Akademické práce, výzkumné průlomy a vědecké pokroky ve strojovém učení a AI.
198 článků
Od objevu Higgsova bosonu v CERNu v roce 2012 si vědci kladou otázku, zda tato částice nemá dosud neodhalené sourozence v rozšířené rodině podobných částic. Nyní využívají metody strojového učení, aby zúžili oblasti v datech ze srážečů, kde by se takové další Higgsu podobné částice mohly skrývat. Zdroj: phys.org
Kombinací reinforcement learningu s kvantovou korekcí chyb se podařilo ukázat, že kvantový počítač se dokáže průběžně přizpůsobovat driftu a zůstat stabilní. Zdroj: research.google
Výzkum umělé inteligence od Dr. Nitina Agarwala z University of Arkansas at Little Rock získal mezinárodní uznání. Jeho práce byla přijata na jednu z nejprestižnějších světových konferencí věnovaných AI. Zdroj: ualr.edu
Strojové učení dokáže odhalit problematické ADMET vlastnosti mnohem dříve než dosud. Stále je ale klíčové vědět, kdy jeho výsledkům důvěřovat a kdy ne. Zdroj: drugdiscoverynews.com
Nový výzkum ukazuje, že některé problémy nedokáže AI vyřešit ani s neomezeným množstvím dat, což odhaluje zásadní meze strojového učení. Zdroj: thebrighterside.news
Vědci z Nvidia spolu s kolegy z řady akademických, vědeckých a kvantových institucí koncem loňského roku publikovali výzkumnou studii na toto téma. Zdroj: nextplatform.com
Vědci z University of Virginia School of Medicine odhalili rozšířený zdroj chyb v oblíbené metodě zkoumání genomu a vytvořili nástroj, který tento problém řeší. Zdroj: phys.org
Strojové učení dokáže rychle seřadit potenciální cíle podle důležitosti, ale jejich skutečnou funkčnost potvrdí jen genetika a laboratorní experimenty. Zdroj: drugdiscoverynews.com
Mnoho venkovských komunit v etiopském regionu Amhara nemá přístup k elektřině, přestože mezi městem a venkovem existují velké rozdíly. Tradiční průzkumy jsou nákladné, nový model nabízí levnější alternativu. Zdroj: nature.com
Strojové učení se stále hlouběji propojuje se systémy pro modelování počasí a klimatu. Uplatnění nachází jak v krátkodobé předpovědi počasí, tak v dlouhodobých klimatických projekcích, experti však varují, že o skutečné revoluci v oboru zatím mluvit nelze. Zdroj: eu.36kr.com
Mezi nastupující technologie v onkologii patří specializované LLM, AI asistované CT vyšetření pro včasnou detekci a základní modely, které zpřístupňují patologii širšímu okruhu lékařů. Zdroj: cancernetwork.com
Systém strojového učení AnomalyMatch zpracoval 99,6 milionu malých výřezů snímků z Hubble Legacy Archive za zhruba dva a půl dne. Objevil 1 300 neobvyklých objektů, z nichž více než 800 se dosud neobjevilo ve vědecké literatuře. Zdroj: spacedaily.com
Biologicky věrohodné učení nyní dosahuje 96,7 % úspěšnosti na MNIST a 61,7 % na CIFAR-10 bez použití backpropagace. Sakana AI tím demonstruje trénování věrné fungování mozku a zkoumá, jakou cenu za to platí v podobě výkonu. Zdroj: techtimes.com
Nástroj strojového učení, který analyzuje údaje již zaznamenané v elektronické zdravotní dokumentaci dítěte, pomohl pediatrům přesněji vyhodnotit riziko astmatu. Zdroj: medicalxpress.com
Studie zkoumá, zda může LLM zlepšit své schopnosti v generování kódu pouze pomocí vlastních výstupů, bez verifikátoru nebo učitelského modelu. Zdroj: machinelearning.apple.com
Modely strojového učení dnes umožňují téměř ab initio simulace složitých molekulárních a kondenzovaných systémů. Zároveň zůstává přesný popis kvantových jevů náročným úkolem. Zdroj: publishing.aip.org
Vědci vyvinuli řečovou neuroprotézu založenou na AI, která dekóduje husté intrakortikální signály do plynulé a věrné syntetické řeči. Zdroj: neurosciencenews.com
Historie vývoje léčiv je plná sebejistých odhadů cílů, které selhaly v klinických zkouškách. Identifikace cílů pomocí umělé inteligence slibuje tuto situaci zlepšit. Zdroj: drugdiscoverynews.com
USA potřebují lepší baterie pro skladování energie v síti a energetickou odolnost země. Lawrence Livermore National Laboratory proto kombinuje superpočítače s metodami strojového učení. Zdroj: hpcwire.com
Velké jazykové modely (LLM) se stále častěji nasazují k samostatnému řešení reálných úkolů. Klíčovým prvkem je přitom schopnost modelu spolehlivě volat funkce. Zdroj: machinelearning.apple.com