home.social

#nauka — Public Fediverse posts

Live and recent posts from across the Fediverse tagged #nauka, aggregated by home.social.

  1. 🤱 Po kim z rodziny dziecko dziedziczy inteligencję?

    „Naukowcy z Glasgow przeprowadzili badania na grupie 12 tysięcy osób w wieku od 14 do 22 lat. Badacze przeanalizowali różne czynniki, ale jak się okazało, najważniejszy był jeden – iloraz inteligencji matki. Dlaczego akurat matki? Jest to związane z wyjątkową więzią matki z maluchem – "relacja emocjonalna między matką a potomkiem aktywuje obszary mózgu odpowiedzialne za procesy pamięciowe i zdolność do nauki", a całkowite zaspokojenie emocjonalnych potrzeb pociechy powoduje 10-procentowy wzrost hipokampu (części mózgu odpowiedzialnej za pamięć i odczuwanie emocji). Warto przy tym wspomnieć, że bardzo ważny jest w tej kwestii okres życia płodowego, ponieważ wówczas kształtuje się układ nerwowy u dziecka.”

    #ciekawostki #nauka #dziecko #inteligencja
    🔗 edziecko.pl/rodzice/7,79361,30

  2. Tysiące naczyń z jednego stanowiska i jedno pytanie: czy to tylko wyposażenie grobów?

    Badania z Domasławia pokazują, że część z nich mogła mieć znacznie większe znaczenie w obrzędach pogrzebowych. Kluczowe było połączenie archeologii z analizą chemiczną.

    👉 archeologia.com.pl/chemia-rytu

    #DolnyŚląsk #dolnośląskie #archeologia #historia #Polska #nauka

  3. Ultraprzetworzona żywność (UPF) to spożywcze produkty przemysłowe składające się z więcej niż pięciu składników i zawierające emulgatory, konserwanty, barwniki czy utwardzone oleje.
    Każdy wzrost udziału UPF o 10% w codziennej diecie podnosi wynik w skali ryzyka demencji o 0,24 punktu.

    #demencja #UPF #wiedza #nauka #zdrowie #odżywianie #dieta #żywność

    national-geographic.pl/nauka/u

  4. Skład ciała, a dokładniej proporcje tkanki tłuszczowej do tzw. beztłuszczowej masy ciała, wpływa na parametry ludzkiego głosu.
    Większa zawartość tłuszczu w obrębie brzucha u kobiet wiąże się z większą donośnością głosu, natomiast u mężczyzn sprawia, że barwa staje się jaśniejsza/wyższa.

    #nauka #wiedza #BadaniaNaukowe #BarwaGłosu #głos #ciało #BudowaCiała #SkładCiała

    Źródło: naukawpolsce.pl

  5. Mikrofon, który „widzi” dźwięk. Nowa technologia potrafi podsłuchiwać przez szybę

    Naukowcy z Pekińskiego Instytutu Technologii (BIT) opracowali nowatorski „wizualny mikrofon”, który do rejestrowania dźwięku nie potrzebuje wibracji powietrza, lecz światła.

    Urządzenie potrafi odtworzyć mowę lub muzykę, analizując mikroskopijne drgania powierzchni przedmiotów, takich jak kartka papieru czy liść rośliny doniczkowej. Co istotne, technologia ta działa nawet wtedy, gdy źródło dźwięku jest odizolowane, na przykład za dźwiękoszczelną szybą. Wystarczy że mikrofon „widzi” ruch.

    Jak usłyszeć obraz?

    Zasada działania opiera się na technice zwanej single-pixel imaging (obrazowanie jednopikselowe). W przeciwieństwie do wcześniejszych prób tworzenia wizualnych mikrofonów, które wymagały drogich i skomplikowanych kamer szybko-klatkowych lub laserów, chińskie rozwiązanie jest tańsze i prostsze.

    Gdy fala dźwiękowa uderza w obiekt, powoduje jego subtelne drgania, niewidoczne gołym okiem. System opracowany przez chińskich naukowców oświetla taki obiekt, a pojedynczy detektor (zamiast matrycy milionów pikseli) zbiera informacje o zmianach w odbitym świetle. Następnie zaawansowane algorytmy komputerowe składają te dane w całość, rekonstruując dźwięk, który wywołał wibracje.

    Od Bella do Beethovena

    Idea przesyłania dźwięku za pomocą światła nie jest nowa – już w 1880 roku Alexander Graham Bell stworzył „fotofon”, który wykorzystywał promienie słoneczne do transmisji głosu, co sam wynalazca uważał za swoje największe osiągnięcie. Dzisiejsze rozwiązanie to jednak cyfrowa ewolucja tej koncepcji.

    Podczas testów laboratoryjnych urządzenie z powodzeniem odtworzyło wypowiadane cyfry (zarówno po chińsku, jak i angielsku) oraz fragment utworu „Dla Elizy” Beethovena, odczytując wibracje z kartki papieru i liścia. Na obecnym etapie technologia działa skutecznie z odległości około pół metra, ale zespół pod kierownictwem Xu-Ri Yao pracuje nad zwiększeniem tego zasięgu.

    Zastosowania: od szpiegostwa po medycynę

    Potencjał tego rozwiązania wykracza daleko poza zwykłe nagrywanie. Ponieważ „wizualny mikrofon” nie jest wrażliwy na hałas otoczenia w tradycyjnym sensie i może działać przez bariery fizyczne (jak okna), może znaleźć zastosowanie w działaniach operacyjnych służb, monitoringu środowiskowym czy diagnostyce przemysłowej. Badacze sugerują również, że technologia ta może zostać zminiaturyzowana i wykorzystana do bezdotykowego monitorowania tętna i pracy serca, poprzez analizę mikrodrgań skóry.

    Nam nieodmiennie wynalazek skojarzył się trochę złowrogo ze słynnym komputerem HAL 9000 z Odysei Kosmicznej 2001 Stanleya Kubricka. Być może niektórzy z was pamiętają jak HAL 9000 „podsłuchiwał” rozmowę astronautów.

    Nothing Ear (3) oficjalnie. Mikrofon w etui ma być asem w rękawie

    #beijingInstituteOfTechnology #hal9000 #inwigilacja #nauka #news #odysejaKosmiczna #singlePixelImaging #szpiegostwo #technologiaAudio

  6. Amerykański startup Reflect Orbital dzięki satelitom z ogromnymi lustrami będzie w stanie "dostarczać światło słoneczne na żądanie" - kierując promienie odbite od Słońca na Ziemię, by farmy fotowoltaiczne mogły pracować także po zachodzie.

    Firma planuje rozpocząć od testowego satelity Earendil-1 o średnicy 18 metrów, którego start zapowiedziano na 2026 rok. Do 2030 roku w kosmosie miałoby krążyć już około 4 tysięcy takich obiektów.

    Astronomowie ostrzegają jednak przed zanieczyszczeniem światłem.

    Nawet pojedynczy satelita mógłby świecić jaśniej niż pełnia, a cała konstelacja "byłaby druzgocąca dla astronomii i niebezpieczna dla astronomów" ponieważ powierzchnia każdego lustra mogłaby być tak jasna jak tarcza Słońca.
    Oznacza to ryzyko trwałego uszkodzenia wzroku w przypadku np. obserwacji nieba przez miłośnika astronomii z wykorzystaniem teleskopu.

    #kosmos #SatelityLustrzane #DodatkoweŚwiatło #fotowoltaika #nauka #światło #słońce

    geekweek.interia.pl/nauka/news

  7. Naukowcy z MIT otwierają czarną skrzynkę AI. Przełom w projektowaniu leków i szczepionek

    Modele sztucznej inteligencji, które potrafią przewidywać strukturę i funkcję białek, zrewolucjonizowały w ostatnich latach biotechnologię, stając się kluczowym narzędziem w poszukiwaniu nowych leków czy projektowaniu szczepionek. Był z nimi jednak pewien problem.

    Mimo ich niezwykłej skuteczności, do tej pory działały one jak „czarne skrzynki” – naukowcy nie byli w stanie stwierdzić, na podstawie jakich cech białek AI dokonuje swoich trafnych prognoz. Teraz badacze z MIT opracowali nowatorską metodę, która pozwala zajrzeć do wnętrza tych systemów i zrozumieć ich proces „myślowy”.

    Problem z modelami językowymi białek (Protein Language Models) polegał na tym, że choć dostarczały one cennych wyników – na przykład wskazując, które fragmenty białek wirusowych najrzadziej mutują, co czyni je idealnymi celami dla szczepionek – sam proces decyzyjny AI pozostawał tajemnicą. „Na końcu otrzymywaliśmy jakąś prognozę, ale nie mieliśmy absolutnie żadnego pojęcia, co działo się w poszczególnych komponentach tej czarnej skrzynki” – wyjaśnia prof. Bonnie Berger, starsza autorka badania opublikowanego w „Proceedings of the National Academy of Sciences”.

    Aby rozwiązać ten problem, zespół z MIT jako pierwszy zastosował w badaniach nad białkami algorytm znany jako „rzadki autoenkoder” (sparse autoencoder). W uproszczeniu, technika ta działa poprzez radykalne rozszerzenie wewnętrznej „przestrzeni” w sieci neuronowej, w której reprezentowane jest białko – na przykład z 480 do 20 000 „węzłów”.

    W tak powiększonej przestrzeni, informacje mogą się „rozprzestrzenić”, dzięki czemu pojedyncza cecha białka, która wcześniej była zakodowana w sposób złożony przez wiele węzłów, teraz może zająć jeden, konkretny węzeł. To sprawia, że wewnętrzne działanie modelu staje się znacznie bardziej czytelne i interpretowalne.

    W kolejnym kroku naukowcy wykorzystali innego asystenta AI, Claude (tego od Anthropic), do analizy tych nowych, czytelnych reprezentacji. Claude porównał aktywność poszczególnych węzłów sieci ze znanymi cechami tysięcy białek, a następnie opisał w prostym języku, za co dany węzeł odpowiada. Przykładowy opis mógłby brzmieć: „Ten neuron wydaje się wykrywać białka zaangażowane w transport jonów przez błonę komórkową”. Dzięki temu badacze po raz pierwszy mogli zrozumieć, jakie cechy białek są dla modelu kluczowe.

    Claude z nową funkcją pamięci. AI od Anthropic uczy się sztuczki od ChatGPT

    Odkrycie to ma ogromne znaczenie praktyczne. Zrozumienie, jak działają modele AI, pozwoli naukowcom lepiej dobierać narzędzia do konkretnych zadań, co znacznie usprawni proces identyfikacji nowych celów dla leków i szczepionek. W przyszłości, gdy modele staną się jeszcze potężniejsze, zaglądanie do ich wnętrza może prowadzić do odkrywania zupełnie nowych, nieznanych dotąd mechanizmów biologicznych.

    #AI #białka #biotechnologia #medycyna #MIT #modeleJęzykowe #Nauka #news #projektowanieLeków #szczepionki #sztucznaInteligencja

  8. Naukowcy z MIT otwierają czarną skrzynkę AI. Przełom w projektowaniu leków i szczepionek

    Modele sztucznej inteligencji, które potrafią przewidywać strukturę i funkcję białek, zrewolucjonizowały w ostatnich latach biotechnologię, stając się kluczowym narzędziem w poszukiwaniu nowych leków czy projektowaniu szczepionek. Był z nimi jednak pewien problem.

    Mimo ich niezwykłej skuteczności, do tej pory działały one jak „czarne skrzynki” – naukowcy nie byli w stanie stwierdzić, na podstawie jakich cech białek AI dokonuje swoich trafnych prognoz. Teraz badacze z MIT opracowali nowatorską metodę, która pozwala zajrzeć do wnętrza tych systemów i zrozumieć ich proces „myślowy”.

    Problem z modelami językowymi białek (Protein Language Models) polegał na tym, że choć dostarczały one cennych wyników – na przykład wskazując, które fragmenty białek wirusowych najrzadziej mutują, co czyni je idealnymi celami dla szczepionek – sam proces decyzyjny AI pozostawał tajemnicą. „Na końcu otrzymywaliśmy jakąś prognozę, ale nie mieliśmy absolutnie żadnego pojęcia, co działo się w poszczególnych komponentach tej czarnej skrzynki” – wyjaśnia prof. Bonnie Berger, starsza autorka badania opublikowanego w „Proceedings of the National Academy of Sciences”.

    Aby rozwiązać ten problem, zespół z MIT jako pierwszy zastosował w badaniach nad białkami algorytm znany jako „rzadki autoenkoder” (sparse autoencoder). W uproszczeniu, technika ta działa poprzez radykalne rozszerzenie wewnętrznej „przestrzeni” w sieci neuronowej, w której reprezentowane jest białko – na przykład z 480 do 20 000 „węzłów”.

    W tak powiększonej przestrzeni, informacje mogą się „rozprzestrzenić”, dzięki czemu pojedyncza cecha białka, która wcześniej była zakodowana w sposób złożony przez wiele węzłów, teraz może zająć jeden, konkretny węzeł. To sprawia, że wewnętrzne działanie modelu staje się znacznie bardziej czytelne i interpretowalne.

    W kolejnym kroku naukowcy wykorzystali innego asystenta AI, Claude (tego od Anthropic), do analizy tych nowych, czytelnych reprezentacji. Claude porównał aktywność poszczególnych węzłów sieci ze znanymi cechami tysięcy białek, a następnie opisał w prostym języku, za co dany węzeł odpowiada. Przykładowy opis mógłby brzmieć: „Ten neuron wydaje się wykrywać białka zaangażowane w transport jonów przez błonę komórkową”. Dzięki temu badacze po raz pierwszy mogli zrozumieć, jakie cechy białek są dla modelu kluczowe.

    Claude z nową funkcją pamięci. AI od Anthropic uczy się sztuczki od ChatGPT

    Odkrycie to ma ogromne znaczenie praktyczne. Zrozumienie, jak działają modele AI, pozwoli naukowcom lepiej dobierać narzędzia do konkretnych zadań, co znacznie usprawni proces identyfikacji nowych celów dla leków i szczepionek. W przyszłości, gdy modele staną się jeszcze potężniejsze, zaglądanie do ich wnętrza może prowadzić do odkrywania zupełnie nowych, nieznanych dotąd mechanizmów biologicznych.

    #AI #białka #biotechnologia #medycyna #MIT #modeleJęzykowe #Nauka #news #projektowanieLeków #szczepionki #sztucznaInteligencja

  9. Naukowcy z MIT otwierają czarną skrzynkę AI. Przełom w projektowaniu leków i szczepionek

    Modele sztucznej inteligencji, które potrafią przewidywać strukturę i funkcję białek, zrewolucjonizowały w ostatnich latach biotechnologię, stając się kluczowym narzędziem w poszukiwaniu nowych leków czy projektowaniu szczepionek. Był z nimi jednak pewien problem.

    Mimo ich niezwykłej skuteczności, do tej pory działały one jak „czarne skrzynki” – naukowcy nie byli w stanie stwierdzić, na podstawie jakich cech białek AI dokonuje swoich trafnych prognoz. Teraz badacze z MIT opracowali nowatorską metodę, która pozwala zajrzeć do wnętrza tych systemów i zrozumieć ich proces „myślowy”.

    Problem z modelami językowymi białek (Protein Language Models) polegał na tym, że choć dostarczały one cennych wyników – na przykład wskazując, które fragmenty białek wirusowych najrzadziej mutują, co czyni je idealnymi celami dla szczepionek – sam proces decyzyjny AI pozostawał tajemnicą. „Na końcu otrzymywaliśmy jakąś prognozę, ale nie mieliśmy absolutnie żadnego pojęcia, co działo się w poszczególnych komponentach tej czarnej skrzynki” – wyjaśnia prof. Bonnie Berger, starsza autorka badania opublikowanego w „Proceedings of the National Academy of Sciences”.

    Aby rozwiązać ten problem, zespół z MIT jako pierwszy zastosował w badaniach nad białkami algorytm znany jako „rzadki autoenkoder” (sparse autoencoder). W uproszczeniu, technika ta działa poprzez radykalne rozszerzenie wewnętrznej „przestrzeni” w sieci neuronowej, w której reprezentowane jest białko – na przykład z 480 do 20 000 „węzłów”.

    W tak powiększonej przestrzeni, informacje mogą się „rozprzestrzenić”, dzięki czemu pojedyncza cecha białka, która wcześniej była zakodowana w sposób złożony przez wiele węzłów, teraz może zająć jeden, konkretny węzeł. To sprawia, że wewnętrzne działanie modelu staje się znacznie bardziej czytelne i interpretowalne.

    W kolejnym kroku naukowcy wykorzystali innego asystenta AI, Claude (tego od Anthropic), do analizy tych nowych, czytelnych reprezentacji. Claude porównał aktywność poszczególnych węzłów sieci ze znanymi cechami tysięcy białek, a następnie opisał w prostym języku, za co dany węzeł odpowiada. Przykładowy opis mógłby brzmieć: „Ten neuron wydaje się wykrywać białka zaangażowane w transport jonów przez błonę komórkową”. Dzięki temu badacze po raz pierwszy mogli zrozumieć, jakie cechy białek są dla modelu kluczowe.

    Claude z nową funkcją pamięci. AI od Anthropic uczy się sztuczki od ChatGPT

    Odkrycie to ma ogromne znaczenie praktyczne. Zrozumienie, jak działają modele AI, pozwoli naukowcom lepiej dobierać narzędzia do konkretnych zadań, co znacznie usprawni proces identyfikacji nowych celów dla leków i szczepionek. W przyszłości, gdy modele staną się jeszcze potężniejsze, zaglądanie do ich wnętrza może prowadzić do odkrywania zupełnie nowych, nieznanych dotąd mechanizmów biologicznych.

    #AI #białka #biotechnologia #medycyna #MIT #modeleJęzykowe #Nauka #news #projektowanieLeków #szczepionki #sztucznaInteligencja

  10. Naukowcy z MIT otwierają czarną skrzynkę AI. Przełom w projektowaniu leków i szczepionek

    Modele sztucznej inteligencji, które potrafią przewidywać strukturę i funkcję białek, zrewolucjonizowały w ostatnich latach biotechnologię, stając się kluczowym narzędziem w poszukiwaniu nowych leków czy projektowaniu szczepionek. Był z nimi jednak pewien problem.

    Mimo ich niezwykłej skuteczności, do tej pory działały one jak „czarne skrzynki” – naukowcy nie byli w stanie stwierdzić, na podstawie jakich cech białek AI dokonuje swoich trafnych prognoz. Teraz badacze z MIT opracowali nowatorską metodę, która pozwala zajrzeć do wnętrza tych systemów i zrozumieć ich proces „myślowy”.

    Problem z modelami językowymi białek (Protein Language Models) polegał na tym, że choć dostarczały one cennych wyników – na przykład wskazując, które fragmenty białek wirusowych najrzadziej mutują, co czyni je idealnymi celami dla szczepionek – sam proces decyzyjny AI pozostawał tajemnicą. „Na końcu otrzymywaliśmy jakąś prognozę, ale nie mieliśmy absolutnie żadnego pojęcia, co działo się w poszczególnych komponentach tej czarnej skrzynki” – wyjaśnia prof. Bonnie Berger, starsza autorka badania opublikowanego w „Proceedings of the National Academy of Sciences”.

    Aby rozwiązać ten problem, zespół z MIT jako pierwszy zastosował w badaniach nad białkami algorytm znany jako „rzadki autoenkoder” (sparse autoencoder). W uproszczeniu, technika ta działa poprzez radykalne rozszerzenie wewnętrznej „przestrzeni” w sieci neuronowej, w której reprezentowane jest białko – na przykład z 480 do 20 000 „węzłów”.

    W tak powiększonej przestrzeni, informacje mogą się „rozprzestrzenić”, dzięki czemu pojedyncza cecha białka, która wcześniej była zakodowana w sposób złożony przez wiele węzłów, teraz może zająć jeden, konkretny węzeł. To sprawia, że wewnętrzne działanie modelu staje się znacznie bardziej czytelne i interpretowalne.

    W kolejnym kroku naukowcy wykorzystali innego asystenta AI, Claude (tego od Anthropic), do analizy tych nowych, czytelnych reprezentacji. Claude porównał aktywność poszczególnych węzłów sieci ze znanymi cechami tysięcy białek, a następnie opisał w prostym języku, za co dany węzeł odpowiada. Przykładowy opis mógłby brzmieć: „Ten neuron wydaje się wykrywać białka zaangażowane w transport jonów przez błonę komórkową”. Dzięki temu badacze po raz pierwszy mogli zrozumieć, jakie cechy białek są dla modelu kluczowe.

    Claude z nową funkcją pamięci. AI od Anthropic uczy się sztuczki od ChatGPT

    Odkrycie to ma ogromne znaczenie praktyczne. Zrozumienie, jak działają modele AI, pozwoli naukowcom lepiej dobierać narzędzia do konkretnych zadań, co znacznie usprawni proces identyfikacji nowych celów dla leków i szczepionek. W przyszłości, gdy modele staną się jeszcze potężniejsze, zaglądanie do ich wnętrza może prowadzić do odkrywania zupełnie nowych, nieznanych dotąd mechanizmów biologicznych.

    #AI #białka #biotechnologia #medycyna #MIT #modeleJęzykowe #Nauka #news #projektowanieLeków #szczepionki #sztucznaInteligencja

  11. Nie polecam oglądania programów Stanowskiego i Mazurka, bo to nie jest dziennikarstwo i profesjonalizm.

    Ale można byłoby powiedzieć, że to moje prywatne uprzedzenia, więc warto zobaczyć profesjonalne rozjechanie tych głupot.

    "Wybaczcie momentami nieuporządkowany tok wypowiedzi - materiał nagrywałem na gorąco po sporządzeniu tylko krótkich notatek i zdarzało się, że w czasie nagrywania coś nagle wpadało mi do głowy. Film montowałem na szybko, ale osobiście, więc wydaje mi się, że clue wypowiedzi zostało zachowane".

    🌐 youtube.com/watch?v=w84wXKNyWz
    #️⃣ #nauka #Mazurek #patodziennikarstwo