A “MatDesINNe” primeiro analisa materiais e prevê suas propriedades para depois ser invertida, possibilitando a criação de novos materiais nunca antes vistos a partir de propriedades específicas definidas pelos pesquisadores, trabalhando de trás para frente. O código está disponível no repositório “jxzhangjhu/MatDesINNe” no GitHub.
Uma espécie de rede neural chamada de GHN-2 (Graph HyperNetworks 2) foi projetada e treinada para prever parâmetros para outras inteligências artificiais em frações de segundo, tornando desnecessário o processo de treinamento desses modelos. A GHN-2 detecta padrões aparentemente aleatórios em redes neurais, o que facilitaria a transferência de conhecimento de uma arquitetura para outra.
O Laboratório Nacional de Los Alamos nos EUA está utilizando os chamados “terremotos silenciosos” — atividade sísmica que pode durar horas, dias ou até meses — para treinamento do modelo. O sistema já conseguiu “prever” tremores que aconteceram no passado, utilizando dados de terremotos reais gravados desde a década de 90, com uma antecipação de um pouco mais de uma semana.
Uma rede neural consegue gerar cenas tridimensionais a partir de imagens 2D cerca de 15 mil vezes mais rápido e utilizando apenas 1% da memória de métodos tradicionais. A técnica possui aplicações generalizadas em computação gráfica e visão computacional, especialmente em cirurgias assistidas por robôs ou robôs-colheitadeiras. As informações são do site MIT News.
