<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0"
     xmlns:content="http://purl.org/rss/1.0/modules/content/"
     xmlns:media="http://search.yahoo.com/mrss/"
     xmlns:atom="http://www.w3.org/2005/Atom">

<channel>

    <atom:link
        href="https://shesht.am/tag/%d5%b4%d5%a1%d5%a9%d5%a5%d5%b4%d5%a1%d5%bf%d5%ab%d5%af%d5%a1/feed"
        rel="self"
        type="application/rss+xml"
    />

    <lastBuildDate>Tue, 17 Nov 2026 16:02:43 +0000</lastBuildDate>

    <title>Շեշտ.am (shesht.am) - Feed</title>

    <description>Շեշտ.am – նորություններ եւ ոչ միայն</description>

    <link></link>

    
        
        <item>

            <guid isPermaLink="false">https://shesht.am/?p=20987</guid>

            <pubDate>Sun, 08 Nov 2026 09:08:34 +0000</pubDate>

            <title>Նեյրացանցերի ուսուցման անկայունությունը կապել են ֆրակտալ կառուցվածքի հետ</title>

            <description><![CDATA[<p>Ավստրալիացի հետազոտողները նեյրացանցերի ուսուցման արդյունքների տարբերությունը կապել են մեկնարկային պայմանների ֆրակտալ կառուցվածքի հետ։ Նրանց փորձերում նույնիսկ գրեթե նույն կարգավորումներով ուսուցանված ցանցերը կարող էին տարբեր պատասխաններ տալ։</p>
]]></description>

            
                <media:content
                    url="https://shesht.am/wp-content/uploads/2026/11/shesht-ai-fractal-cover-20261108.jpg"
                                            type="image/jpeg"
                                        expression="full"
                >

                    <media:description type="plain"><![CDATA[Նեյրացանցերի ուսուցման անկայունությունը կապել են ֆրակտալ կառուցվածքի հետ]]></media:description>

                </media:content>

            
            <content:encoded><![CDATA[Սիդնեյի համալսարանի ֆիզիկոսներ Էնդրյու Լայն ու Պուլին Գոնգը արդյունքները ներկայացրել են նոյեմբերի 5-ին Nature Machine Intelligence-ում հրապարակված հոդվածում։ Համալսարանը աշխատանքի մասին հաղորդել է նոյեմբերի 6-ին։
Նեյրացանցը սովորելիս աստիճանաբար փոփոխում է իր ներքին պարամետրերը։ Հեղինակները մեկնարկային կարգավորումները դիտարկել են որպես քարտեզի կետեր. նույն վերջնական լուծմանը տանող կետերը կազմում են ձգողության ավազան։ Եթե տարբեր ավազանները խիտ միահյուսված են, գրեթե կողք կողքի գտնվող մեկնարկները կարող են բերել տարբեր լուծումների։
Պարզ՝ երկշերտ ցանցի համար գիտնականները մաթեմատիկորեն ցույց են տվել նման ֆրակտալ կառուցվածքի առաջացման պայմանները։ Ավելի բարդ ցանցերում նրանք հայտնաբերել են նույն մեխանիզմին համապատասխանող նշաններ։ Այդ դեպքերում մեկնարկային պարամետրերի ճշգրտության մեծացումը միշտ չէ, որ օգնում է կանխատեսել ուսուցման վերջնական արդյունքը։
Հետազոտողները ընդհանուր առմամբ ուսուցանել են շուրջ 500 հազար նեյրացանց՝ տարբեր ճարտարապետություններով, տվյալներով և ուսուցման եղանակներով։ Փորձերը ներառել են պատկերների ճանաչում և տեքստերի հուզական երանգի դասակարգում։ Էֆեկտը պահպանվել է նաև այնպիսի հաշվարկներում, որտեղ վերացված էին արտաքին պատահականության աղբյուրները։
Պատկերներ դասակարգող ցանցի ուսումնասիրված տարբերակներից մեկում մեկնարկային անորոշությունը տասը միլիարդ անգամ փոքրացնելը գործնականում չի բարելավել արդյունքների վերարտադրելիությունը։ Հեղինակները ստուգել են ոչ միայն ներքին պարամետրերը, այլև ցանցերի պատասխանները. գրեթե նույն մեկնարկներով ուսուցանված զույգերի կանխատեսումները միջինում տարբերվել են մուտքային օրինակների մոտ 2,9 տոկոսի համար։
Փորձարկված կարգավորումների մեծ մասում ավելի փոքր ուսուցման քայլը բարձրացրել է վերարտադրելիությունը, սակայն վատացրել ուսուցման արդյունավետությունը։ Հեղինակներն առաջարկում են անկայունությունը գնահատել նաև ցանցերի պատասխանների տարբերությամբ։ Աշխատանքը չի ապացուցում, որ բոլոր նեյրացանցերը նույն չափով անկանխատեսելի են. այն բացահայտում է հնարավոր մեխանիզմ և դրա ստուգման գործիքներ։]]></content:encoded>

            <link>https://shesht.am/science/ai-training-fractal-limits</link>

            <author>info@shesht.am (Շեշտ.am (shesht.am))</author>

        </item>

    
        
        <item>

            <guid isPermaLink="false">https://shesht.am/?p=20642</guid>

            <pubDate>Tue, 27 Oct 2026 14:15:37 +0000</pubDate>

            <title>OpenAI-ը ներկայացրել է էքսպոնենցիալ ժամանակի վարկածի ենթադրյալ հերքումը</title>

            <description><![CDATA[<p>OpenAI-ը հրապարակել է արհեստական բանականությամբ ստացված արդյունք, որը, ընկերության պնդմամբ, հերքում է էքսպոնենցիալ ժամանակի վարկածը։ Տեսական համակարգչագիտության այս կարևոր ենթադրությունը վերաբերում է որոշ տրամաբանական խնդիրների լուծման համար անհրաժեշտ ժամանակին, իսկ նոր արդյունքը դեռ պետք է ուսումնասիրվի անկախ մասնագետների կողմից։</p>
]]></description>

            
                <media:content
                    url="https://shesht.am/wp-content/uploads/2026/10/shesht-eth-cover.jpg"
                                            type="image/jpeg"
                                        expression="full"
                >

                    <media:description type="plain"><![CDATA[OpenAI-ը ներկայացրել է էքսպոնենցիալ ժամանակի վարկածի ենթադրյալ հերքումը]]></media:description>

                </media:content>

            
            <content:encoded><![CDATA[
Ընկերությունը հոկտեմբերի 26-ին հայտնել է, որ իր ներքին մոդելն առաջարկել է էքսպոնենցիալ ժամանակի վարկածի՝ ETH-ի հերքումը։ Հրապարակված նախնական աշխատությունը թվագրված է հոկտեմբերի 17-ով և վերանայվել է հոկտեմբերի 25-ին։ OpenAI-ն այս նյութերը բնորոշում է որպես հետազոտական սկզբնական տվյալներ, որոնք գիտական հանրությունը պետք է ուսումնասիրի և բացատրի։



Խնդրի հիմքում 3-SAT կոչվող տրամաբանական առաջադրանքն է։ Պետք է գտնել փոփոխականների «ճշմարիտ» կամ «կեղծ» արժեքների այնպիսի ընտրություն, որը միաժամանակ բավարարում է բոլոր պայմաններին. յուրաքանչյուր պայման պարունակում է առավելագույնը երեք փոփոխական կամ դրանց ժխտումները։ ETH-ն ենթադրում է, որ վատագույն դեպքերում լուծման ժամանակն անխուսափելիորեն էքսպոնենցիալ աճում է փոփոխականների թվի հետ։



Նախնական աշխատությունում OpenAI-ն առաջարկում է ալգորիթմ, որը ոչ միայն պարզում է լուծման գոյությունը, այլև հաշվում է բոլոր բավարարող տարբերակները։ Այն վերաբերում է k-SAT-ի խնդիրներին՝ պայմանների չափի ֆիքսված սահմանով, և, ներկայացված գնահատականի համաձայն, աշխատում է ենթաէքսպոնենցիալ ժամանակում՝ օգտագործելով բազմանդամային ծավալի հիշողություն։ Սա ETH-ի կանխատեսածից ավելի դանդաղ աճող ժամանակային բարդություն է։



OpenAI-ն նաև հրապարակել է Lean համակարգով ձևակերպված ապացույցը։ Դրա շրջանակի նկարագրությունը սահմանում է, թե կոնկրետ ինչ պնդում է ընդգրկում ձևական ստուգումը՝ լուծումների ճշգրիտ հաշվարկ ենթաէքսպոնենցիալ ժամանակում և բազմանդամային հիշողությամբ։ Ընկերության հաղորդած ձևական ստուգումն ու անկախ մասնագետների կողմից արդյունքի ամբողջական ըմբռնումը տարբեր փուլեր են։



Ընկերության փոխանցմամբ՝ արդյունքի բաց և անկախ ուսումնասիրությունը կկազմակերպեն Ռասել Իմպալիացոն և Ռամամոհան Պատուրին՝ Սան Դիեգոյի Կալիֆոռնիական համալսարանից, ինչպես նաև Ռայան Ուիլյամսը՝ Մասաչուսեթսի տեխնոլոգիական ինստիտուտից։ Իմպալիացոն ու Պատուրին ETH-ի սկզբնական հեղինակներից են։ Նրանց ներգրավումը ներկայացվում է որպես ստուգման գործընթացի կազմակերպում։



Տեսական համակարգչագետ Սքոթ Աարոնսոնն իր բլոգում շեշտում է, որ այս արդյունքը դեռ հեռու է P-ի և NP-ի հավասարության ապացույցից։ Ներկայացված արագացումը վերաբերում է k-SAT-ին. դրանից ինքնաբերաբար չի հետևում, որ նույն կերպ կարելի է արագ լուծել բոլոր NP-ամբողջական խնդիրները։



Եթե հերքումը հաստատվի, անհրաժեշտ կլինի վերանայել այն բարդության սահմանները, որոնք գիտական աշխատություններում հիմնավորվել են ETH-ի ճշմարիտ լինելու պայմանով։ Միաժամանակ սա պատրաստի գործնական արագացում չի նշանակում. OpenAI-ն նշում է, որ տեսական արդյունքը կիրառելի ալգորիթմների վերածելը լրացուցիչ հետազոտություն է պահանջում։
]]></content:encoded>

            <link>https://shesht.am/science/openai-eth-claim</link>

            <author>info@shesht.am (Շեշտ.am (shesht.am))</author>

        </item>

    
</channel>

</rss>