwa kazi hiyo. Kwa kutumia seti za data bandia na kipimo cha MatText, waandishi wanagundua kuwa LLM hushindwa kila mara kunasa taarifa za viwianishi huku zikishughulikia vizuri mifumo ya kategoria. Hali hii inadumu katika ukubwa wa miundo hadi vigezo bilioni 70, seti za data hadi miundo 2 × 10^6, na uwakilishi tofauti wa maandishi, na kwa utabiri wa sifa unaotawaliwa na athari za muundo, usanifu maalum wa kijiometri hufanya vizuri kuliko LLM.
ETSAM: kugawa kwa ufanisi utando wa seli katika tomogramu za cryo-electron
Kichwa asilia: ETSAM: effectively segmenting cell membranes in cryo-electron tomograms
Utando wa seli ni vigumu kutofautishwa katika ujazo wa tomografia ya elektroni ya cryo wenye kelele. Waandishi wanawasilisha ETSAM, mbinu ya hatua mbili inayorekebisha kwa ustadi Segment Anything Model 2 (SAM2) ili kugawa utando, iliyofunzwa kwa tomogramu 83 za majaribio halisi na 28 za kuigwa. Kwenye tomogramu 17 za majaribio halisi za upimaji, ilizipita mbinu nyingine za kujifunza kwa kina kwa unyeti wa juu na usahihi bora zaidi.
Saketi za fotoniki zageuka kuwa maunzi ya AI yanayoweza kufunzwa
Kichwa asilia: Photonic circuits become trainable AI hardware
Waandishi wanaonyesha mbinu ya kujifunza papo hapo inayotegemea fizikia ambayo hupima moja kwa moja miinuko ya macho katika saketi jumuishi za fotoniki. Inaruhusu miundo mbalimbali ya saketi kufunzwa baada ya utengenezaji, bila kuhitaji modeli kamili ya kidijitali ya saketi. Vifaa hivyo vimeripotiwa kufikia usanifu wa matriki, hesabu za mawimbi mengi na meta-kujifunza kwa haraka.
Tangermeme: zana ya kuelewa mantiki ya udhibiti wa cis kwa kutumia modeli za kujifunza kwa kina
Kichwa asilia: Tangermeme: a toolkit for understanding cis-regulatory logic using deep learning models
Mifumo ya kujifunza kwa kina inaweza kutabiri data za jenomu vizuri, lakini hatua ngumu zaidi ni kuitumia kwa ugunduzi wa kibiolojia. Makala hii inaeleza tangermeme, zana iliyoboreshwa sana kwa sehemu za kujifunza kwa kina kwa jenomu zisizo mfumo wenyewe. Inaonyesha jinsi tangermeme inavyoweza kuchuja ruwaza za udhibiti wa cis zilizojifunzwa na mifumo kuwa maarifa yanayoweza kueleweka na binadamu.
OpenAI yachapisha mapema makala 700 za hisabati mtandaoni: wanahisabati wakasirika
Kichwa asilia: OpenAI posts 700 maths preprints online: mathematicians are up in arms
OpenAI ilitumia modeli ambayo haijatolewa kwenye mamia ya matatizo ya hisabati yenye hadhi ya juu na kuchapisha zaidi ya makala 700 za awali zilizotengenezwa na AI kwenye GitHub tarehe 6 Oktoba. Baadhi ya wanahisabati walikaribisha suluhisho za matatizo ya muda mrefu, huku wengine wakilalamika kwenye mitandao ya kijamii kwamba wametangulizwa. Mwanahisabati mmoja aliita mafuriko hayo "slopocalypse", ingawa maudhui bado yanaweza kuthibitika kuwa sahihi kirasmi.
Utabiri wa mtikisiko unaoweza kujumlishwa
Kichwa asilia: Generalizable perturbation prediction
Data ya mvurugo wa seli hufichua uhusiano wa kisababishi wa udhibiti, lakini data kama hiyo mara nyingi ni adimu, jambo linalochochea mbinu zinazotabiri mwitikio katika muktadha mmoja kutoka kwa mingine. Waandishi walitengeneza State, modeli ya kujifunza kwa mashine inayochanganya modeli ya mpito wa hali inayotegemea transfoma kwa athari za mvurugo wa seli moja na modeli ya uwakilishi wa seli iliyofunzwa awali. Ilifunzwa kwa data ya mvurugo kutoka seli zaidi ya milioni 100 na data ya uchunguzi kutoka seli milioni 167, na timu pia ilijenga Cell-Eval, mfumo wa tathmini wa kulinganisha modeli.
Ugawaji wa uvimbe wa ubongo kwa kutumia usawazishaji wa histogramu ulioboreshwa kwa chembe kundi na U-Net inayotegemea VGG19
Kichwa asilia: Brain tumor segmentation using particle swarm optimized histogram equalization and a VGG19 based U-Net
Ugawaji wa uvimbe wa ubongo kwenye MRI ni wa polepole, hukabiliwa na makosa, na huathiriwa na upendeleo wa mwendeshaji, na modeli za kujifunza kwa kina mara nyingi hukosa uwezo wa kufasirika. Waandishi wanapendekeza SPOHE-VGGNet, inayochanganya U-Net iliyobadilishwa na VGG-19 pamoja na usawazishaji wa histogramu ulioboreshwa kwa chembe kundi (particle swarm) ili kuongeza utofautishaji wa MRI. Ilifikia alama za Dice za 0.9522 (meningioma), 0.9428 (glioma) na 0.9518 (uvimbe wa tezi ya pituitari) kwenye seti ya data ya Figshare na 0.9463 kwa ugawaji wa uvimbe mzima kwenye BraTS 2021, ingawa waandishi wanasema kuwa uthibitisho wa nje, wa ujazo na unaozingatia wataalamu wa kliniki bado unahitajika kabla ya matumizi ya kliniki.
Kufungua uwezo wa miundo msingi ya kijiografia ya sayari ya Earth AI kwa afya ya umma duniani
Kichwa asilia: Unlocking Earth AI’s planetary geospatial foundation models for global public health
Maamuzi ya afya ya umma mara nyingi hucheleweshwa na ucheleweshaji wa kuripoti, data zilizotengwa, na uchache wa data. Population Dynamics Foundation Model (PDFM) ya Google hubana mielekeo ya utafutaji inayolinda faragha, uhamaji wa watu, msongamano wa mazingira yaliyojengwa, na vipengele vya kimazingira kuwa viwakilishi vya maeneo (location embeddings). Viwakilishi hivi vinaweza kuunganishwa kwenye miundo ya epidemiolojia iliyopo bila kurekebisha kwa kazi mahususi, na tafiti tano za kesi za washirika ziliwasilishwa.
Uchambuzi sahihi na wenye nguvu wa kutosha wa kesi na udhibiti wa data za molekuli za kimaeneo
Kichwa asilia: Accurate and well-powered case–control analysis of spatial molecular data
Mbinu zilizopo za data za molekuli za anga mara nyingi hutumia dhana zenye vikwazo ambazo zinaweza kukosa ishara muhimu za magonjwa. VIMA, mbinu ya kujifunza kwa kina, hutumia kundi la variational autoencoders kufupisha vipande vidogo vya tishu na kutambua microniches ambazo wingi wake unahusiana na hali ya kisa au udhibiti. Katika masimulizi ilipimwa vizuri na ilikuwa na nguvu, na ilipotumika kwenye seti za data zinazohusu magonjwa matatu ilipata biolojia inayojulikana na kutambua sifa mpya za anga za ugonjwa.
ProFormer: uainishaji unaoweza kujumlishwa wa protiomu za seli moja na plasma kwa kutumia ujifunzaji wa kina
Kichwa asilia: ProFormer: generalizable classification of single-cell and plasma proteomes using deep learning
Mifumo ya sasa ya kazi ya proteomiki ina kasi ndogo ya uchakataji na inahitaji usindikaji mkubwa wa data, jambo linalopunguza kasi ya uainishaji wa sampuli. ProFormer ni mfumo wa kujifunza kwa kina unaotegemea transformer unaochukua moja kwa moja vipengele vya ioni za peptidi vya kiwango cha MS1 kutoka kwenye data ya spektrometri ya wingi. Ulizidi mbinu za jadi za kujifunza kwa mashine na CNN katika miundo 14 na uliainisha proteomu za seli moja kwa aina ya seli, hatua ya mzunguko, na mkondo wa utofautishaji, pamoja na hali ya ugonjwa wa mgonjwa kutoka kwenye proteomu za plasma.
CellART: mfumo mmoja wa kuchota taarifa za seli moja kutoka kwa transkriptomiki ya anga yenye azimio la juu
Kichwa asilia: CellART: a unified framework for extracting single-cell information from high-resolution spatial transcriptomics
Majukwaa ya spatial transcriptomics ya azimio la juu hunasa idadi ndogo ya nakala za transcript kwa kila doa au hupima idadi ndogo tu ya jeni, jambo linalofanya taarifa za seli moja kuwa ngumu kuzipata. CellART inaunganisha picha za upakaji rangi, data ya spatial transcriptomics na marejeo ya single-cell RNA-seq, ikitumia kujifunza kwa kina na uundaji wa kiuwezekano kugawa seli na kutambua aina za seli kwa wakati mmoja. Waandishi wanaripoti kuwa ni bora kiutendaji, inaweza kujumlishwa na imara, na kwamba matokeo yake yanaoana na zana zinazotumiwa sana na jamii.
Mfumo wa uchakataji unaoendeshwa na ujifunzaji wa kina kwa ajili ya kutofautisha hypertrophic cardiomyopathy na cardiac amyloidosis kwa kutumia echocardiography ya 2D yenye mitazamo mingi
Kichwa asilia: A deep learning-driven pipeline for differentiating hypertrophic cardiomyopathy from cardiac amyloidosis using 2D multi-view echocardiography
Kardiomiopathia ya hypertrofia (HCM) na amiloidosisi ya moyo (CA) hufanana kwenye ekokadiografia, jambo linalofanya iwe vigumu kuzitofautisha. Utafiti huu uliunda mfumo wa kujifunza kwa kina (deep learning) unaoainisha picha za 2D za eko katika mionekano mitano muhimu kitabibu, kuchota sifa kutoka kila mwonekano na kuziunganisha. Katika uthibitishaji mtambuka mara tano kwa wagonjwa 212 wa HCM, 119 wa CA na 200 wa kudhibiti, ulifikia usahihi (precision) wa 0.83, unyeti wa 0.81, umahususi wa 0.89 na micro-F1 ya 0.82, na waandishi wanauelezea kuwa zana ya uchunguzi inayotegemewa.
AI hii inayotumia nguvu ya mwanga inaweza kutambua deepfake kwa usahihi wa karibu 98%
Kichwa asilia: This light-powered AI can spot deepfakes with nearly 98% accuracy
Watafiti katika UCLA walijenga kichakataji cha neva-macho kinachotumia mwanga kugundua video bandia za deepfake, kwa lengo la kuchuja kiasi kinachoongezeka cha video zinazozalishwa na AI. Tofauti na mifumo ya kawaida inayochunguza video moja baada ya nyingine, kinachanganua mitiririko 15 au zaidi ya video kwa wakati mmoja katika mpito mmoja wa macho. Timu inaripoti usahihi wa karibu 98% katika kugundua, na utafiti huo ulichapishwa katika eLight.
Sayansi iliyoumbwa na Claude
Kichwa asilia: Claude-shaped science
Prof. Matthew Schwartz anaeleza jinsi, baada ya kuacha kupambana na Claude na kuiacha itafute matatizo yanayofaa uwezo wake wa sasa, alivyotengeneza BootLoops, zana ya hesabu sahihi katika sayansi ya kiasi. Kwa sababu hesabu zinazofanana hujirudia katika nyanja mbalimbali, Claude ilipata uhusiano na ikolojia, jenetiki ya idadi ya watu, na nyanja nyingine kumi na mbili, ingawa mara nyingi uhusiano huo ulikuwa sahihi kitaalamu lakini mwanzoni haukuwa wa kushangaza. Kisha Schwartz alifanya kazi na wataalamu wa nyanja hizo kuielekeza BootLoops kwenye maswali yanayozihusu nyanja hizo.
Miundo mikubwa ya lugha hugundua mbinu saidizi zinazokamilishana kwa uboreshaji wa kombinatoria
Kichwa asilia: Large language models discover complementary heuristics for combinatorial optimization
Uboreshaji wa mchanganyiko (combinatorial optimization) unasimamia maamuzi katika utengenezaji, usafirishaji na nishati, lakini kubuni heuristiki kwa kila toleo jipya huhitaji juhudi za wataalamu kwa miezi kadhaa, na utengenezaji wa msimbo kwa LLM kwa awamu moja mara nyingi hushindwa. LACE hugawanya usanifu wa algoriti katika schemas, maktaba ya zana na jalada la heuristiki, kisha huendeleza heuristiki maalum zinazokamilishana ndani ya mipaka ya muda wa utekelezaji. Katika matatizo 36 ya kawaida ya CO-Bench ilipata wastani wa 0.945, ikilinganishwa na 0.870 kwa mbinu bora zaidi ya awali inayotegemea LLM na 0.571 kwa uelekezaji wa moja kwa moja (direct prompting).
AI hii ya kucheza michezo ndiyo bingwa mpya wa Stratego
Kichwa asilia: This game-playing AI is the new champ at Stratego
Watafiti wameunda mfumo wa AI kwa ajili ya Stratego, mchezo wa ubaoni wa wachezaji wawili ambamo vipande vya mpinzani vimefichwa na ambao mara nyingi hutumika kupima fikra za kimkakati. Kwa kuchanganya algoriti bora za mafunzo na mbinu mpya za kufanya maamuzi katika hali ya taarifa zilizofichwa, mfumo huo uliwashinda wachezaji bora wa kibinadamu kwa tofauti kubwa na kuzidi miundo mingine bora zaidi huku gharama ya kuufunza ikiwa ndogo zaidi. Pia uliwashinda wachezaji bora wa kibinadamu katika michezo mingine ya mkakati yenye kanuni tofauti.
Kuelekea miundo ya mtindo wa msingi kwa vitambuzi tofauti vya neutrino vya mpaka wa nishati kupitia mafunzo ya awali yanayojisimamia yenyewe
Kichwa asilia: Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pretraining
Ufasiri wa matukio katika vigunduzi vya neutrino vya mpaka wa nishati hauwezekani kwa ujenzi upya wa kawaida na ni mgumu kwa mifumo yenye usimamizi pale data zenye lebo zinapokuwa chache. Waandishi wanafunza awali Vision Transformer chache (sparse) kwa ujenzi upya wa masked-autoencoder na malengo ya kiwango cha voxel yanayohusiana, kisha wanaiboresha kwa pamoja kwenye uainishaji na urejeshi. Kwenye matukio yaliyoigwa ya kalorimita ya FASER iliyopendekezwa, mafunzo ya awali yaliboresha utambuzi wa flavour na charm-quark, urejeshi wa kasi-msukumo na ujenzi upya wa vertex, na kwa matukio yapatayo 1,000 yenye lebo, kisimbaji kilichofunzwa awali kililingana na utendaji wa uainishaji wa flavour wa mfumo uliofunzwa kuanzia mwanzo.
Kutabiri hatari za hali ya hewa ya anga za juu kwenye gridi za umeme
Kichwa asilia: Forecasting space weather risks on power grids
Matukio makali ya hali ya hewa ya anga za juu yanaweza kusababisha mikondo katika mitandao ya usambazaji inayoharibu vifaa, na waendeshaji wa gridi wanahitaji kujua ni lini na wapi athari zitakuwa kali zaidi wakiwa na tahadhari ya kutosha. Microsoft Research ilijenga mfumo wa kujifunza kwa mashine unaounganisha data ya upepo wa jua, utabiri wa AE na Dst, latitudo ya eneo, jiolojia, na upitishaji umeme wa ardhi ili kutoa makadirio ya hatari kwa vituo vidogo vya umeme 66,935 katika Marekani bara. Katika kipindi cha tathmini ilitambua karibu 80% ya matukio makubwa ya hali ya hewa ya anga za juu na inaweza kuwaonya waendeshaji dakika 30 hadi 60 kabla ya hatari mahususi kujitokeza.
D4RT: Ujenzi Upya na Ufuatiliaji wa Mandhari ya 4D Ulioungana na wa Haraka
Kichwa asilia: D4RT: Unified, Fast 4D Scene Reconstruction & Tracking
Zana ya AI ya kuchora ramani ya mazao ya wakulima wadogo yajithibitisha nchini Senegal
Kichwa asilia: AI tool for mapping smallholder crops proves itself in Senegal
Mashamba madogo ya Senegal yanayotegemea mvua huiacha sehemu kubwa ya wakazi katika hatari ya mishtuko ya tabianchi, ilhali zana za kuchora ramani za mazao kwa kutumia setilaiti kwa kiasi kikubwa hazipatikani. Watafiti wa Chuo Kikuu cha Cambridge walitumia Tessera, modeli ya AI ya chanzo huria iliyofunzwa kwa picha za setilaiti, kuchora ramani ya mazao katika eneo la karanga la Senegal. Katika majaribio ilitoa matokeo sahihi kwa 84% ya nyakati, kwa usahihi zaidi kuliko mbinu za sasa, huku ikitumia sehemu ndogo tu ya rasilimali za kompyuta na data iliyowekewa lebo. Katika hali moja ilifanya vizuri zaidi kwa 28% kuliko modeli bora inayofuata.
Tunakutambulisha Quine: Mfumo wa utafiti wa AI ulioundwa kwa ajili ya ugumu wa biolojia
Kichwa asilia: Introducing Quine: An AI research system designed for the complexity of biology
Quine ya Microsoft Research ni jitihada ya hatua za awali ya kujenga modeli ya dunia ya baiolojia yenye njia nyingi (multimodal) na mfumo shirikishi unaounganisha modeli, zana za kisayansi, machapisho, na watafiti, ukiwasaidia wanasayansi kuweka kipaumbele kwenye dhana kabla ya majaribio ya maabara. Kwa ushirikiano na watafiti wa Broad Institute of Harvard and MIT, timu ilitumia mfumo huo kuweka kipaumbele kwenye misombo inayotabiriwa kuchochea mabadiliko ya kitiba ya hali ya uvimbe, na ilithibitisha wagombea kadhaa waliopewa nafasi za juu kupitia vipimo mbalimbali vya maabara. Mfumo huu ni wa majaribio, unakusudiwa kwa utafiti pekee, na matokeo yake yanahitaji kukaguliwa na watafiti wenye sifa.
Fomula mpya husaidia chanjo za RNA kustahimili joto la juu
Kichwa asilia: New formulation helps RNA vaccines withstand high temperatures
Chanjo za RNA kwa kawaida huhitaji hifadhi ya baridi kali sana, kwa hiyo watafiti wa MIT walitumia algoriti ya AI kurekebisha mchanganyiko unaozunguka chembechembe ndogo za lipidi zinazobeba chanjo za mRNA. Algoriti ilitabiri mchanganyiko bora, ikipunguza idadi ya majaribio yaliyohitajika na kuharakisha uundaji. Chanjo zilizopatikana zilidumu imara hadi mwaka mmoja kwenye joto la kawaida au miezi miwili kwenye karibu 100°F, na kwa panya chanjo ya Covid-19 ilizalisha mwitikio wa kinga wenye nguvu sawa na ule wa chanjo ya RNA inayofanana na ya Moderna.
Tathmini ya hatari za hali ya hewa za kikanda kutoka kwa miundo ya hali ya hewa kwa kutumia kujifunza kwa mashine kwa uwezekano
Kichwa asilia: Regional climate risk assessment from climate models using probabilistic machine learning
Modeli za hali ya hewa ni pana mno kwa maamuzi ya hatari ya kikanda, na mbinu zilizopo za kupunguza ukubwa wa azimio ni ghali mno kwa makundi makubwa ya miigo, hukosa utegemezi wa vigeu vingi, au huhitaji jozi za mafunzo zinazolingana kwa wakati ambazo makadirio huru hukosa. GenFocal ni mfumo wa AI zalishi unaozalisha hali ya hewa ya kina kidogo yenye usahihi wa kitakwimu kutoka kwa makadirio mapana bila data ya mafunzo ya jozi. Unaunda hatari za muda mrefu kama mawimbi ya joto na vimbunga vya tropiki, huchukua sampuli za matukio adimu yenye athari kubwa kwa usahihi zaidi kuliko mbinu zinazoongoza, na huboresha makadirio ya kikanda ya hali mbaya zilizoungana.
Claude imeboresha kikomo cha chini cha muda mrefu cha sehemu ya sifuri za kitendakazi zeta cha Riemann zinazokidhi dhana ya Riemann
Kichwa asilia: Claude has improved on a longstanding lower bound for the fraction of zeros of the Riemann zeta function that satisfy the Riemann hypothesis
Dhana ya Riemann, tatizo ambalo bado halijatatuliwa, inasema kwamba sifuri zote za kitendakazi zeta cha Riemann ziko kwenye mstari fulani wima. Alipokuwa akijaribu tatizo hilo, toleo la utafiti la Claude ambalo halijatolewa hadharani halikuithibitisha, lakini liliboresha kikomo cha chini cha muda mrefu cha sehemu ya sifuri zinazoikidhi, na kukipandisha kutoka 41.6% hadi 67.2%. Wanahisabati wawili wa Anthropic walihakiki makala hiyo na kuandika noti isiyo rasmi ya wataalamu, na Claude pia alitoa uthibitisho unaoweza kuhakikiwa kirasmi. Matokeo hayo hayatarajiwi kupelekea uthibitisho wa dhana yenyewe.
Claude inakokotoa amplitudo ya mizunguko tisa katika N=4 super-Yang-Mills
Kichwa asilia: Claude computes a nine-loop amplitude in N=4 super-Yang-Mills
Mwanafizikia na mwandishi wa sayansi Matt von Hippel alizipa changamoto kampuni za AI kutatua tatizo gumu la fizikia ya nadharia: kukokotoa amplitudo ya mizunguko tisa katika N=4 super-Yang-Mills. Claude aliikokotoa, na kuishinda changamoto hiyo takriban mwezi mmoja baadaye.
Kukadiria hatari ya kujiua kutoka kwenye maandishi
Kichwa asilia: Estimating suicide risk from text
Kutambua watu walio katika hatari kubwa ya kujiua ni kipaumbele kwa washauri wakati wa migogoro ya afya ya akili. Watafiti katika Taasisi ya McGovern ya MIT waliunda zana ya usindikaji wa lugha inayotafuta katika maandishi maneno na vifungu vinavyohusishwa na vigezo 49 vya hatari ya kujiua ili kukadiria hatari ya mtu binafsi. Katika mazungumzo ya maandishi na washauri wa migogoro, zana hiyo ilitabiri kwa usahihi hatari ya kujiua, na kwa uthibitishaji zaidi inaweza kusaidia katika tathmini ya hatari katika mazingira ya kliniki na ya msaada wakati wa migogoro.
Roboti ndogo inayoruka ya MIT yaongezeka kasi kwa 450% kwa AI
Kichwa asilia: MIT’s tiny flying robot gets 450% faster with AI
Roboti zinazoruka za ukubwa wa wadudu kwa kawaida zimekuwa za polepole na zenye kikomo cha njia rahisi za kuruka. Watafiti wa MIT waliunda kidhibiti kinachotumia AI chenye mfumo wa udhibiti wa sehemu mbili unaowezesha kupindua mwili mara kwa mara. Ikilinganishwa na matokeo bora ya awali ya timu, kasi ya roboti iliongezeka kwa takriban 450% na kasi ya mabadiliko ya mwendo (acceleration) kwa takriban 250%, na ilikamilisha mizunguko 10 ya kuruka ndani ya sekunde 11 hata chini ya misukosuko ya upepo.
Jinsi Claude inavyoinua uundaji wa mifano ya biomolekuli
Kichwa asilia: How Claude is uplifting biomolecular modeling
Modeli huria zinazotumiwa na wanasayansi kutabiri na kubuni biomolekuli zilikuwa polepole na zinazotumia kumbukumbu nyingi. Kwa kufanya kazi ndani ya Claude Science, Claude iliboresha zaidi ya modeli 30 kati ya hizi katika chini kidogo ya wiki nne, ikizifanya ziwe haraka mara 4 kwa wastani. Pia ilijenga hali ya kumbukumbu ndogo inayoruhusu utabiri sahihi wa mifumo mikubwa kuliko tokeni 10,000 kwenye nodi moja ya GPU ya NVIDIA, na msimbo ulioboreshwa unafanywa kuwa huria.