Наука

Искусственный интеллект моделирует кровоток в мельчайших сосудах

от

Оценка относительной погрешности давления и скорости, представленная на рисунке, демонстрирует способность модели к обобщению за пределами сложности обучающего набора данных, что подтверждается анализом физически обоснованных остатков, характеризующих как конститутивные законы, так и закон сохранения массы, при этом серый участок указывает диапазон узлов входа, где располагаются данные для обучения.

Новый подход, основанный на графовых нейронных сетях, позволяет быстро и точно симулировать гемодинамику в микрососудах, открывая возможности для персонализированной медицины.

Искусственный интеллект под прицелом: как защитить пользователей?

от

Ответ языковой модели на запрос совета может представлять различные риски для разных пользователей в зависимости от их контекста и уязвимости, что подчеркивает необходимость оценки этих рисков и принятия профилактических мер.

Новое исследование показывает, что оценка безопасности больших языковых моделей требует учёта индивидуальных особенностей и уязвимостей пользователей, выявляя критические пробелы в существующих подходах.

Нейронные сети нового поколения: Вероятностный вывод в мире спайков

от

Гипотеза байесовского мозга предполагает, что мозг осуществляет вероятностный вывод, предсказывая состояния окружающей среды и обновляя эти прогнозы на основе сенсорных входных данных, и данная работа предлагает способ реализации байесовского вывода посредством спайковой активности нейронов, тем самым устанавливая связь между абстрактными вероятностными формулировками и биологически правдоподобной нейронной динамикой, отраженной в паттернах спайковой активности.

В статье представлена принципиально новая архитектура, позволяющая реализовать байесовский вывод, используя биологически правдоподобные спайковые нейронные сети.

Оценки, неподвластные ИИ: Как спроектировать задания, которые не решит ChatGPT

от

Модульные оценки демонстрируют высокую предсказательную силу в отношении взаимосвязанной эффективности проекта ($r=0.954$), что указывает на измерение схожих навыков в различных условиях, в то время как их умеренная корреляция с результатами экзаменов ($r=0.726$) позволяет предположить, что экзамены оценивают иные компетенции или менее подвержены искусственной завышенности результатов.

Новый подход к разработке образовательных оценок, основанный на взаимосвязанных задачах, позволяет повысить их устойчивость к генеративным ИИ и точнее измерить реальные навыки учащихся.