AI اور دنیا کے مشکل مسائل ─ نظریاتی کمپیوٹر سائنس
AI کے ذریعے آگے بڑھنے والے سائنس اور علم، شعبے کے لحاظ سے
RSS فیڈ · 6 آئٹمز
تاریخ کے طویل عرصے سے خفیہ کوڈز کو شوقیہ افراد AI کی مدد سے کھول رہے ہیں
اصل عنوان: History’s long-secret codes are being cracked by amateurs using AI
غیر ماہرین تاریخی خفیہ تحریروں (سائفرز) کو توڑنے کے لیے بڑے لینگویج ماڈلز کا استعمال بڑھتے ہوئے کر رہے ہیں، جو ڈیکرپشن الگورتھم چلانے اور دستاویزات کے لیے انٹرنیٹ پر تلاش کرنے کی ان کی صلاحیت سے فائدہ اٹھاتے ہیں۔ Carter Leffen، جنہیں کرپٹوگرافی کا کوئی تجربہ نہیں، نے GPT-6 Astra سے 85 سال پہلے خفیہ کیے گئے جرمن فوج کے ایک پیغام کو ڈی کوڈ کرنے کو کہا، اور اس نے صبح تک حل پیش کر دیا۔ کرپٹوگرافی کے ماہرین اس دلچسپی کا خیر مقدم کرتے ہیں لیکن AI کے حلوں کی توثیق کی درخواستوں سے مغلوب ہیں، جن میں سے بہت سے غلط ہیں۔
توجہ پر مبنی ڈیپ لرننگ کے ذریعے RGB ایگزیکیوٹیبل امیجز سے ملٹی لیول میلویئر ذیلی خاندان کی شناخت
اصل عنوان: Multi-level malware subfamily attribution from RGB executable images using attention-augmented deep learning
میلویئر کے تجزیے میں شناخت سے لے کر خاندان اور باریک ذیلی خاندان کی نسبت تک کئی سطحوں پر فیصلے درکار ہوتے ہیں۔ مصنفین ایک درجہ وار ڈیپ لرننگ فریم ورک تجویز کرتے ہیں جو Windows PE فائلوں کی RGB تصاویر لیتا ہے اور ایک ہی کثیر آؤٹ پٹ ڈھانچے میں شناخت، خاندان کی درجہ بندی اور 33 ذیلی خاندانوں کی نسبت انجام دیتا ہے۔ توجہ سے مزین چار ٹرانسفر لرننگ ماڈلز نے 99% بائنری، 96–97% خاندانی سطح اور 91–95% ذیلی خاندانی سطح کی درستگی حاصل کی، جبکہ باریک نسبت کے لیے میکرو F1-اسکور 0.89 تک رہے۔
بڑے لسانی ماڈلز مجموعی اصلاح کے لیے تکمیلی ہیورسٹکس دریافت کرتے ہیں
اصل عنوان: Large language models discover complementary heuristics for combinatorial optimization
کمبینیٹوریل آپٹیمائزیشن مینوفیکچرنگ، لاجسٹکس اور توانائی کے شعبوں میں فیصلوں کی بنیاد ہے، لیکن ہر نئی قسم کے لیے ہیورسٹکس تیار کرنے میں ماہرین کی مہینوں کی محنت لگتی ہے، اور LLM سے ایک ہی مرحلے میں کوڈ تیار کرنا اکثر ناکام رہتا ہے۔ LACE الگورتھم کے ڈیزائن کو اسکیماز، ٹول لائبریری اور ہیورسٹک پورٹ فولیو میں تقسیم کرتا ہے، پھر رن ٹائم کی حدود کے اندر ایک دوسرے کی تکمیل کرنے والے ماہر ہیورسٹکس کو ارتقائی طور پر تیار کرتا ہے۔ CO-Bench کے 36 کلاسیکی مسائل میں اس کا اوسط 0.945 رہا، جبکہ سب سے مضبوط سابقہ LLM پر مبنی طریقے کا 0.870 اور براہِ راست پرامپٹنگ کا 0.571 تھا۔
کھیلنے والا یہ AI اب Stratego کا نیا چیمپیئن ہے
اصل عنوان: This game-playing AI is the new champ at Stratego
محققین نے Stratego کے لیے ایک AI نظام بنایا ہے، جو دو کھلاڑیوں کا ایک بورڈ گیم ہے جس میں مخالف کے مہرے پوشیدہ ہوتے ہیں اور جو اکثر حکمتِ عملی کی سوچ کو پرکھنے کے لیے استعمال ہوتا ہے۔ مؤثر تربیتی الگورتھمز کو پوشیدہ معلومات کے تحت فیصلے کرنے کی نئی تکنیکوں کے ساتھ ملا کر، اس نظام نے اعلیٰ درجہ بند انسانی کھلاڑیوں کو بڑے فرق سے شکست دی اور اگلے بہترین ماڈلز سے بہتر کارکردگی دکھائی، جبکہ اس کی تربیت سستی بھی تھی۔ اس نے مختلف قواعد والے دیگر حکمتِ عملی کے کھیلوں میں بھی اعلیٰ انسانی کھلاڑیوں کو ہرایا۔
D4RT: متحد اور تیز 4D منظر کی تعمیرِ نو اور ٹریکنگ
اصل عنوان: D4RT: Unified, Fast 4D Scene Reconstruction & Tracking
MIT کا ننھا اڑنے والا روبوٹ AI کے ذریعے 450% تیز ہو گیا
اصل عنوان: MIT’s tiny flying robot gets 450% faster with AI
کیڑوں کے پیمانے کے اڑنے والے روبوٹ عام طور پر سست رہے ہیں اور سادہ پرواز کے راستوں تک محدود رہے ہیں۔ MIT کے محققین نے دو حصوں پر مشتمل کنٹرول نظام کے ساتھ AI پر مبنی کنٹرولر تیار کیا جو بار بار جسم کو الٹنے کی صلاحیت دیتا ہے۔ ٹیم کے پچھلے بہترین نتائج کے مقابلے میں روبوٹ کی رفتار تقریباً 450% اور اس کا اسراع تقریباً 250% بڑھ گیا، اور اس نے ہوا کی رکاوٹوں کے باوجود 11 سیکنڈ میں 10 قلابازیاں مکمل کیں۔