AI 與世界的難題 ─ 物理學
由 AI 推進的科學與學術，依學門分類
RSS 訂閱源 · 5 項
光子電路成為可訓練的 AI 硬體
原標題: Photonic circuits become trainable AI hardware
作者展示了一種基於物理的原位學習方法,可直接測量光子積體電路中的光學梯度。它讓各種不同的電路拓撲在製造完成後也能進行訓練,而不需要電路的完整數位模型。據報導,該硬體可實現矩陣設計、多波長運算與快速元學習。
這款以光驅動的 AI 能以近 98% 的準確率辨識深偽內容
原標題: This light-powered AI can spot deepfakes with nearly 98% accuracy
UCLA 的研究人員打造出一款光學神經處理器，利用光來偵測深偽影片，目標是篩檢日益增多的 AI 生成影片。有別於逐一檢查影片的傳統系統，它在單次光學通過期間即可同時分析 15 個或更多影片串流。研究團隊報告偵測準確率接近 98%，該研究已發表於 eLight。
Claude 式科學
原標題: Claude-shaped science
Matthew Schwartz 教授描述，在他不再與 Claude 對抗、轉而讓它尋找適合其現階段能力的問題之後，他打造了 BootLoops，這是一套用於量化科學中精確計算的工具包。由於相似的計算會在各個領域反覆出現，Claude 發現了與生態學、族群遺傳學以及其他十幾個領域之間的關聯，不過這些發現往往在技術上正確，但起初並不起眼。Schwartz 隨後與各領域專家合作，引導 BootLoops 轉向這些領域所關心的問題。
透過自監督預訓練,邁向適用於能量前沿異質中微子偵測器的基礎模型式架構
原標題: Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pretraining
在能量前沿的微中子偵測器中,事件詮釋對傳統重建方法而言不切實際,而在標註資料稀少時,對監督式模型也相當困難。作者以遮罩自編碼器重建與體素層級的關係型目標,對稀疏 Vision Transformer 進行預訓練,接著同時針對分類與迴歸任務進行微調。在擬議中的 FASER 熱量計模擬事件上,預訓練改善了味(flavour)與魅夸克的辨識、動量迴歸以及頂點重建;而且在僅有約 1,000 個標註事件時,經預訓練的編碼器在味分類表現上即可媲美從頭訓練的模型。