Искусственный интеллект

Новый подход позволяет искусственному интеллекту самостоятельно настраивать параметры алгоритмов, делая сложные данные более понятными и интерпретируемыми.

Исследователи представили комплексный инструмент для оценки способностей ИИ-агентов решать как простые, так и сложные многоэтапные задачи, выявляя слабые места и определяя ключевые факторы успеха.

В статье рассматривается, как методы машинного обучения, в особенности графовые нейронные сети с учетом симметрии и алгоритмы активного обучения, ускоряют поиск и открытие экзотических квантовых материалов, таких как альтернамагнетики.

Новый бенчмарк PRL-Bench оценивает, насколько хорошо большие языковые модели справляются со сложными задачами в передовых физических исследованиях.

Исследователи представляют DeepER-Med — систему, использующую возможности агентивного ИИ для более глубокого и прозрачного анализа медицинских данных.

Новое исследование выявляет когнитивное искажение, при котором люди склонны приписывать себе заслугу в создании контента, сгенерированного нейросетями.

В статье представлена AIPC — платформа, использующая возможности интеллектуальных агентов для упрощения и ускорения развертывания моделей искусственного интеллекта, особенно на периферийных устройствах.

Новое исследование показывает, как модели, объединяющие зрение и язык, приходят к выводам, и почему отследить их ход мыслей оказывается сложнее, чем кажется.

Новое исследование показывает, что предсказание поведения даже простых грибных автоматов может оказаться вычислительно сложной задачей.

Исследователи разработали эффективный метод автоматического анализа риторических приемов в китайских эссе, основанный на современных моделях машинного обучения.