AI اور دنیا کے مشکل مسائل ─ طبیعیات
AI کے ذریعے آگے بڑھنے والے سائنس اور علم، شعبے کے لحاظ سے
RSS فیڈ · 5 آئٹمز
فوٹونک سرکٹس قابلِ تربیت AI ہارڈ ویئر بن گئے
اصل عنوان: Photonic circuits become trainable AI hardware
مصنفین ایک طبیعیات پر مبنی in situ لرننگ طریقہ پیش کرتے ہیں جو فوٹونک انٹیگریٹڈ سرکٹس میں آپٹیکل گریڈیئنٹس کو براہِ راست ناپتا ہے۔ یہ تیاری کے بعد مختلف سرکٹ ٹوپولوجیز کی تربیت کی اجازت دیتا ہے، اور اس کے لیے سرکٹ کے مکمل ڈیجیٹل ماڈل کی ضرورت نہیں پڑتی۔ رپورٹ کے مطابق یہ ہارڈویئر میٹرکس ڈیزائن، ملٹی ویولینتھ کمپیوٹیشن اور تیز میٹا لرننگ حاصل کرتا ہے۔
روشنی سے چلنے والا یہ AI تقریباً 98% درستگی کے ساتھ ڈیپ فیکس کی نشاندہی کر سکتا ہے
اصل عنوان: This light-powered AI can spot deepfakes with nearly 98% accuracy
UCLA کے محققین نے ایک آپٹیکل-نیورل پروسیسر بنایا ہے جو ڈیپ فیک ویڈیوز کا پتا لگانے کے لیے روشنی استعمال کرتا ہے، اور اس کا مقصد AI سے تیار کردہ ویڈیوز کے بڑھتے ہوئے حجم کی جانچ کرنا ہے۔ روایتی نظاموں کے برعکس، جو ویڈیوز کو ایک ایک کر کے جانچتے ہیں، یہ ایک ہی آپٹیکل پاس کے دوران 15 یا اس سے زیادہ ویڈیو اسٹریمز کا بیک وقت تجزیہ کرتا ہے۔ ٹیم کے مطابق شناخت کی درستی تقریباً 98% ہے، اور یہ مطالعہ eLight میں شائع ہوا۔
Claude کے طرز کی سائنس
اصل عنوان: Claude-shaped science
پروفیسر Matthew Schwartz بیان کرتے ہیں کہ جب انہوں نے Claude سے لڑنا چھوڑ دیا اور اسے ایسے مسائل تلاش کرنے دیے جو اس کی موجودہ صلاحیتوں کے مطابق تھے، تو انہوں نے BootLoops بنایا، جو مقداری سائنس میں قطعی حسابات کے لیے ایک ٹول کٹ ہے۔ چونکہ ملتے جلتے حسابات مختلف شعبوں میں بار بار سامنے آتے ہیں، اس لیے Claude نے ماحولیات، آبادیاتی جینیات اور درجن بھر دیگر شعبوں سے روابط دریافت کیے، اگرچہ یہ اکثر تکنیکی طور پر درست مگر ابتدا میں غیر نمایاں تھے۔ پھر Schwartz نے متعلقہ شعبوں کے ماہرین کے ساتھ مل کر BootLoops کو ان سوالات کی طرف موڑا جن کی ان شعبوں کو پروا ہے۔
خود نگرانی شدہ پیشگی تربیت کے ذریعے توانائی کے محاذ کے غیر متجانس نیوٹرینو ڈیٹیکٹرز کے لیے فاؤنڈیشن طرز کے ماڈلز کی جانب
اصل عنوان: Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pretraining
توانائی کے محاذ کے نیوٹرینو ڈیٹیکٹرز میں واقعات کی تشریح روایتی تعمیرِ نو کے لیے غیر عملی اور لیبل شدہ ڈیٹا کم ہونے پر زیرِ نگرانی ماڈلز کے لیے مشکل ہے۔ مصنفین ایک اسپارس Vision Transformer کو masked-autoencoder تعمیرِ نو اور ریلیشنل voxel سطح کے مقاصد کے ساتھ پہلے سے تربیت دیتے ہیں، پھر اسے درجہ بندی اور ریگریشن پر مشترکہ طور پر فائن ٹیون کرتے ہیں۔ مجوزہ FASER کیلوری میٹر کے سمولیٹڈ واقعات پر، پہلے سے تربیت نے فلیور اور چارم کوارک کی شناخت، مومینٹم ریگریشن اور ورٹیکس کی تعمیرِ نو کو بہتر بنایا، اور تقریباً 1,000 لیبل شدہ واقعات کے ساتھ پہلے سے تربیت یافتہ انکوڈر نے شروع سے تربیت پانے والے ماڈل کی فلیور درجہ بندی کی کارکردگی کے برابر نتائج دیے۔
Claude، N=4 سپر-ینگ-ملز میں نو لوپ ایمپلیٹیوڈ کا حساب لگاتا ہے
اصل عنوان: Claude computes a nine-loop amplitude in N=4 super-Yang-Mills
ماہرِ طبیعیات اور سائنس مصنف Matt von Hippel نے AI کمپنیوں کو نظریاتی طبیعیات کا ایک مشکل مسئلہ حل کرنے کا چیلنج دیا: N=4 super-Yang-Mills میں نو-لوپ ایمپلیٹیوڈ کا حساب لگانا۔ Claude نے اسے حل کر لیا اور تقریباً ایک ماہ بعد چیلنج کو شکست دے دی۔