Um algoritmo de aprendizagem por reforço foi capaz de controlar o plasma resultante do processo de fusão nuclear, abrindo as portas para um melhor entendimento do processo e, futuramente, a potencial exploração comercial da tecnologia.
Um modelo foi treinado para identificar e classificar em grupos de risco os pacientes com maior probabilidade de não responderem bem à terapia antiviral, abrindo a possibilidade para tratamentos mais personalizados.
Os pesquisadores utilizaram dados gerados por modelos complexos para treinar uma rede neural na mesma tarefa, reduzindo o custo computacional para a simulação do processo químico em 10 mil vezes.
Como muitas doenças raras se manifestam também por atributos faciais, um algoritmo foi treinado para reconhecer indivíduos similares entre si, e assim ajudar a diagnosticar a doença.
O sistema foi treinado com dados simulados para aprender a administrar e também a otimizar a administração de um agente anestésico, produzindo recomendações de dosagem similares às de médicos anestesistas.
O AlphaCode consegue desenvolver soluções inéditas para problemas complexos, superando os sistemas de IA mais recentes que se limitavam a “traduzir” problemas em linguagem de programação
O sistema usa sensores de alta resolução para monitorar com precisão as condições de trânsito em um cruzamento, e um algoritmo de aprendizagem por reforço para otimizar o tempo em que os veículos ficam parados.
O algoritmo consegue predizer os pontos de contato mais eficientes para a ligação entre duas proteínas, ajudando a estabelecer os complexos que terão melhor desempenho biológico.
Utilizando exames de imagem da retina e técnicas de análise preditiva, o estudo revelou quais variantes de um gene mutado são responsáveis pelo aparecimento dos sintomas e pelo perfil de progressão da doença.
O sistema usa imagens com dados de profundidade para identificar os tipos de alimentos e estimar os volumes ingeridos em uma refeição, permitindo o registro automático dos ingredientes consumidos.
