Инженеры Пенсильванского университета разработали метод, который помогает ИИ надежнее решать обратные дифференциальные уравнения. Такой подход может пригодиться в биологии, материаловедении, прогнозе погоды и других областях, где ученые видят результат, но хотят понять скрытые причины.
Ученые давно пытаются понять, насколько сильно температура отличается в разных частях клетки. Это важно, потому что даже небольшие перепады могут влиять на работу ядра, митохондрий и других органелл. Интерес к теме вырос после работ, в которых исследователи указали на необычно высокий нагрев митохондрий — клеточных «энергостанций».
Команда ученых создала роботов RAnts — «робомуравьев». Вместо химических сигналов они используют световые поля, которые ученые назвали «фотормонами».
«Модели мира» должны понимать, что предмет, столкнутый со стола, упадет вниз, а автомобиль, съехавший с обрыва, не продолжит путь по воздуху. Это отличает их от многих генеративных систем, которые создают правдоподобные изображения, но не всегда верно предсказывают поведение объектов в реальности.
Модулятор — это устройство, которое меняет свойства светового сигнала. Проще говоря, он помогает «записывать» информацию в световой поток. Такие элементы нужны в фотонных чипах, где вместо электрических сигналов все чаще используют оптические.
Диагностика с помощью ИИ занимает доли секунды. Это может помочь энергетикам быстрее реагировать на аварии и перейти к постоянному наблюдению за состоянием электросетей.
Речь идет о нанолентах — вытянутых молекулярных структурах, состоящих из точно выстроенных звеньев.
Группа ученых из МГУ имени М. В. Ломоносова с коллегами вырастила такие кристаллы и подробно изучила их поведение в магнитном поле при разных температурах.
Часть специалистов признает, что еще недавно подобные разговоры казались чистой фантастикой, но теперь тревога усилилась из-за резкого роста возможностей больших языковых моделей
Атака отравления данных выглядит не так эффектно, как взлом «в лоб», но может быть даже опаснее. Злоумышленник незаметно подмешивает в обучающую выборку специально искаженные примеры, и модель постепенно начинает усваивать ложные закономерности.
