AIskimIQ

🔬 Výzkum AI

Akademické práce, výzkumné průlomy a vědecké pokroky ve strojovém učení a AI.

583 článků

Vědci z UT San Antonio vyvinuli model pro přesnější predikce strojového učení

Výzkumníci z University of Texas v San Antoniu vyvinuli nový model, který má zlepšit přesnost predikcí založených na machine learningu. Ngoc-Huynh Ho, PhD, instruktor na katedře radiologie Long School of Medicine a v institutu Biggs, práci představil na odborné konferenci. Zdroj: news.uthscsa.edu

Machine learning vyčte reakční kinetiku z běžných dat o výtěžnosti

Vědci z Tokijské univerzity vyvinuli metodu CYAN založenou na machine learningu, která z rutinních dat o výtěžnosti při optimalizaci reakcí získá rychlostní konstanty. Chemici tak mohou zjistit kinetické informace bez speciálních a zdlouhavých experimentů. Zdroj: bioengineer.org

Machine learning pomohl navrhnout keramiku pro menší a teplotně stabilní kondenzátory

Výzkumníci pomocí hierarchické strategie machine learningu vytipovali oxidy wolframových bronzů a navedli substituce vizmutu a germania. Výsledkem je keramika s vysokou permitivitou a lepšími vlastnostmi pro kompaktní a teplotně stabilní kondenzátory. Zdroj: azom.com

Průhledná AI předpovídá studijní výsledky a vysvětluje, jak k nim došla

Vědci vytvořili hierarchickou temporální grafovou síť, která s vysokou přesností předpovídá akademické výsledky studentů. Model využívá gradientní techniky, díky nimž ukazuje, které faktory jeho predikce ovlivňují, a jeho výstupy jsou tak srozumitelné. Zdroj: bioengineer.org

Strojové učení propojuje kvalitu vody s rizikem výskytu patogenů

Výzkumný tým vyvinul framework, který kombinuje strojové učení s kvantitativním hodnocením mikrobiálních rizik. Z běžných měření kvality vody dokáže předpovídat koncentrace patogenů a odhadovat související zdravotní rizika. Zdroj: newswise.com

Hybridní AI předpovídá poruchy výkonových transformátorů s přesností 98 %

Vědci vyvinuli hybridní neuronovou síť CNN-BiLSTM-Attention optimalizovanou vylepšeným algoritmem mravkolva. Model diagnostikuje a předpovídá poruchy výkonových transformátorů s přesností 98 %. Zdroj: bioengineer.org

Recenzní LLM od Sakana AI odhalí 73 % chyb v hlavních tvrzeních

Sakana AI zveřejnila práci Beyond Imitation v časopise TMLR o recenzním řízení s podporou LLM, které se zaměřuje na odhalování chyb. Většina AI recenzentů se hodnotí podle podobnosti s lidskými posudky, tento přístup se však měří schopností najít skutečné chyby. Zdroj: marktechpost.com

Jedno číslo nestačí: ML modely je třeba hodnotit pomocí rozdělení

Rozsáhlá studie tvrdí, že výkon modelů strojového učení by se měl uvádět jako rozdělení s intervaly spolehlivosti kvantilů, nikoli jako jediné číslo. Samotné skóre přesnosti totiž skrývá variabilitu, která je při srovnávání modelů zásadní. Zdroj: bioengineer.org

AI z 26 vzorků sedimentu vytvořila mapu plastového dědictví celého ústí řeky

Vědci vyvinuli open-source nástroj NIXVEGS, který pomocí machine learningu předpovídá koncentrace mikroplastů v celém baltském ústí řeky pouhých z 26 vzorků sedimentu. Zdroj: bioengineer.org

Machine learning zmapoval 10 000 reakcí, jimiž měď mění CO2 na palivo

Vědci z Indian Institute of Science vytvořili framework založený na machine learningu, který zmapoval téměř 10 000 reakcí při hydrogenaci CO2 na mědi a odhaluje, jak tento kov přeměňuje CO2 na palivo. Zdroj: bioengineer.org

Machine learning odhalil mikrobiální zlomové body u bakteriální vaginózy

Nová studie využívající machine learning identifikovala deset klíčových bakteriálních druhů a zobrazila prahové hodnoty jejich zastoupení, které oddělují zdravé vaginální mikrobiomy od narušených. Zdroj: bioengineer.org

Vysvětlitelné ML předpoví pevnost zeleného betonu ještě před namícháním

Vědci natrénovali vysvětlitelný model XGBoost na 1 670 betonových směsích z reálných staveb a dosáhli R-squared 0,9263 při predikci pevnosti. Pomocí SHAP navíc ukázali, které faktory předpovědi ovlivňují. Zdroj: bioengineer.org

AI ukázala, jak tloušťka povlaku mění vztah drsnosti a odolnosti proti důlkové korozi

Vědci z Shibaura Institute of Technology objevili u ochranných vrstev vytvořených parou na hliníkové slitině interakci závislou na tloušťce povlaku, která propojuje drsnost povrchu s odolností vůči důlkové korozi. Zdroj: eurekalert.org

Machine learning vyhodnotil korozní a zdravotní rizika vodonosných vrstev v Alžírsku

Průmyslově se rozvíjející suché oblasti musí zajistit, aby podzemní voda vyhovovala novým odvětvím a zároveň neohrožovala zdraví, často přitom s minimem dat. Studie využívá machine learning k posouzení korozních a zdravotních rizik ve vodonosných vrstvách severovýchodního Alžírska. Zdroj: nature.com

Machine learning propojil prostředí a imunitu s rizikem dětského ekzému

Analýza 217 jihoafrických dětí z komunity AmaXhosa pomocí machine learningu odhalila jeden ochranný a dva rizikové shluky, které spojují venkovské prostředí a imunitní faktory s výskytem ekzému. Zdroj: bioengineer.org

Machine learning naznačuje přínos chemoradioterapie u starších pacientů s nádory hlavy a krku

Analýza 1 525 záznamů z databáze SEER pomocí machine learningu ukazuje, že souběžná chemoradioterapie souvisí zhruba s 30% zlepšením přežití specifického pro nemoc u starších pacientů s nádory hlavy a krku. Zdroj: bioengineer.org

Normalizing Trajectory Models přehodnocují vzorkování u difuzních modelů

Difuzní modely rozkládají vzorkování na řadu malých gaussovských odšumovacích kroků, což přestává fungovat, když je potřeba generovat jen v několika krocích. Práce o Normalizing Trajectory Models míří právě na toto omezení standardního přístupu. Zdroj: machinelearning.apple.com

ETH Zurich a Roche: aktivní učení předpovídá, kde molekuly reagují

Vědci z ETH Zurich a firmy Roche spojili aktivní učení s geometrickým a samořízeným hlubokým učením a předpovídají reakce C–H borylace. Cílem je usnadnit objev léčiv tím, že model určí místa molekuly, která nejpravděpodobněji zareagují. Zdroj: bioengineer.org

SURGE učí grafovou AI zapomínat: výmaz dat bere jako změnu struktury grafu

Vědci představili SURGE, framework pro grafový unlearning, který požadavky na smazání dat chápe jako strukturální perturbace grafu. Poté dotčenou grafovou neuronovou síť opraví, aby odstraněná data model dál neovlivňovala. Zdroj: bioengineer.org

Nested Learning: teorie, která by mohla změnit budoucnost AI

Víc než deset let se vývoj AI ubíral jasným směrem: stavět stále větší neuronové sítě s více vrstvami a parametry. Esej Raffaelly Aghemo představuje nested learning jako teorii, která by tento přístup založený na škálování mohla zpochybnit. Zdroj: medium.datadriveninvestor.com