Катализаторы для производства кислорода из марсианских метеоритов

На Земле такая неразбериха, что временами хочется паковать чемоданы на Марс. Хорошо, что ученые разобрались с перспективой подышать. Используя... марсианские камни.

В Nature вышла публикация о роботизированном ИИ-химике для синтеза катализаторов кислородной эволюции (OER) из марсианских метеоритов. В соавторах физика, химия, нейросети и байесовская оптимизация.

Итак план такой:
1. Анализ марсианских руд: используем лазерную спектроскопию (LIBS) для определения состава пород.
2. Симуляции и расчеты: Используем молекулярную динамику (MD) и теорию функционала плотности (DFT) для оценки активности OER. Не, ну вдруг специалисты читают.
3. Несколько fully connected слоев: На 243 наборах экспериментальных данных и 29 902 результатах симуляции, обучили два персептрона для предсказания активности OER.
4. Байесовская оптимизация: Определяем оптимальный состав катализатора из 3,764,376 возможных формул.

Как POV система успешно синтезировала катализатор, поддерживающий OER с перенапряжением 445.1 мВ (это такой электрохимический эквивалент энергии активации) на протяжении более 550 000 секунд и прошла стресс-тест при температуре -37°С.
Открытие значительно ускоряет поиск подходящих синтетических соединений, по сравнению с традиционными методами (ака "проб и ошибок") и подтверждает возможность стабильно производить кислород в суровых условиях Марса.

Ура, теперь есть что положить в чемодан!

Правда, @karray говорит, что там ещё и с вайфаем проблемы🤔

💾Git
📖Nature

GPT-4V и мультимодальное планирование задач позволяет роботам интерпретировать и копировать действия людей

Вы замечали, как учатся дети? Часто они могут повторить действие за своим взрослым с первого раза. Так сказать, zero-shot learning. Вчера мы проснулись в мире, где роботы тоже могут учиться, просто наблюдая за людьми, копируя наши движения и перенимая навыки, словно маленькие дети, исследующие мир. Все благодаря GPT-4V и новой технологии планирования задач.

В недавнем исследовании ученые из Microsoft представили систему, использующую GPT-4V(Vision) для анализа видео с демонтрациями различных действий для zero-shot обучения роботов, включая понимание возможностей объектов (affordances). С помощью GPT-4V система преобразует детали окружающей среды и действия в текст, после чего задействует планировщик задач на базе GPT-4. Затем CV алгоритмы еще раз анализируют видео с учетом плана с фокусом на взаимодействии рук и объектов, особенно моментах захвата и отпускания объектов. Такой пайплайн обеспечивает "понимание" контекста, физических возможностей и конечных целей, что крайне полезно для выполнения задач роботами.

Надеюсь, уже все знают "побочки" такого способа человеческого обучения - дети с намного большим приоритетом копируют поведение, чем следуют инструкциям. Кажется, нас ждет будущее с ругающимися матом, курящими роботами, впадающими в депрессивные эпизоды🤖

📕 Статья
🖥 Промпты (code coming soon)

Дети vs ИИ: инновации, которые машины еще не освоили

Когда дело доходит до инноваций и творчества, дети, кажется, превосходят даже самые большие LLM+vision модели, несмотря на их впечатляющие способности к имитации и статистическому распознаванию закономерностей.

Исследователи из Berkley провели эксперименты с "имитационным" и "инновационным" компонентом и предложили любопытные соображения:

1. LLM – пока, скорее, культурные технологии
Как и более ранние аналоги: письмо, печать, интернет и даже сам язык​​​​, они кодифицируют, обобщают и организуют информацию, обеспечивая и облегчая ее передачу.

2. Развитие инновационных навыков зависит от баланса между двумя (противоречащими) когнитивными процессами: имитации и поиска истины.
В терминах ИИ полезно думать, что имитация - это интерполяционное обобщение, а поиск истины - обобщение за пределами распределения.

3. Способность использовать инструменты для решения задач (tool innovation) - маркер интеллекта
В эксперименте детям от 3 до 7 лет показывали, как нарисовать круг циркулем. А затем предложили выбрать между линейкой, плитой и чайником с круглым дном.
В "имитационной" части - чтобы был комплект к циркулю, т.е. задача выбрать схожий объект, линейку (дети=88.4%, GPT4=83,3%, Davinci=59,9%, Claude=69,9%, Flan=74,8%).
В "инновационной" части - чтобы нарисовать круг без циркуля. И тут обнаружилась разница. Дети выбирали функционально значимый объект, чайник (85.2%), а LLM - по-прежнему, линейку (GPT4=75,9%; Davinci=8,87%; Claude=58,2%; Flan=45,7%).

4. Экспериментальный поиск истины не работает без способности выводить причинно-следственные связи.
Вкратце, дети обошли ChatGPT, PaLM, LaMDA, Advantage Actor Critic и Proximal Policy Optimization Version 2.

В итоге, даже несмотря на успехи в клонировании действий, по мнению авторов статьи, для AGI уже недостаточно увеличивать объем данных и обучать с подкреплением, пора идти в психологию развития за механизмами человеческого обучения и разбираться, что является критически эффективным.

👼Статья