Китайские ученые обучают ИИ быть настоящими учеными

Обычно модели обучаются на данных без учета предварительных знаний, например, физических законов.
Китайские исследователи предлагают концепцию 'осведомленного машинного обучения', совмещая данные и предметные знания.
Внедрение предметных знаний улучшает эффективность ИИ и его способность делать выводы.
Основная сложность - выбор полезных знаний и предотвращение сбоев моделей при внедрении множества правил.
Разработана система оценки правил для определения лучших ответов.
Обучение ИИ законам физики, например, делает его более реалистичным и полезным в науке.
Оптимизировано для решения многофакторных уравнений и предсказания результатов химических экспериментов.
Цель - позволить ИИ самостоятельно идентифицировать знания и правила из данных.

#AI #MachineLearning #Science
-------
@tsingular

🔬 Google представила ассистента ученого: мультиагентная система на базе Gemini 2.0

В основе - 6 специализированных агентов:

Generation - генерирует гипотезы
Reflection - анализирует
Ranking - ранжирует
Evolution - улучшает
Proximity - проверяет близость к существующим исследованиям
Meta-review - итоговая общая проверка научным методом

Главная фишка - масштабирование вычислений во время работы (test-time compute scaling). То есть, чем больше система думает над проблемой, тем лучше становятся результаты.
(Вспоминаем вчерашний пост - тупо 15 минут вычислений в цикле на DeepSeek :) )

Используют для этого:
Научные дебаты между агентами
Турниры для сравнения гипотез
Эволюционный процесс для улучшения качества

Практические примеры, рассмотренные во время запуска:
- Нашли новые применения существующих лекарств для лечения лейкемии
- Предложили новые мишени для лечения фиброза печени
- Объяснили механизмы устойчивости к антибиотикам

Для бизнеса и исследователей: Google открывает доступ через Trusted Tester Program. Если работаете в исследованиях - можно подаваться.

В целом, похоже на серьезный шаг вперед в автоматизации научных исследований. Особенно круто, что система не просто перебирает литературу, а реально генерирует новые гипотезы, которые подтверждаются в лабораторных условиях 🧪

Интересно будет посмотреть, как это повлияет на скорость научных открытий в мирных целях 😎

#Science #Research #Google
———
@tsingular

Бывшие исследователи OpenAI и DeepMind привлекли $300M на автоматизацию науки

Команда экс-сотрудников OpenAI и DeepMind получила $300 миллионов посевных инвестиций на создание ИИ-системы для автономных научных исследований.

Стартап планирует полностью автоматизировать цикл: гипотеза → эксперимент → валидация. Без участия человека.

Типичное распределение таких инвестиций: 40-50% на вычислительную инфраструктуру, 25-30% на таланты, 15-20% на лабораторное оборудование.

Основная проблема - как обеспечить воспроизводимость результатов и стандартизацию данных между разными лабораториями. Плюс вопросы безопасности при работе с потенциально опасными исследованиями.

По прогнозам Gartner, к 2028 году 75% корпораций будут использовать ИИ-исследователей.

Майнинг нобелевских премий :)

#OpenAI #DeepMind #Science
------
@tsingular

Компьютерная наука,- это не про науку и не про компьютеры

Интересная мысль из лекций MIT

Eleven Labs в этот раз очень не очень перевёл, но смысл понятен.

Когда область новая,- очень легко спутать суть того, что вы делаете с инструментами, которые вы используете.

Лучше слушать в оригинале.

#Computer #Science #MIT
------
@tsingular

Разработан мемристор, функционирующий при 700°C

Команда USC создала чип памяти, который выдерживает 700°C. Это в 3.5 раза больше, чем выдерживает обычная электроника (~200°C).

🔬 Что сделали: Мемристор из трёх слоёв — графен снизу, оксид гафния в середине, вольфрам сверху. Графен не даёт атомам вольфрама мигрировать при нагреве и замыкать устройство. Удержание данных >50 часов, >1 млрд циклов, 1.5V.

⚙️ Зачем это нужно: Электроника, которая работает при таких температурах, может пригодиться, например, для Венеры (470°C на поверхности, все зонды гибли), геотермальных скважин, ядерных реакторов, датчиков внутри турбин и двигателей.

🤔 Но есть вопросы:

• Плата не выдержит. Стеклотекстолит обугливается при 350°C, припой плавится при 220°C, пластиковый корпус чипа — при 250°C. Чип выжил, а всё вокруг — нет.
Т.е. нужны керамические подложки, бессвинцовая пайка высокотемпературными сплавами, герметичная металлокерамическая корпусировка.
• Логики нет. Память сама по себе бессмысленна — нужны высокотемпературные транзисторы рядом. SiC и GaN уже работают до 600°C, но интеграция памяти и логики в один модуль — отдельная задача.
• Пассивные компоненты. Конденсаторы, резисторы, дроссели тоже должны работать при 700°C. Сейчас таких серийно не выпускают.
• Масштабирование. Пока выпущен только лабораторный образец 1×1 мкм.
До серийного производства — годы.

#мемристор #USC #графен #железо #Science
───
@tsingular