Research, explained like you're a person.

Before babies can crawl, they cannot explore the world on their own. Researchers asked if these infants can still learn to group different environments into categories. To test this, researchers showed six-month-old babies videos moving forward and backward through one type of place, such as open fields or closed canyons. When the researchers paired these scenes with a shared spoken made-up noun, the babies learned the category. At test time, the babies looked longer at an entirely new category of place. This works because infants tune into the overall layout of a space when hearing a shared label. However, when the layouts were scrambled, babies focused only on basic visual details and failed to categorize. When the videos played in silence, babies also failed to categorize.

ছয় মাস বয়সী যেসব শিশু এখনো হামাগুড়ি দিতে পারে না, তাদের বিভিন্ন স্থানের ভেতর দিয়ে চলাচলের ভিডিও দেখানো হয়েছিল। কিছু শিশুকে খোলা মাঠের ভিডিও দেখানো হয়, আবার কিছু শিশুকে দেখানো হয় বদ্ধ গিরিখাতের ভিডিও। যখন প্রতিটি স্থানকে একটি কাল্পনিক নাম দিয়ে চিহ্নিত করা হয়েছিল, তখন শিশুরা একটি নতুন ধরনের স্থানের দিকে বেশি সময় ধরে তাকিয়েছিল, যা বোঝায় যে তারা স্থানগুলির মধ্যে পার্থক্য বুঝতে পেরেছিল। কিন্তু যখন স্থানগুলি কোনো শব্দ ব্যবহার না করে শুধু নীরবে দেখানো হয়েছিল, তখন তারা এই পার্থক্য বুঝতে পারেনি। এর থেকে বোঝা যায় যে, একটি নির্দিষ্ট শব্দ ব্যবহার করলে শিশুরা বিভিন্ন স্থানকে শ্রেণীবদ্ধ করতে বা একই রকম স্থানগুলিকে এক দলে ফেলতে শেখে।

What lies deep inside a planet affects whether life can exist there. It also tells us how that world formed. Usually, scientists guess other worlds are built like Earth, with an iron core wrapped in a rocky silicate mantlemantleThe layer of a planet between the crust and the core, usually rocky on Earth.. But that guess fails in systems rich in carbon. When the carbon-to-oxygen ratio reaches or passes roughly 0.9, planets can form thick mantles made of carbon instead of typical rock. To study these unusual worlds, researchers updated their planet-modeling program, MAGRATHEA. They added the ability to model planets with carbon mantles. The tool simulates how deep layers behave using three forms of carbon: graphite, diamond, and BC8, a special high-pressure crystal. Now, scientists can better study the true variety of planets across space.

সাধারণত বিজ্ঞানীরা ধরে নেন যে গ্রহের ভেতরের স্তর পৃথিবীর মতো পাথর দিয়ে তৈরি। কিন্তু কিছু গ্রহ প্রচুর কার্বন নিয়ে গঠিত হতে পারে, যার ফলে তাদের ভেতরের স্তর গ্রাফাইট বা হীরার মতো কার্বন উপাদান দিয়ে তৈরি হয়। গবেষকরা MAGRATHEA নামের একটি কম্পিউটার প্রোগ্রামে এই নতুন সম্ভাবনাটি যুক্ত করেছেন, যা গ্রহের অভ্যন্তরীণ গঠন মডেল করতে পারে। এখন এই প্রোগ্রামটি কার্বন mantlemantleগ্রহের ভূত্বক এবং কেন্দ্রের মধ্যবর্তী স্তর, যা পৃথিবীতে সাধারণত পাথুরে হয়। যুক্ত গ্রহের সিমুলেশন করতে সক্ষম, যেখানে কার্বনের তিনটি allotropesallotropesএকই মৌলের বিভিন্ন রূপ, যেমন কার্বন গ্রাফাইট বা হীরা হতে পারে। — গ্রাফাইট, হীরা এবং BC8 — অন্তর্ভুক্ত করা হয়েছে। এটি মহাবিশ্বে বিদ্যমান বিভিন্ন ধরনের গ্রহ সম্পর্কে আমাদের ধারণা বাড়াতে সাহায্য করবে।

When cellular networks like 5G slow down or break, engineers need to find the root cause quickly. These modern networks have tangled layers, making diagnosis hard. Standard large language models can reason well, but they often hallucinate false facts, reason unstably, and ignore actual network data. To fix this, researchers designed a structured reasoning framework for language models. It works in three steps. First, it organizes messy network activity data into clean contexts. Next, it forces the model to follow strict decision paths as it diagnoses the problem. Finally, it produces explanations rooted in real network evidence. In tests on two 5G datasets, this method beat baseline tools. It reliably improved diagnostic accuracy and made the system reach more consistent decisions when identifying faults.

5G-এর মতো টেলিকম নেটওয়ার্কগুলো বিভিন্ন স্তরে তৈরি হয় এবং যখন কোনো সমস্যা দেখা দেয়, প্রকৌশলীরা সেই সমস্যার মূল কারণ খুঁজে বের করেন, যাকে root cause analysis বলা হয়। একটি সাধারণ language model-কে এই কাজটি দিলে সেটি প্রায়শই মনগড়া, আত্মবিশ্বাসী কিন্তু ভুল কারণ নির্ণয় করে, কারণ এটি অনুমান করে তথ্য পূরণ করে। এই গবেষণাপত্রটি একটি সুসংগঠিত যুক্তি কাঠামো তৈরি করেছে, যা মডেলটিকে একটি সুনির্দিষ্ট প্রক্রিয়া অনুসরণ করতে বাধ্য করে: প্রথমে এটি অগোছালো নেটওয়ার্ক ডেটাকে একটি নির্দিষ্ট বিন্যাসে সাজায়, তারপর ধাপে ধাপে সমস্যা নির্ণয় করে এবং সবশেষে সুনির্দিষ্ট প্রমাণের ভিত্তিতে তার সিদ্ধান্তে পৌঁছায়। দুটি 5G ডেটাসেটে পরীক্ষা করে দেখা গেছে যে, এই কাঠামো ব্যবহার করে মডেলটি কাঠামোগত পদ্ধতি ছাড়া কাজ করার চেয়ে অনেক বেশি নির্ভুল এবং সুসংগতভাবে সমস্যা নির্ণয় করতে পারে।