<?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%a5%d6%84%d5%a5%d5%b6%d5%a1%d5%b5%d5%a1%d5%af%d5%a1%d5%b6-%d5%b8%d6%82%d5%bd%d5%b8%d6%82%d6%81%d5%b8%d6%82%d5%b4/feed"
        rel="self"
        type="application/rss+xml"
    />

    <lastBuildDate>Sun, 08 Nov 2026 14:04:29 +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=20880</guid>

            <pubDate>Wed, 04 Nov 2026 04:05:16 +0000</pubDate>

            <title>LHCb-ը B⁰ մեզոնի չափազանց հազվադեպ տրոհման վկայություն է ստացել</title>

            <description><![CDATA[<p>CERN-ի LHCb փորձարարական խումբը ստացել է B⁰ մեզոնի՝ մյուոնի և հակամյուոնի տրոհման վկայություն։ Ըստ Ստանդարտ մոդելի՝ այս պրոցեսը տեղի է ունենում նման մեզոնների մոտավորապես յուրաքանչյուր տասը միլիարդ տրոհումից մեկում։</p>
]]></description>

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

                    <media:description type="plain"><![CDATA[LHCb-ը B⁰ մեզոնի չափազանց հազվադեպ տրոհման վկայություն է ստացել]]></media:description>

                </media:content>

            
            <content:encoded><![CDATA[
Հետազոտողները արդյունքը նոյեմբերի 3-ին ներկայացրել են CERN-ի սեմինարում։ Սա տվյալ տրոհման առաջին վկայությունն է, որը ստացվել է մեկ փորձարարական կայանքի տվյալներով։ Աշխատանքի նախնական տարբերակը հոկտեմբերի 30-ին տեղադրվել է arXiv-ում և դեռ չի անցել գիտական գրախոսություն։



B⁰ մեզոնը b քվարկ կամ հակաքվարկ պարունակող կարճակյաց մասնիկ է։ Ուսումնասիրվող տրոհման ժամանակ այն վերածվում է հակառակ լիցքերով երկու մյուոնի։ Մյուոնը տարրական մասնիկ է, որը հատկություններով նման է էլեկտրոնին, սակայն ավելի ծանր է։



Վերլուծության հիմքում Մեծ հադրոնային բախիչում 2024–2025 թվականներին գրանցված պրոտոնների բախումներն են։ Թարմացված LHCb դետեկտորը հնարավորություն է տվել ավելի արագ տվյալներ հավաքել և ավելի լավ տարբերել մասնիկները։ Հետազոտողները կիրառել են նաև մեքենայական ուսուցում՝ հազվադեպ ազդանշանը բազմաթիվ այլ պրոցեսների ֆոնից առանձնացնելու համար։



Նոր տվյալներում ազդանշանի վիճակագրական նշանակալիությունը կազմել է 3 ստանդարտ շեղում՝ 3 սիգմա։ Դրանք 2011–2018 թվականների չափումների հետ միավորելուց հետո ցուցանիշը հասել է 3,2 սիգմայի։ Մասնիկների ֆիզիկայում սա բավարար է վկայության մասին խոսելու համար, իսկ հաստատված դիտարկում հայտարարելու ընդունված շեմը 5 սիգման է։



Այս տարբերակումը կարևոր է նաև նախկին արդյունքների պատճառով։ Ինչպես CERN-ը հիշեցնում է, LHCb-ի և CMS-ի համատեղ վերլուծությունը 2015-ին արդեն մատնանշել էր B⁰-ի այս տրոհումը, բայց հետագա չափումները չէին հաստատել այդ վկայությունը։ Նոր արդյունքը հաստատելու համար ևս ավելի շատ տվյալներ են անհրաժեշտ։



Չափումները համատեղելի են Ստանդարտ մոդելի կանխատեսումների հետ և նոր մասնիկի հայտնաբերում չեն նշանակում։ Այդուհանդերձ, նման հազվադեպ տրոհումների հաճախականությունը կարող է զգայուն լինել դեռ չհայտնաբերված մասնիկների ազդեցությանը։ Ավելի ճշգրիտ չափումները կօգնեն սահմանափակել այդ մասնիկները նկարագրող տեսական մոդելների հնարավոր տարբերակները։
]]></content:encoded>

            <link>https://shesht.am/science/lhcb-rare-muon-decay</link>

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

        </item>

    
        
        <item>

            <guid isPermaLink="false">https://shesht.am/?p=20525</guid>

            <pubDate>Sun, 18 Oct 2026 05:11:07 +0000</pubDate>

            <title>Ուղեղի օրգանոիդներով համակարգը Բրայլի տառերը ճանաչել է 83% ճշտությամբ</title>

            <description><![CDATA[<p>Բրիստոլի համալսարանի հետազոտողները շոշափելիքի տվիչից ստացված տվյալները փոխանցել են մարդու ուղեղի լաբորատոր օրգանոիդներին և դրանց արձագանքներով տարբերակել Բրայլի 26 տառերը։ Երեք օրգանոիդի ազդանշանները համակցելիս համակարգի ճանաչման ճշտությունը հասել է 83 տոկոսի։</p>
]]></description>

            
                <media:content
                    url="https://shesht.am/wp-content/uploads/2026/10/organoid-braille-cover-20261018.webp"
                                            type="image/webp"
                                        expression="full"
                >

                    <media:description type="plain"><![CDATA[Ուղեղի օրգանոիդներով համակարգը Բրայլի տառերը ճանաչել է 83% ճշտությամբ]]></media:description>

                </media:content>

            
            <content:encoded><![CDATA[Տյանյի Լյուն, Հեմա Ֆիլամորը և Բենջամին Ուորդ-Չերիեն արդյունքները հոկտեմբերի 16-ին հրապարակել են Frontiers in Artificial Intelligence ամսագրում։ Աշխատանքում փորձարկվել է էլեկտրոնային տվիչի, կենդանի նյարդային հյուսվածքի և մեքենայական ուսուցման ալգորիթմի համատեղ աշխատանքը։
Օրգանոիդները լաբորատորիայում աճեցված բջջային եռաչափ կառուցվածքներ են, որոնք վերարտադրում են ուղեղի որոշ առանձնահատկություններ։ Փորձում օգտագործված նմուշների տրամագիծը մեկ միլիմետրից փոքր էր, իսկ յուրաքանչյուրում կար մոտ 10 հազար նեյրոն՝ օժանդակ բջիջների հետ միասին։ Դրանք տեղադրված էին էլեկտրոդային հարթակի վրա, որը թույլ էր տալիս և՛ գրգռել հյուսվածքը, և՛ գրանցել դրա ակտիվությունը։
Ռոբոտային թևին ամրացված շոշափելիքի տվիչը սահեցրել են Բրայլի՝ եռաչափ տպված տառերի վրայով։ Անգլերեն այբուբենի 26 տառերի համար տարբեր սեղմման խորություններով հավաքվել է 1300 գրառում։ Տվիչի տվյալները վերածվել են էլեկտրական գրգռման հաջորդականությունների, որոնք յուրաքանչյուր օրգանոիդին են փոխանցվել ութ էլեկտրոդով։
Համակարգիչը տառերը որոշել է նեյրոնների էլեկտրական արձագանքներից՝ հենարանային վեկտորների մեթոդով։ Երբ մեկ օրգանոիդի փոխարեն միավորել են երեքի ելքային տվյալները, ճանաչումը զգալիորեն բարելավվել է։ Հյուսվածքն այսպիսով ծառայել է որպես տեղեկությունը փոխակերպող կենսաբանական միջանկյալ օղակ, իսկ վերջնական դասակարգումն իրականացրել է ալգորիթմը։
Մաքուր տվյալների դեպքում երեք օրգանոիդով համակարգը մոտ արդյունք է տվել առանց կենդանի հյուսվածքի աշխատող համեմատական տարբերակին՝ համապատասխանաբար 83 և 82 տոկոս։ Տարբերությունն ավելի նկատելի է դարձել արհեստական աղմուկի կամ տվյալների կորստի պայմաններում․ օրգանոիդներով համակարգը փորձարկված բոլոր աղավաղումների դեպքում ավելի բարձր ճշտություն է պահպանել։
Հեղինակների ենթադրությամբ՝ առանձին օրգանոիդների նյարդային կապերն ու ակտիվության վիճակները տարբեր են, ուստի նույն ազդակը կարող է առաջացնել մասամբ լրացնող պատասխաններ։ Այդ տարբերությունները կարող են օգնել համակցված համակարգին, բայց նաև դժվարացնում են կանխատեսելի ու ստանդարտացված սարքերի ստեղծումը։ Մեխանիզմը հաստատելու համար լրացուցիչ չափումներ են անհրաժեշտ։
Frontiers-ի պաշտոնական հաղորդագրությունում հետազոտողները ընդգծում են, որ փորձը չի ցույց տվել օրգանոիդների՝ ժամանակի ընթացքում սովորելու կամ երկարատև փոփոխությունների կարողությունը։ Այն հաստատել է միայն, որ տվիչի տեղեկությունը կարելի է կոդավորել, փոխանցել կենդանի նյարդային ցանցով և հետո վերծանել։
Հաջորդ քայլերից են մակերևույթների հյուսվածքի, եզրերի ու շփման այլ տեսակների փորձարկումները։ Գիտնականները նաև նախատեսում են հետադարձ կապով համակարգեր, որոնցում օրգանոիդի պատասխանը կազդի հաջորդ մուտքային ազդակների վրա։ Այդպիսի փորձերը թույլ կտան ստուգել՝ արդյոք կենդանի ցանցը կարող է հարմարվել փորձին։]]></content:encoded>

            <link>https://shesht.am/science/organoid-braille</link>

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

        </item>

    
</channel>

</rss>