fuente: https://ai.epfl.ch/an-ai-capable-of-doubt-can-optimize-scientific-discovery/
Un equipo de la EPFL ha desarrollado un marco que entrena modelos de lenguaje a gran escala para crear sistemas de IA capaces de encontrar la configuración óptima o "receta" para un experimento científico.
Las herramientas computacionales modernas permiten a los científicos explorar un gran número de moléculas, materiales y reacciones químicas posibles. Sin embargo, probar todas las combinaciones en el laboratorio es lento y costoso. Entonces, ¿cómo eligen los investigadores la mejor "receta" para su experimento?
Un método llamado "optimización bayesiana" aprende de resultados previos, predice qué opciones parecen prometedoras y estima el grado de incertidumbre de dichas predicciones. Esto permite a los investigadores centrar sus próximos experimentos en las opciones más útiles para probar y evitar desperdiciar tiempo y dinero en posibilidades menos prometedoras.
FasterXML ha publicado todos los detalles y una prueba de concepto para explotar la vulnerabilidad CVE-2026-110879, una vulnerabilidad crítica de jackson-databi...
Leer artículo →Los atacantes han explotado la vulnerabilidad CVE-2026-112353, una falla XSS persistente en el correo web GFI KerioConnect, para robar credenciales de usuario y...
Leer artículo →El proyecto Apache Kafka reveló 12 vulnerabilidades. La más grave, CVE-2026-110985, permite a un atacante no autenticado falsificar un token de inicio de sesión...
Leer artículo →