![Разработанная платформа Agent4MR, использующая возможности больших языковых моделей и специализированные знания в области магнитно-резонансной томографии (МРТ) и языка PyPulseq, способна итеративно генерировать, выполнять и оптимизировать код последовательностей МРТ, обеспечивая соответствие всем заданным ограничениям и выдавая физически корректные, готовые к использованию последовательности, с детальными отчётами о параметрах, таких как время эха [latex]TE[/latex], время повторения [latex]TR[/latex] и траектория в k-пространстве.](https://arxiv.org/html/2604.13282v1/figures/Fig1.png)
Исследователи продемонстрировали, как системы искусственного интеллекта могут автоматизировать создание и оптимизацию МРТ-последовательностей, открывая новые возможности для диагностики и исследований.
![При анализе запросов к информационным системам, агент должен определять релевантный тип данных, извлекать необходимые сведения и осуществлять многошаговое логическое заключение на основе часто противоречивых и неполных веб-источников, при этом ошибки могут возникать как на этапе извлечения данных ([latex]Retrieval Error[/latex], фиолетовый путь), так и при выборе типа данных ([latex]Modality Error[/latex], красный путь), либо непосредственно в процессе логического вывода ([latex]Reasoning Error[/latex], синий путь), даже если источник данных был выбран верно.](https://arxiv.org/html/2604.13418v1/x2.png)
Исследователи представили сложный тест, позволяющий оценить способность систем искусственного интеллекта находить и анализировать информацию из разных источников в условиях реального, зашумленного интернета.
В статье предлагается концепция искусственного интеллекта, имитирующего биологические принципы восприятия, для создания более адаптивных и эффективных систем управления в реальном мире.
В статье представлен новый подход к проектированию неорганических материалов, объединяющий передовые методы машинного обучения и автоматизированные эксперименты.
Новый инструмент позволяет оценить способность искусственного интеллекта к анализу данных и поиску ответов даже в условиях неопределенности и неполной информации.
Исследование показывает, как инструменты на базе ИИ меняют способы создания и распространения научных знаний.
![Наблюдается сильная отрицательная линейная зависимость ([latex]R^{2}=0.947[/latex]) между ошибкой исследования и успешностью выполнения задачи, в то время как зависимость между ошибкой использования и успешностью практически отсутствует ([latex]R^{2}=0.006[/latex]), что указывает на то, что агенты языковых моделей, эффективно исследующие окружающую среду, имеют больше шансов на достижение поставленной цели.](https://arxiv.org/html/2604.13151v1/x2.png)
Новое исследование предлагает метрику для оценки эффективности стратегий исследования и эксплуатации в языковых моделях, действующих в сложных средах.
В статье рассматривается, как современные модели искусственного интеллекта, особенно большие языковые модели, меняют подходы к проектированию и автоматизации бизнес-процессов.
В статье представлена система, использующая возможности искусственного интеллекта для автоматизации процесса исследования материалов и ускорения научных открытий.
В статье представлен всесторонний анализ возможностей использования больших языковых моделей для создания интеллектуальных обучающих систем.