至顶网软件频道消息: 美国宇航局(NASA)今天宣布,谷歌公司人工智能团队开发的神经网络已经发现了两颗新的系外行星。
其中一颗新发现的行星围绕着被称为开普勒90(见图)这个遥远星系中一颗类似于太阳的恒星旋转,它距离地球2545光年。天文学家安德鲁.范德伯格(ANDREW VANDERBURG)将开普勒90称为“我们太阳系的一个迷你版本”,其中较小的行星靠近恒星轨道运行,而较大的行星运行在外围。随着美国宇航局新发现的出现,现在看起来围绕开普勒90旋转的星星数量和围绕我们的太阳旋转的行星数量相同。
虽然这两颗行星是新的发现,但是美国宇航局之前其实已经发现了它们,却没有意识到这一点。这些信息被埋藏在美国宇航局开普勒太空望远镜所捕获的四年的数据,它的任务是在银河系所谓的“可居住区”内寻找类似地球的系外行星。
多年来,开普勒已经检测到35,000个可能的行星信号,这个数据集太大因而无法手工筛选。美国宇航局有自己的自动化系统,从数据中筛选出最有可能的部分,但该机构表示,这个系统有时会错过较弱的信号。今天宣布的两颗行星之前一直未被注意到,直到范德堡(VANDERBURG)和谷歌的工程师克里斯托弗.沙尔柳(CHRISTOPHER SHALLUE)决定利用机器学习和谷歌的神经网络来梳理数据。
克里斯托弗.沙尔柳(Christopher Shallue)表示:“在业余时间里,我开始搜索‘利用大型数据集寻找系外行星’,并发现了开普勒的使命和庞大的数据集。”他表示,“当数据太多,人类无法自己研究的时候,机器学习真的可以大显神通。”
在使用了15,000个经过审查的开普勒信号对该网络进行了训练之后,范德堡和克里斯托弗.沙尔柳在系统中分析了将近1000个在他们发现新行星前已知存在行星的弱信号。范德堡注意到神经网络还不够完美,仍然会检测到误报,但是它也能够探测出更多被漏掉了的、真实的行星。范德堡表示:“这就像是在岩石中筛选宝石一样,如果你用更细的筛子,你就会得到更多的石头,但是你也可能会找到更多的宝石。”
今天的发现表明了机器学习在计算机科学之外的潜力,美国宇航局表示,预计人工智能在未来会有更多的发现。
美国宇航局位于华盛顿的天体物理学部门主任保罗.赫兹(Paul Hertz)表示:“就像我们预料的那样,在我们通过开普勒获得的数据中隐藏着令人兴奋的发现,它们在等待着适当的工具或技术发现它们。”他表示,“这一发现表明,我们的数据将成为未来几年创新研究人员的宝贵财富。”
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。