AI与世界难题 ─ 物理学
AI推动的科学与学术进展(按学科)
RSS订阅源 · 5 条
光子电路成为可训练的 AI 硬件
原标题: Photonic circuits become trainable AI hardware
作者展示了一种基于物理的原位学习方法，可直接测量光子集成电路中的光学梯度。该方法使各种电路拓扑结构能够在制造后进行训练，而无需电路的完整数字模型。据报道，该硬件可实现矩阵设计、多波长计算和快速元学习。
这种光驱动的AI能以近98%的准确率识别深度伪造
原标题: This light-powered AI can spot deepfakes with nearly 98% accuracy
加州大学洛杉矶分校的研究人员构建了一种利用光来检测深度伪造视频的光学神经处理器，旨在筛查日益增多的AI生成视频。与逐个检查视频的传统系统不同，它在一次光学传输过程中可同时分析15个或更多视频流。研究团队报告称检测准确率接近98%，该研究发表于《eLight》。
Claude式科学
原标题: Claude-shaped science
Matthew Schwartz教授介绍了他如何在不再与Claude对抗、转而让它寻找适合其当前能力的问题之后，构建了BootLoops——一个用于定量科学中精确计算的工具包。由于类似的计算在各个领域反复出现，Claude发现了其与生态学、群体遗传学以及十几个其他领域之间的联系，不过这些联系往往在技术上正确，但起初并不引人注目。随后，Schwartz与各领域的专家合作，引导BootLoops去解决这些领域真正关心的问题。
通过自监督预训练迈向面向能量前沿异构中微子探测器的基础式模型
原标题: Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pretraining
对于能量前沿中微子探测器,事件解释对传统重建方法而言不切实际,而在标注数据稀缺时,监督模型也难以胜任。作者使用掩码自编码器重建和体素级关系目标对稀疏 Vision Transformer 进行预训练,然后在分类和回归任务上联合微调。在拟议的 FASER 量能器的模拟事件上,预训练提升了味道和粲夸克识别、动量回归以及顶点重建的表现;在约 1,000 个标注事件的情况下,预训练编码器的味道分类性能与从头训练的模型相当。