تقرير أسبوعي عن الذكاء الاصطناعي: نمذجة بيانات 100 مليون خلية/التنبؤ الفعال بالمسارات الجينية/كسر غموض الأوامر/المكافآت القابلة للتحقق/إنشاء ألعاب ديناميكية للغاية، لمحة سريعة عن 5 إنجازات رئيسية
تُعدّ استجابة الخلايا للاضطرابات حجر الأساس لفهم الآليات البيولوجية واختيار الأهداف الدوائية المحتملة. بالمقارنة مع الطرق التجريبية، تتمتع النماذج الحاسوبية بإمكانيات كبيرة في التنبؤ بآثار الاضطرابات، إلا أن تطبيقاتها العملية محدودة بسبب صعوبة تعميم آثار البيئات الخلوية المُلاحَظة تجريبيًا على البيئات غير المُلاحَظة.
بناءً على ذلك، قدّم معهد آرك، بالتعاون مع جامعة كاليفورنيا وجامعات أخرى، بنيةً لتعلم الآلة تُسمى State، تُراعي التباين الخلوي داخل تجارب الاضطرابات وفيما بينها، مع التنبؤ بتأثيرها. في مجموعات بيانات ضخمة متعددة، ازدادت قدرة State على تمييز تأثيرات الاضطرابات بأكثر من 50%، وبلغت دقة تحديد الجينات ذات التعبير التفاضلي الحقيقي في الاضطرابات الجينية والإشارية والكيميائية أكثر من ضعف دقة النماذج الحالية.
رابط الورقة:https://go.hyper.ai/xkBgn
أحدث أبحاث الذكاء الاصطناعي:https://go.hyper.ai/hzChC
من أجل السماح لمزيد من المستخدمين بمعرفة أحدث التطورات في مجال الذكاء الاصطناعي في الأوساط الأكاديمية، أطلق الموقع الرسمي لـ HyperAI (hyper.ai) الآن قسم "أحدث الأوراق البحثية"، والذي يقوم بتحديث أوراق البحث المتطورة في مجال الذكاء الاصطناعي كل يوم.إليكم 5 أوراق بحثية شائعة حول الذكاء الاصطناعي نوصي بها، والتي تشمل التعبير الجيني، وإنتاج فيديوهات الألعاب، ومجموعات بيانات مرجعية بحثية متعمقة وعناوين تنزيلها. في الوقت نفسه، قمنا أيضًا بتلخيص الخريطة الذهنية لهيكل الورقة البحثية للجميع. دعونا نلقي نظرة سريعة على إنجازات هذا الأسبوع في مجال الذكاء الاصطناعي.⬇️
توصيات الورقة البحثية لهذا الأسبوع
1 التنبؤ باستجابات الخلايا للاضطرابات عبر سياقات متنوعة باستخدام الحالة
تُقدّم هذه الورقة البحثية بنية تعلّم آلي تُسمى "الحالة"، تُستخدم للتنبؤ باستجابة الخلايا لأنواع مختلفة من التداخلات (مثل التداخل الجيني أو الكيميائي أو الإشاري). من خلال الجمع بين نموذج انتقال الحالة ونموذج تضمين الخلايا، يُمكن لنموذج "الحالة" معالجة ومحاكاة أكثر من 100 مليون بيانات خلوية مُضطربة بفعالية عبر 70 بيئة خلوية مختلفة. وبالمقارنة مع النماذج الحالية، يُحقق "الحالة" أداءً أفضل بكثير من 50% على مجموعات بيانات كبيرة متعددة، وخاصةً في تحديد التعبير الجيني التفاضلي، بدقة تزيد عن الضعف.
رابط الورقة:https://go.hyper.ai/xkBgn
* مجموعة بيانات الخلية الفردية Tahoe-100M:
* مجموعة بيانات تسلسل الحمض النووي الريبي للخلية الواحدة Parse-PBMC:
2 AlphaGenome: تطوير التنبؤ بتأثير المتغيرات التنظيمية باستخدام نموذج تسلسل الحمض النووي الموحد
تُقدّم هذه الورقة البحثية نموذجًا للتعلم العميق يُسمى AlphaGenome، والذي يُمكنه التنبؤ بمجموعة متنوعة من المسارات الجينية الوظيفية، مثل التعبير الجيني، وبدء النسخ، وإمكانية الوصول إلى الكروماتين، وتعديلات الهيستون، ومواقع ربط عوامل النسخ، وخرائط اتصال الكروماتين، وغيرها، من تسلسلات الحمض النووي. كما يُمكنه التنبؤ بعدد كبير من تأثيرات المتغيرات في استدعاء جهاز واحد، وهو أمرٌ سريعٌ للغاية. يُحلّ AlphaGenome مشكلتين رئيسيتين تواجههما نماذج التعلم العميق الحالية: التوازن بين طول تسلسل الإدخال ودقة التنبؤ، والتوازن بين قدرات التنبؤ متعددة الأنماط وأحادية النمط.
رابط الورقة:https://go.hyper.ai/D4sjw
3 CodeDiffuser: مُحسَّن الانتباه سياسة الانتشار عبر VLM المولدة رمز لغموض التعليمات
تُقدّم هذه الورقة البحثية إطار عمل لتنفيذ مهام الروبوت لمعالجة غموض اللغة وتعدد المعاني، CodeDiffuser. يُحلّل الإطار تعليمات اللغة الطبيعية باستخدام الشيفرة المُولّدة بواسطة نموذج اللغة المرئي، ويحسب خريطة الانتباه ثلاثية الأبعاد من خلال نموذج القاعدة المرئية كتمثيل وسيط لحل مشكلة تعليمات اللغة المجردة والغامضة. تُظهر النتائج التجريبية أنه بعد إدخال CodeDiffuser، تحسّن أداء النظام بشكل ملحوظ، وأكمل بنجاح مهامًا معقدة تتضمن غموض اللغة، وعمليات مكثفة، وتفاعلات متعددة الكائنات.
رابط الورقة:https://go.hyper.ai/Y6M3P
4 صالة الألعاب الرياضية المنطقية: بيئات منطقية للتعلم المعزز مع مكافآت قابلة للتحقق
تُقدّم هذه الورقة البحثية REASONING GYM (RG)، وهي مكتبة بيئات استدلال مصممة للتعلم التعزيزي، تتميز بقدرتها على توليد بيانات تدريب غير محدودة بمكافآت قابلة للتحقق، وتدعم مجموعة متنوعة من مهام الاستدلال، بما في ذلك الجبر والحساب والمنطق ونظرية الرسم البياني، وغيرها. يمكن للمهام التي تُولّدها الخوارزمية تلقائيًا تعديل مستوى الصعوبة، مما يُتيح التقييم والتدريب الديناميكيين. ومن خلال الاختبار على معايير خارجية، تم التأكد من إمكانية نقل المعرفة المكتسبة من تدريب RG بفعالية إلى مهام حل المشكلات الواقعية. تُوفر REASONING GYM أداة فعّالة لاستكشاف قدرات الاستدلال في نماذج اللغات الكبيرة وتعزيزها بشكل منهجي.
رابط الورقة:https://go.hyper.ai/JvIlr
5 Hunyuan-GameCraft: إنشاء فيديو لعبة تفاعلية عالية الديناميكية مع شرط التاريخ الهجين
تُقدّم هذه الورقة البحثية إطار عمل جديد لتوليد فيديوهات الألعاب التفاعلية، هونيوان-جيم كرافت (Hunyuan-GameCraft)، الذي يُحقق توليد فيديوهات ألعاب عالية الجودة وديناميكية من خلال الجمع بين نماذج الانتشار والتحكم الشرطي. تدعم هذه الطريقة المدخلات التفاعلية المعقدة من خلال توحيد مدخلات لوحة المفاتيح والفأرة في مساحة تمثيل كاميرا مشتركة، وتقترح استراتيجية تدريب شرطي تاريخي هجينة للحفاظ على الاتساق المكاني والزماني طويل الأمد. تُظهر النتائج التجريبية أنه مقارنةً بالنماذج الحالية، يُحقق هونيوان-جيم كرافت أداءً أفضل بكثير في الأداء الديناميكي، ودقة التفاعل، والاتساق الزماني والمكاني، مما يُشير إلى إمكاناته الكبيرة في توليد فيديوهات الألعاب التفاعلية عالية الديناميكية في الوقت الفعلي.
رابط الورقة:https://go.hyper.ai/kVEMV
هذا هو محتوى توصيات البحث لهذا الأسبوع. لمزيد من أبحاث الذكاء الاصطناعي المتطورة، يُرجى زيارة قسم "أحدث الأبحاث" على الموقع الرسمي لـ hyper.ai.
نرحب أيضًا بفرق البحث لتقديم نتائج وأوراق بحثية عالية الجودة إلينا. يمكن للمهتمين إضافة حساب نيوروستار على وي تشات (معرف وي تشات: Hyperai01).
نراكم في الاسبوع القادم!