🔎 Исследователи из MIT разработали ИИ-алгоритм EquiBind, способный искать лекарства в 1200 раз быстрее аналогов.
По словам ученых, модель за один шаг предсказывает точное расположение молекул для «слепой стыковки» с белками без предварительного знания целевых карманов последних. Алгоритм использует геометрические рассуждения, которые помогают ему в изучении основной физики структур и прогнозировании последствий связывания с неизвестными данными, добавили они.
🗣 Исследователи планируют представить алгоритм на Международной конференции по машинному обучению (ICML). По их словам, необходимо собрать отзывы о EquiBind от специалистов в отрасли, чтобы улучшить систему.
https://forklog.com/ii-nauchilsya-iskat-lekarstva-v-1200-raz-bystree-sovremennyh-sistem/
#MIT #исследование
По словам ученых, модель за один шаг предсказывает точное расположение молекул для «слепой стыковки» с белками без предварительного знания целевых карманов последних. Алгоритм использует геометрические рассуждения, которые помогают ему в изучении основной физики структур и прогнозировании последствий связывания с неизвестными данными, добавили они.
🗣 Исследователи планируют представить алгоритм на Международной конференции по машинному обучению (ICML). По их словам, необходимо собрать отзывы о EquiBind от специалистов в отрасли, чтобы улучшить систему.
https://forklog.com/ii-nauchilsya-iskat-lekarstva-v-1200-raz-bystree-sovremennyh-sistem/
#MIT #исследование
ForkLog
ИИ научился искать лекарства в 1200 раз быстрее современных систем
Исследователи из MIT разработали модель глубокого обучения EquiBind, которая в 1200 раз быстрее аналогов связывает молекулы с белками при создании лекарств.
📐 Исследователи из MIT научили ИИ решать математические задачи университетского уровня за несколько секунд. Точность работы алгоритма составляет более 80%.
Исследователи переделали математические вопросы в задачи по программированию и использовали предобученную нейросеть для преобразования текста в код Codex от OpenAI.
В результате ИИ-алгоритм также научился объяснять решения и генерировать новые задания по университетским математическим дисциплинам.
🗣 По словам исследователей, систему можно применять при создания контента для курсов или использовать в качестве автоматизированного репетитора.
#MIT
Исследователи переделали математические вопросы в задачи по программированию и использовали предобученную нейросеть для преобразования текста в код Codex от OpenAI.
В результате ИИ-алгоритм также научился объяснять решения и генерировать новые задания по университетским математическим дисциплинам.
🗣 По словам исследователей, систему можно применять при создания контента для курсов или использовать в качестве автоматизированного репетитора.
#MIT
🔎 Исследователи из MIT, Корнеллского университета и Университета Макгилла разработали ИИ-систему, способную самостоятельно изучать человеческую речь.
Алгоритм может определить лингвистические правила для объяснения причин трансформации формы слов при выражении различных грамматических функций вроде падежа или рода в пределах одного диалекта. Также нейросеть способна изучать шаблоны, применяемые ко многим языкам.
Ученые натренировали и протестировали модель на различных лингвистических задачах. Примеры включали слова и их изменения на 58 языках. По данным исследователей, ИИ смог правильно предложить набор правил для описания причин их трансформации в 60% случаев.
☝️ Ученые отмечают, что систему можно использовать для изучения языковых гипотез и исследования похожести преобразования слов различными диалектами.
#MIT #исследование
Алгоритм может определить лингвистические правила для объяснения причин трансформации формы слов при выражении различных грамматических функций вроде падежа или рода в пределах одного диалекта. Также нейросеть способна изучать шаблоны, применяемые ко многим языкам.
Ученые натренировали и протестировали модель на различных лингвистических задачах. Примеры включали слова и их изменения на 58 языках. По данным исследователей, ИИ смог правильно предложить набор правил для описания причин их трансформации в 60% случаев.
☝️ Ученые отмечают, что систему можно использовать для изучения языковых гипотез и исследования похожести преобразования слов различными диалектами.
#MIT #исследование
🔎 Исследователи MIT решили дифференциальное уравнение вековой давности, чтобы устранить вычислительные ограничения «жидкого» искусственного интеллекта.
В 2021 году ученые разработали ИИ-алгоритм, способный обучаться и адаптироваться к новой информации во время работы, а не только на начальном этапе тренировки. Эти «жидкие» нейросети подходят для использования в срочных задачах вроде мониторинга кардиостимулятора, прогнозирования погоды или автономной навигации робокара.
Однако такие модели являются дорогими в вычислительном отношении по мере увеличения числа нейронов и синапсов. Также алгоритмы требуют различных компьютерных программ для выполнения лежащих в их основе сложных математических операций.
☝️ Теперь в MIT заявили, что решение дифференциального уравнения 1907 года, стоящего за взаимодействием двух нейронов через синапсы, позволит открыть новый тип быстрых и эффективных ИИ-алгоритмов.
#MIT #исследование
В 2021 году ученые разработали ИИ-алгоритм, способный обучаться и адаптироваться к новой информации во время работы, а не только на начальном этапе тренировки. Эти «жидкие» нейросети подходят для использования в срочных задачах вроде мониторинга кардиостимулятора, прогнозирования погоды или автономной навигации робокара.
Однако такие модели являются дорогими в вычислительном отношении по мере увеличения числа нейронов и синапсов. Также алгоритмы требуют различных компьютерных программ для выполнения лежащих в их основе сложных математических операций.
☝️ Теперь в MIT заявили, что решение дифференциального уравнения 1907 года, стоящего за взаимодействием двух нейронов через синапсы, позволит открыть новый тип быстрых и эффективных ИИ-алгоритмов.
#MIT #исследование
🤖 Ученые из MIT представили роботов, способных самостоятельно собираться в более крупные конструкции.
Устройства состоят из цепочек соединенных между собой вокселей. Они могут захватывать и прикреплять дополнительные субъединицы перед перемещением по сетке для дальнейшей сборки.
☝️ Однако команда признает, что разработка полностью автономного самостроящегося робота «займет годы».
https://forklog.com/news/issledovateli-mit-pokazali-umnyh-samokonstruiruemyh-robotov
#MIT #роботы
Устройства состоят из цепочек соединенных между собой вокселей. Они могут захватывать и прикреплять дополнительные субъединицы перед перемещением по сетке для дальнейшей сборки.
☝️ Однако команда признает, что разработка полностью автономного самостроящегося робота «займет годы».
https://forklog.com/news/issledovateli-mit-pokazali-umnyh-samokonstruiruemyh-robotov
#MIT #роботы
ForkLog
Исследователи MIT показали умных самоконструируемых роботов
Ученые Массачусетского технологического института запустили проект по созданию роботов, способных самостоятельно собираться в более крупные конструкции.
💬 Исследователи MIT разработали ИИ-модель, способную предсказывать трудности с пониманием языка.
Система базируется на генераторе текста GPT-2, который ученые модифицировали компонентом, имитирующим ограничения человеческой памяти. Также они использовали методы машинного обучения для оптимизации использования этого ресурса.
📝 Исследователи передали модели набор сложных предложений вроде «Отчет о том, что врач, которому не доверял адвокат, раздражал пациента, было неожиданным». Затем они заменили некоторые начальные существительные другими словами. По данным экспертов, иногда это упрощало «понимание» текста ИИ.
После этого ученые провели эксперимент с респондентами, которых попросили прочесть подобные предложения. Время, требуемое им на понимание текста, совпало с прогнозами алгоритма.
🔎 Исследователи заявили, что этот проект позволит исследовать процесс обработки информации людьми.
#MIT #исследование
Система базируется на генераторе текста GPT-2, который ученые модифицировали компонентом, имитирующим ограничения человеческой памяти. Также они использовали методы машинного обучения для оптимизации использования этого ресурса.
📝 Исследователи передали модели набор сложных предложений вроде «Отчет о том, что врач, которому не доверял адвокат, раздражал пациента, было неожиданным». Затем они заменили некоторые начальные существительные другими словами. По данным экспертов, иногда это упрощало «понимание» текста ИИ.
После этого ученые провели эксперимент с респондентами, которых попросили прочесть подобные предложения. Время, требуемое им на понимание текста, совпало с прогнозами алгоритма.
🔎 Исследователи заявили, что этот проект позволит исследовать процесс обработки информации людьми.
#MIT #исследование
🚗 Исследование: бортовые компьютеры робомобилей приведут к созданию углеродного следа, сопоставимого с выбросами всех текущих датацентров.
Для этого специалисты MIT построили статистическую модель. Они смоделировали сценарии, где 1 млрд беспилотников ездят по часу в день с бортовым компьютером, потребляющим 840 Вт энергии.
🔋 Специалисты выявили, что в более чем 90% случаев, когда объем выбросов не превышал текущий показатель всех существующих датацентров, каждый робомобиль потреблял менее 1,2 кВт мощности для вычислений. Это станет возможным за счет разработки более эффективного оборудования.
#исследование #MIT
Для этого специалисты MIT построили статистическую модель. Они смоделировали сценарии, где 1 млрд беспилотников ездят по часу в день с бортовым компьютером, потребляющим 840 Вт энергии.
🔋 Специалисты выявили, что в более чем 90% случаев, когда объем выбросов не превышал текущий показатель всех существующих датацентров, каждый робомобиль потреблял менее 1,2 кВт мощности для вычислений. Это станет возможным за счет разработки более эффективного оборудования.
#исследование #MIT
🤖 Исследователи из MIT создали робота DribbleBot, способного вести футбольный мяч по различным поверхностям.
Для тренировки системы специалисты использовали 4000 смоделированных версий устройства. Также они применили метод обучения с подкреплением.
Помимо различных датчиков исследователи оснастили робота контроллером восстановления, который позволяет устройству подняться после падения и возобновить дриблинг.
⚽️ DribbleBot умеет вести мяч по песку, гравию, траве, грязи, снегу и другим естественным ландшафтам. При этом система адаптируется к влиянию поверхностей на движение спортивного снаряда.
#MIT #роботы
Для тренировки системы специалисты использовали 4000 смоделированных версий устройства. Также они применили метод обучения с подкреплением.
Помимо различных датчиков исследователи оснастили робота контроллером восстановления, который позволяет устройству подняться после падения и возобновить дриблинг.
⚽️ DribbleBot умеет вести мяч по песку, гравию, траве, грязи, снегу и другим естественным ландшафтам. При этом система адаптируется к влиянию поверхностей на движение спортивного снаряда.
#MIT #роботы
YouTube
A soccer-playing robot equipped for various terrains
MIT News spotlight link: https://news.mit.edu/2023/legged-robotic-system-playing-soccer-various-terrains-0403
Key authors: Yandong Ji (yandong@mit.edu)∗, Gabriel B. Margolis (gmargo@mit.edu)*, and Pulkit Agrawal (pulkitag@mit.edu)
Paper: https://www.dr…
Key authors: Yandong Ji (yandong@mit.edu)∗, Gabriel B. Margolis (gmargo@mit.edu)*, and Pulkit Agrawal (pulkitag@mit.edu)
Paper: https://www.dr…
🧬 Исследователи из MIT разработали две генеративные ИИ-модели для создания белков с определенными структурными особенностями.
Специалисты использовали архитектуру диффузионных алгоритмов на основе внимания. Первый работает с общими структурными свойствами протеинов, а вторая — на уровне аминокислот. Обе модели связаны с нейросетью, прогнозирующей свертывание белка.
Чтобы проверить алгоритмы, ученые ввели физически невозможные дизайны структур. В результате вместо создания нереальных белков модели генерировали наиболее близкое к синтезируемому решение.
⚙️ По словам исследователей, полученные с помощью ИИ последовательности можно использовать для разработки материалов с определенными механическими свойствами, такими как жесткость или эластичность.
#исследование #MIT
Специалисты использовали архитектуру диффузионных алгоритмов на основе внимания. Первый работает с общими структурными свойствами протеинов, а вторая — на уровне аминокислот. Обе модели связаны с нейросетью, прогнозирующей свертывание белка.
Чтобы проверить алгоритмы, ученые ввели физически невозможные дизайны структур. В результате вместо создания нереальных белков модели генерировали наиболее близкое к синтезируемому решение.
⚙️ По словам исследователей, полученные с помощью ИИ последовательности можно использовать для разработки материалов с определенными механическими свойствами, такими как жесткость или эластичность.
#исследование #MIT
This media is not supported in your browser
VIEW IN TELEGRAM
👀 Исследователи из MIT и Университета Райса разработали технику компьютерного зрения ORCa, способную видеть объекты вне поля зрения.
Система анализирует искаженные отражения на глянцевых поверхностях, чтобы определить предметы и расстояние к ним. Например, с помощью этой технологии робокары могут по отсветам на других автомобилях выявить приближающийся транспорт на перекрестке.
ПО обрабатывает несколько изображений глянцевой поверхности под разными углами. Затем, используя машинное обучение, оно разбивает отражение объекта на отдельные пиксели. Анализируя их изменения относительно друг друга на разных картинках, ORCa способна определить форму предмета.
🔎 Также, моделируя сцену в виде так называемого 5D-поля излучения, технология оценивает направление и интенсивность световых лучей, падающих или отражающихся от каждой точки. За счет этого ORCa может установить, насколько далеко они находятся от отражающей поверхности и друг от друга.
#исследование #MIT
Система анализирует искаженные отражения на глянцевых поверхностях, чтобы определить предметы и расстояние к ним. Например, с помощью этой технологии робокары могут по отсветам на других автомобилях выявить приближающийся транспорт на перекрестке.
ПО обрабатывает несколько изображений глянцевой поверхности под разными углами. Затем, используя машинное обучение, оно разбивает отражение объекта на отдельные пиксели. Анализируя их изменения относительно друг друга на разных картинках, ORCa способна определить форму предмета.
🔎 Также, моделируя сцену в виде так называемого 5D-поля излучения, технология оценивает направление и интенсивность световых лучей, падающих или отражающихся от каждой точки. За счет этого ORCa может установить, насколько далеко они находятся от отражающей поверхности и друг от друга.
#исследование #MIT
This media is not supported in your browser
VIEW IN TELEGRAM
🔎 Исследователи из MIT и Adobe Research разработали модель для выявления похожих материалов на изображениях.
Специалисты натренировали алгоритм машинного обучения на синтетических данных. Однако технология способна работать с ранее неизвестными реальными сценами, снятыми в помещении и вне его.
Модель умеет распознавать все пиксели определенного материала на картинке по одной выбранной пользователем точке. По словам исследователей, алгоритм эффективно работает с объектами разной формы и размеров. Он «не обманывается» тенями или условиями освещения, за счет которых вид предмета может изменится.
🎦 Алгоритм также работает с видео. Когда пользователь выберет пиксель в первом кадре, модель определит все сделанные из того же материала объекты в остальном ролике.
#исследование #MIT #Adobe
Специалисты натренировали алгоритм машинного обучения на синтетических данных. Однако технология способна работать с ранее неизвестными реальными сценами, снятыми в помещении и вне его.
Модель умеет распознавать все пиксели определенного материала на картинке по одной выбранной пользователем точке. По словам исследователей, алгоритм эффективно работает с объектами разной формы и размеров. Он «не обманывается» тенями или условиями освещения, за счет которых вид предмета может изменится.
🎦 Алгоритм также работает с видео. Когда пользователь выберет пиксель в первом кадре, модель определит все сделанные из того же материала объекты в остальном ролике.
#исследование #MIT #Adobe