2026. július 3., péntek · Kutatás

A Nature Neuroscience áttekintése: az idegi időskálák számítási szempontú szintézise

A Nature Neuroscience folyóiratban megjelent áttekintő cikk három számítási irányból vizsgálja, hogyan érthetők meg az agyi aktivitás eltérő időskálái. A szerzők – Zeraati, Levina, Macke és Gao – szintetizálják, hogy (1) különböző adatelemzési módszerek hogyan számszerűsítik az időskálákat viselkedési állapotok és mérési modalitások között; (2) biofizikai modellek milyen mechanisztikus magyarázatokat adnak az eltérő időskálák kialakulására; és (3) feladatvégző hálózatok és gépi tanulási modellek hogyan tárják fel az idegi időskálák funkcionális szerepét. A cikk szerint ez az integratív megközelítés kiegészíti a kísérleti kutatásokat, és holisztikus képet nyújt arról, miként tükrözik az idegi időskálák az agy szerkezete, dinamikája és viselkedése közötti összefüggéseket.

Miért fontos?

Az áttekintés keretrendszert ad az agyi időskálák kísérleti és számítási kutatásának egyesítéséhez, ami a gépi tanulási modellekre is hatással lehet.

Források

Nature Tudományos

Kapcsolódó témák

Napi összefoglalók AI kutatás #idegtudományi időskálák#gépi tanulás

Napi összefoglaló

Ez a hír a 2026. július 3., péntek napi AI összefoglaló része.

Kapcsolódó hírek

Bayesi bizonytalanság-propagálás az ágensalapú RAG rendszerek megbízhatóságának javítására

Kutatók egy bizonytalanságtudatos keretrendszert mutattak be ágensalapú Retrieval-Augmented Generation (RAG) rendszerekhez, amelyben a tervező, kiértékelő és generáló szakaszok bizonytalansági jeleket állítanak elő szemantikai eltérés és önértékelés alapján. Ezeket a jeleket egy Bayes-hálón propagálják, hogy rendszerszintű bizonytalanságot becsüljenek, és a munkafolyamat egyes csomópontjainál jelezzék a lehetséges hibaforrásokat. A StrategyQA és HotpotQA adathalmazokon, GPT-3.5-Turbo és GPT-4.1-Nano modellekkel végzett kísérletek szerint a módszer a többlépéses következtetést igénylő HotpotQA-n hatékonyabb, míg a StrategyQA-n a rosszul kalibrált upstream jelek korlátozzák a teljesítményt. A nem lektorált tanulmány a megközelítést ígéretesnek, de előzetesnek minősíti, és ipari validálást – például tengeri szélenergia-karbantartási döntéstámogatásban – tart szükségesnek.

BoneCoT: egész testet lefedő csontáttét-diagnosztikai AI-modell 10 kórház adatain validálva

A Nature Biomedical Engineering folyóiratban publikált kutatás bemutatja a BoneCoT nevű alapmodellt, amelyet csontáttétek CT-alapú diagnosztizálására fejlesztettek. A modellt 29,3 millió CT-képen, 30 267 beteg adatain előtanították 12 csontrégióra, majd 26 klinikailag releváns feladatra – diagnózis, szövődmények, tumortípus és biomarkerek meghatározása – finomhangolták orvosi gondolatláncokkal (chain-of-thought). A szerzők szerint a modell 10 kórház többcentrumos kohortján 20%-kal felülmúlta a korábbi legjobb módszereket az AUC-metrikában, a primer és áttéti léziók elkülönítésében pedig 40%-os AUC-javulást ért el a tapasztalt radiológusokhoz képest. Az eredmények azt mutatják, hogy az orvosi gondolatmenetek integrálása az AI-tanulásba javíthatja a komplex diagnosztikai feladatok teljesítményét.

Megerősítéses tanulás az AI-ágensek finomhangolásában: NVIDIA útmutató és új kutatási keretrendszerek

Az NVIDIA technikai blogján részletes útmutatót tett közzé arról, hogyan alkalmazható a megerősítéses tanulás (RL) – különösen a verifikálható jutalmakkal történő RL (RLVR) és a GRPO módszer – vállalati AI-ágensek domain-specifikus finomhangolására. A cég szerint a Nemotron 3 Super modellt 21 verifikáló környezetben, mintegy 1,2 millió rollout segítségével képezték, a NeMo RL ökoszisztéma pedig nyílt modellekhez kínál skálázható RL-eszközöket. Emellett két nem lektorált kutatási munka is megjelent: a HyPOLE keretrendszer formális logikával (HyperLTL) vezérli a többágenses RL-t részleges megfigyelhetőség mellett, míg egy másik tanulmány elektromos járművek flottáinak intelligens töltését vizsgálja független többágenses RL-megközelítésekkel. Mindhárom forrás azt jelzi, hogy az RL túllépett az általános modellképzésen, és egyre inkább gyakorlati, specializált feladatokban alkalmazzák.

Lebegőpontos hibák felismerése: 14 nagy nyelvi modellt teszteltek új benchmarkkal

Egy nem lektorált kutatás 14 nagy nyelvi modellt (LLM) értékelt aszerint, hogy mennyire képesek statikusan felismerni és osztályozni a lebegőpontos hibákat C forráskódban. A szerzők létrehozták az InterFLOPBench benchmarkot, amely 90 C kernelt és 1130 tesztmintát tartalmaz hat hibakategóriában: kioltás, összehasonlítás, nullával osztás, túlcsordulás, alulcsordulás és NaN. Az eredmények szerint a legújabb modellek – köztük a Qwen 3 32b, Gemini 2.5 Flash, Phi 4 Reasoning, DeepSeek R1T2 és a gpt-oss 20b/120b – 0,88 feletti összesített F1-pontszámot értek el. A teljesítmény hibakategóriánként eltérő: a nullával osztás átlagos F1-értéke 0,85 volt, míg az alulcsordulás (0,61) és a kioltás (0,62) esetében a modellek gyengébben teljesítettek, jelezve a finomabb numerikus jelenségek felismerésének nehézségét.