Денис Аветисян

Наука в один клик: Автоматизация развертывания 50 000+ научных инструментов

от

Автоматизированный процесс Deploy-Master, начиная с масштабного поиска по 91 предметной области и заканчивая получением исполняемых научных инструментов, позволил отобрать более 500 000 репозиториев, отфильтровать их до 52 550 кандидатов и, в конечном итоге, создать 50 112 успешно протестированных и зарегистрированных инструментов с эффективностью 95.36%, готовых к повторному использованию.

Новая система позволяет мгновенно развернуть десятки тысяч научных программ, делая их доступными для автоматизированных рабочих процессов и исследований с использованием искусственного интеллекта.

Квантовый двигатель Отто: игра с магнетизмом и фрустрацией

от

Исследование эффективности спинового теплового двигателя на 4-узловом кластере выявило, что при значениях параметров [latex] (T_{h}, T_{c}, h_{1}) = (10^{2}, 10^{0}, 1) [/latex] и изменяющемся [latex] h_{2} [/latex], чисто китаевская структура ([latex] |\kappa| = 1 [/latex]) и чисто гейзенберговская (трикоординированная) структура ([latex] |J| = 1 [/latex]) демонстрируют различную зависимость эффективности и выполненной работы от спинового размера, что позволяет оценить влияние топологии кластера на термодинамические характеристики системы.

Новое исследование показывает, как взаимодействие спиновых кластеров в модели Китая-Гейзенберга может быть использовано для создания эффективного квантового двигателя.

Самосознание в обучении: Модель вознаграждения, основанная на самоанализе

от

Наблюдается, что агенты, демонстрирующие самосознание, достигают значительно более высокой кумулятивной награды по сравнению с агентами без самосознания (подтверждено односторонним парным t-тестом, [latex] p \ll 0.05 [/latex], [latex] n=300 [/latex]), что указывает на важность этой способности для оптимизации поведения в задачах, связанных с вознаграждением.

Новое исследование показывает, что наделение агента искусственного интеллекта способностью к ‘самоанализу’ собственных внутренних состояний может значительно улучшить его обучаемость и адаптивность.

Навыки, которые учатся: Эволюция программных сетей умений

от

В рамках предложенной структуры Программируемой Сети Навыков (PSN) агент поддерживает сеть навыков [latex]\mathcal{N}\_{t}[/latex], где гибридный планировщик отбирает или синтезирует навыки, а PSN-менеджер осуществляет их выполнение, при этом оптимизатор навыков выполняет кредитное назначение на основе трассировки при неудаче, а онлайн-рефакторинг реструктурирует сеть при успехе, что индуцирует динамику обучения, аналогичную обучению нейронных сетей: локализация ошибок как обратное распространение, оценка зрелости как планирование скорости обучения и рефакторинг как поиск архитектуры.

В новой работе представлена концепция динамически развивающихся библиотек навыков для автономных агентов, позволяющая им эффективно осваивать и комбинировать умения в сложных условиях.

Белки под присмотром ИИ: новый подход к пониманию их функций

от

Предлагается конвейер рассуждений с чередующимися вызовами инструментов, предназначенный для глубокого понимания функций белков, что позволяет комплексно анализировать и интерпретировать их биологическую роль.

Исследователи предлагают инновационный метод, сочетающий возможности больших языковых моделей и специализированных инструментов биоинформатики для более глубокого анализа функций белков.

Оттачивая язык машин: новый подход к обучению языковых моделей

от

Оценка лингвистической компетенции моделей «язык-к-языку» на наборе данных BLiMP, обученных на отдельных массивах токенов в 25 миллиардов, демонстрирует различия в их способности к пониманию и генерации лингвистически сложных конструкций.

Исследователи предлагают инновационный метод предварительного обучения, позволяющий языковым моделям лучше понимать и воспроизводить сложные грамматические конструкции.

Проверка на прочность: Как оценить качество тестов для больших языковых моделей

от

Существующие бенчмарки для больших языковых моделей страдают от непоследовательности ранжирования, низкой дискриминационной способности и наличия тестов, нарушающих ожидаемую иерархию возможностей, однако предложенный фреймворк Benchmark2 решает эти проблемы посредством трёх метрик: согласованности ранжирования между бенчмарками (CBRC), оценки дискриминационной способности (DS) и отклонения в согласовании возможностей (CAD).

Новая работа представляет комплексный подход к оценке и улучшению критериев, по которым проверяются возможности современных искусственных интеллектов.