ข่าวจริงและไม่จริงเผยแพร่ได้อย่างเท่า ๆ กันบนทวิตเตอร์

ภาพจาก Cornell Chronicle

ผลการศึกษาพบว่าทั้งข่าวจริงและข่าวเท็จแพร่กระจายผ่านทวิตเตอร์ ด้วยความเร็ว ความกว้าง และความลึกเท่ากัน ซึ่งเน้นย้ำให้เห็นว่าเหตุใดความพยายามในการหยุดการบิดเบือนข้อมูลบนแพลตฟอร์มจึงประสบความสำเร็จอย่างจำกัด Jonas Juul แห่ง Cornell University และ Johan Ugander แห่ง Stanford University มุ่งเน้นไปที่โครงสร้างของ "การส่งต่อ (cascade)" ของทวิตเตอร์ ซึ่งเป็นการหาปริมาณของเส้นทางทวีตที่เป็นไวรัลจากผู้โพสต์เริ่มต้นผ่านเครือข่ายผ่านการรีทวีต ทวีตที่ได้รับความนิยมมากขึ้นมีการส่งต่อที่มากกกว่า และนักวิจัยได้วิเคราะห์การส่งต่อที่มีขนาดเท่ากัน ซึ่งอนุมานว่าทวีตจริงและไม่จริงมีผู้ใช้จำนวนเท่ากัน การส่งต่อของทวีตจริงและไม่จริงที่แชร์กันอย่างเท่าเทียมกันนั้นแทบจะเท่ากันหมด เปลี่ยนแนวคิดที่เข้าใจกันแย่างแพร่หลายว่าทวีตที่ไม่จริงเดินทางเร็วกว่า นักวิจัยกล่าวว่าสิ่งนี้จะจำกัดมาตรการตอบโต้การบิดเบือนข้อมูล เช่น ตั้งค่าสถานะทวีตที่เป็นไวรัลด้วยแบบรูปการแพร่กระจายแบบยาว (long diffusion pattern) หรือลดความสำคัญของฮับหลักในฟีดข่าว พวกเขาแนะนำว่าการทำให้ผู้ใช้มีความรู้ด้านดิจิทัลที่ดีขึ้นจะมีประสิทธิภาพมากกว่า

อ่านข่าวเต็มได้ที่: Cornell Chronicle

โปรแกรมคอมพิวเตอร์สามารถอ่านลำดับจีโนมใด ๆ เพื่อถอดรหัสพันธุกรรมของมัน

Photo by ANIRUDH on Unsplash

นักวิจัยจาก Harvard University ได้พัฒนาโปรแกรมที่สามารถอ่านลำดับจีโนมของสิ่งมีชีวิต และกำหนดรหัสพันธุกรรม ซึ่งจะช่วยให้นักวิทยาศาสตร์เข้าใจวิวัฒนาการของรหัสพันธุกรรม แม้ว่าสิ่งมีชีวิตส่วนใหญ่ใช้รหัสพันธุกรรมเดียวกัน แต่ก็มีการค้นพบสิ่งมีชีวิตบางชนิดที่ใช้รหัสพันธุกรรมทางเลือก โปรแกรมใหม่ที่ชื่อ Codetta สามารถใช้เพื่อระบุสิ่งมีชีวิตที่ใช้รหัสพันธุกรรมทางเลือก นักวิจัยได้ใช้ Codetta ในการวิเคราะห์ลำดับจีโนมของแบคทีเรียมากกว่า 250,000 ตัว และสิ่งมีชีวิตเซลล์เดียวอื่น ๆ และพบว่ามีสิ่งมีชีวิต 5 ตัวซึ่งถูกกำหนดรหัสของกรดอะมิโนอาร์จินีน (arginine) ใหม่ให้กับกรดอะมิโนที่ต่างออกไป ซึ่งเป็นครั้งแรกที่เห็นการสลับนี้ในแบคที่เรีย

อ่านข่าวเต็มได้ที่: News-Medical Life Sciences

การแผ่รังสีนิวเคลียร์ถูกใช้ในการส่งผ่านข้อมูลดิจิทัลแบบไร้สาย

ภาพจาก Lancaster University (U.K.)

ข้อมูลที่เข้ารหัสแบบดิจิทัลถูกส่งแบบไร้สายโดยใช้รังสีนิวเคลียร์ จากผลงานของวิศวกรของ Lancaster University แห่งสหราชอาณาจักร และ Jožef Stefan Institute ของสโลวีเนีย นักวิจัยส่งข้อมูลโดยใช้นิวตรอนเร็วที่ปล่อยออกมาจากไอโซโทปกัมมันตภาพรังสี californium-252 เครื่องตรวจจับประเมินการปล่อยรังสีซึ่งถูกบันทึกไว้ในแล็ปท็อป นักวิจัยได้เข้ารหัสข้อมูลเป็นลำดับ ซึ่งรวมถึงคำ ตัวอักษร และตัวเลขสุ่มที่เลือกแบบไม่มีรูปแบบเพื่อในการปรับสนามนิวตรอน และถอดรหัสผลลัพธ์บนแล็ปท็อปที่ใช้อ่านข้อมูลที่เข้ารหัส Malcolm Joyce แห่ง Lancaster กล่าวว่า "เราแสดงให้เห็นศักยภาพของการแผ่รังสีนิวตรอนเร็วในฐานะสื่อกลางสำหรับการสื่อสารแบบไร้สาย สำหรับการใช้งานที่การส่งผ่านแม่เหล็กไฟฟ้าแบบธรรมดาไม่สามารถทำได้หรือมีข้อจำกัดในตัวมันเอง"

อ่านข่าวเต็มได้ที่: Lancaster University (U.K.)

เมื่ออัลกอริทึมมีความสร้างสรรค์

ภาพจาก University of Bern (Switzerland)

ทีมนักวิทยาศาสตร์นานาชาติที่นำโดย University of Bern ของสวิตเซอร์แลนด์ได้พัฒนาอัลกอริธึมเชิงวิวัฒนาการ (evolutionary algorithm) ที่สามารถเรียนรู้ได้อย่างสร้างสรรค์ อัลกอริธึมดังกล่าวกำหนด "ความเหมาะสม (fitness)" ของสิ่งที่เป็นคำตอบที่เป็นไปได้ โดยพิจารณาจากความสามารถว่าแก้ปัญหาที่กำลังศึกษาอยู่ได้ดีเพียงใด แนวทาง evolving-to-learn (E2L) หรือ "ปรับตัวได้ (becoming adaptive)" ของนักวิจัยถูกนำไปใช้กับสถานการณ์การเรียนรู้ทั่วไปสามสถานการณ์ อย่างแรกคือการตรวจจับแบบรูป (pattern) ที่เกิดซ้ำในสตรีมอินพุตแบบต่อเนื่องโดยไม่มีการตอบกลับด้านประสิทธิภาพ ประการที่สองให้รางวัลเสมือนแก่คอมพิวเตอร์สำหรับการมีพฤติกรรมตามที่ต้องการ และอย่างที่สามคือแนะนำคอมพิวเตอร์ว่าพฤติกรรมของมันเบี่ยงออกจากแบบรูปที่ต้องการมากน้อยเพียงใด Jakob Jordan จาก Bern กล่าวว่า "ในแนวทางทั้งหมดนี้" "อัลกอริธึมเชิงวิวัฒนาการสามารถค้นพบกลไก synaptic plasticity และด้วยเหตุนี้จึงแก้ปัญหาใหม่ได้สำเร็จ"

อ่านข่าวเต็มได้ที่: University of Bern (Switzerland)

มือหุ่นยนต์แบบคล่องแคล่วจัดการวัตถุได้อย่างง่ายดาย

ภาพจาก MIT Computer Science and Artificial Intelligence Laboratory

นักวิทยาศาสตร์จาก Computer Science and Artificial Intelligence Laboratory หรือ CSAILของ Massachusetts Institute of Technology หรือ MIT  ได้ออกแบบระบบที่ช่วยให้มือหุ่นยนต์จัดการกับวัตถุที่แตกต่างกันมากกว่า 2,000 ชิ้นได้ นักวิจัยใช้มือจำลองที่มีองศาอิสระ 24 องศา และแสดงให้เห็นว่ากรอบการทำงานนี้สามารถปรับให้เข้ากับระบบหุ่นยนต์จริงได้ เฟรมเวิร์กนี้ใช้อัลกอริธึมการเรียนรู้การเสริมแรงแบบไม่มีตัวแบบ (model-free)  ซึ่งกำหนดฟังก์ชันกำหนดค่าจากการปฏิสัมพันธ์กับสิ่งแวดล้อม การเรียนรู้เชิงลึก และการฝึกอบรมแบบ "ครูกับนักเรียน" เครือข่าย "ครู" ได้รับการป้อนข้อมูลเกี่ยวกับวัตถุและหุ่นยนต์ในการจำลอง ซึ่งกลั่นกรองสู่การสังเกต ซึ่งคล้ายกับสิ่งที่เกิดขึ้นในโลกจริง

อ่านข่าวเต็มได้ที่: MIT Computer Science and Artificial Intelligence Laboratory