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

Említve a tudásbázisban

fogalom Gépi tanulás (ML)

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

Gépi tanulással azonosítottak növényvédő mikrobákat vad Arabidopsis-populációkban

Kutatók hat generáción át gyűjtött levélmikrobiom-adatokat elemeztek vad Arabidopsis-populációkból, amelyeket az Albugo laibachii oomycéta fertőz. Négy gépi tanulási modellel azonosították a fertőzött és egészséges növényekre jellemző, betegséghez, illetve egészséghez társuló mikrobákat. A legjobban teljesítő baktériumokat, gombákat és cerkozoákat növényeken tesztelve mindegyik védelmet nyújtott az Albugo ellen, az egészséghez társult mikrobák pedig hatékonyabbnak bizonyultak. A legígéretesebb jelölt, egy Cystofilobasidium gomba, szintetikus mikrobaközösségben is igazolta védőhatását; a vizsgálatok szerint ez elsősorban mikroba-mikroba kölcsönhatásokon, nem a növényi immunválasz aktiválásán keresztül valósul meg. A Nature Communications-ben megjelent kutatás bizonyítja, hogy mikrobiom-adatok gépi tanulással történő párosítása hatékony biológiai védekezési szerek azonosítására alkalmas.

Gépi tanulás azonosít növényvédő mikrobákat vad Arabidopsis-populációkban

A Nature Communications-ben publikált, lektorált kutatás hat generáción át gyűjtött levél-mikrobiom adatok alapján gépi tanulási modelleket tanított be, hogy megkülönböztesse az Albugo laibachii kórokozóval fertőzött és egészséges vad Arabidopsis növényeket mikrobiota-összetételük szerint. A modellek azonosították a betegséghez, illetve az egészséges állapothoz köthető mikrobákat; a legjobb jelölteket növényben tesztelve mindegyik védelmet nyújtott, az egészség-asszociált taxonok jobban teljesítettek. A legígéretesebb jelölt egy Cystofilobasidium gomba volt, amelynek védőhatása a vizsgálatok szerint elsősorban mikroba-mikroba kölcsönhatásokon, nem a növényi immunrendszer aktiválásán múlik. A szerzők szerint a mikrobiom-adatok és a gépi tanulás párosítása hatékony úton segítheti a biokontroll-ágensek célzott azonosítását.

Kis brit startup AI-ügynöke állítása szerint lekörözte az OpenAI-t és az Anthropicot

Az Inherent nevű londoni AI-labor, amelyet volt Google DeepMind-kutatók alapítottak, saját közlése szerint Faraday nevű AI-ügynöke felülmúlta az Anthropic Claude Opus 4.8 és az OpenAI GPT-5.5 modelljeit egy konkrét feladatban: publikált tudományos cikkek eredményeinek önálló, előzetes válasz nélküli reprodukálásában. A cég állítása szerint a Faraday ehhez a jóval kisebb, 27 milliárd paraméteres Qwen 3.6 modellt használja a frontier-méretű riválisok helyett, és megerősítéses tanulással próbálja megtanítani neki a „kutatói érzéket” is, vagyis hogy mely kísérletek érdemesek elvégzésre. A startup nemrég 50 millió dolláros seed-körrel lépett ki a stealth módból. Az eredmények kizárólag a vállalat saját közléséből származnak, független megerősítés egyelőre nincs.

Kutatás: az AI-biztonsági tesztek megjátszhatók és félrevezetőek

Egy brit UK AI Security Institute kutatóit is tartalmazó csapat pszichológiai tesztelésből ismert módszerekkel vizsgált meg nyolc népszerű nyelvimodell-biztonsági benchmarkot, 192 modell több mint 5000 kérdésre adott válaszát elemezve. A tanulmány szerint az egyetlen „biztonsági pontszám” valójában három, egymástól nagyrészt független tulajdonságot kever össze: a kérések elutasításának szigorát, a válaszok igazmondását és a kontextustól függő ártalmas tartalmak kezelését. A HarmBench és az OR-Bench-Hard benchmark ellentétes irányba mozdítja a pontszámot, így egy modell puszta elutasítási hajlandósággal is javíthatja összesített értékelését, miközben kevésbé hasznossá válik. A kutatók szerint a kérdéseknek mindössze kevesebb mint 2 százaléka hordoz tényleges mérési információt.