Денис Аветисян 
Исследователи представляют MADE — платформу для оценки и ускорения процесса открытия новых материалов с использованием методов машинного обучения и замкнутых циклов оптимизации.
![В исследуемом устройстве, состоящем из графенового нижнего затвора, золотых верхнего и контактного затворов, формирующих Джозефсоновский переход с размерами [latex]d=1\text{\,}\mathrm{n}\mathrm{m}[/latex], [latex]W=1.1\text{\,}\upmu\mathrm{m}[/latex] и [latex]L=6\text{\,}\upmu\mathrm{m}[/latex], критический ток [latex]I_{c}(B)[/latex] демонстрирует интерференционную картину, подобную картине Фраунгофера, при температуре [latex]7\text{\,}\mathrm{m}\mathrm{K}[/latex], причём внезапное смещение этой картины вправо, вызванное проникновением вихря в выводы, приводит к изменению диссипации в переходе: переход становится сверхпроводящим при наличии вихря, тогда как в его отсутствие наблюдается диссипация, что позволяет исследовать динамику вихрей и их влияние на сверхпроводящие свойства устройства.](https://arxiv.org/html/2601.21735v1/x2.png)
Новое исследование демонстрирует, как макроскопические квантовые туннельные эффекты проявляются в вихревых структурах, возникающих в графеновых системах, скрученных под особым углом.
Новый подход позволяет большим языковым моделям не просто имитировать поведение, а активно планировать свои действия в скрытом пространстве, повышая точность и эффективность.
Новое исследование показывает, что преподаватели и студенты по-разному оценивают степень использования ИИ друг другом, что может привести к недопониманию и снижению доверия.
Разработанный метод позволяет быстро и эффективно рассчитывать энергии квазичастиц в молекулах, состоящих из более чем 10 000 атомов, открывая новые возможности для материаловедения.
Исследователи предлагают метод, позволяющий достичь сопоставимой с обучением с подкреплением способности к рассуждениям у крупных языковых моделей, используя оптимизированный алгоритм выборки.
Новое исследование показывает, что самостоятельное обучение небольшой языковой модели позволяет студентам глубже понять принципы её работы и отказаться от антропоморфных представлений об искусственном интеллекте.
Новый подход к обучению спайковых нейронных сетей позволяет им предсказывать собственное будущее поведение, повышая эффективность и приближая их к биологической правдоподобности.
Исследователи предлагают метод обучения больших языковых моделей, основанный на оценках качества, а не на размеченных данных, что открывает новые возможности для контроля над их поведением.
Исследование показывает, что автоматические исправления кода, предлагаемые искусственным интеллектом, часто усложняют кодовую базу и приводят к новым ошибкам, но принимаются с той же частотой, что и отклоненные правки.